- •Тема 4. Система случайных величин (многомерные случайные величины).
- •§4.1. Многомерная случайная величина и ее функция распределения
- •4.1.1. Дискретная двумерная случайная величина.
- •4.1.2. Свойства функции распределения многомерной случайной величины.
- •§4.2. Плотность распределения вероятностей двумерной случайной величины.
- •§4.3. Условные законы распределения составляющих системы
- •§4.4. Условное математическое ожидание двумерной величины.
- •§4.5. Независимые и зависимые случайные величины.
- •4.5.1. Ковариация и коэффициент корреляции.
- •§4.6. Вопросы для самопроверки.
- •§4.7. Задачи
- •Тема 5. Предельные теоремы.
- •§5.1. Закон больших чисел.
- •5.1.1. Неравенство Чебышева.
- •5.1.2 Сходимость по вероятности.
- •5.1.3. Закон больших чисел в форме Чебышева.
- •5.1.4. Закон больших чисел в форме Бернулли.
- •§5.2. Центральная предельная теорема.
- •§5.3. Вероятность отклонения относительной частоты от постоянной
- •§5.4. Вопросы для самопроверки.
- •§5.5. Задачи.
5.1.2 Сходимость по вероятности.
Сходимость, например, относительной частоты к вероятности отличается от сходимости в смысле математического анализа. Для того, чтобы подчеркнуть это различие, вводят понятие “сходимость по вероятности”. Различие между указанными видами сходимости состоит в следующем: если стремится при к как пределу в смысле математического анализа, то начиная с некоторого и для всех последующих значений () неуклонно выполняется неравенство < (>0) (см. рис.1), если же стремится по вероятности к при , то для отдельных значений из n неравенство может не выполняться (см. рис.2). Коротко это можно записать так: .
Итак, событие < не является достоверным, но теорема Бернулли (см. ниже п.1.4) утверждает, что оно практически достоверно при достаточно больших n.
5.1.3. Закон больших чисел в форме Чебышева.
Если явление устойчивости средних имеет место в действительности, то в математической модели, с помощью которой мы изучаем случайные явления, должна существовать отражающая этот факт теорема. В условиях этой теоремы введем ограничения на случайные величины :
а) Каждая случайная величина имеет математическое ожидание
M(), .
б) Дисперсии ограничены одним и тем же числом, т.е.
D()<C, .
в) Случайные величины попарно независимы, т.е. любые две и при ij независимы. Тогда, очевидно
D()D()+D()+...+D().
Сформулируем закон больших чисел в форме Чебышева.
Теорема. Если для случайных величин выполняются условия а) в), то для любого >0 имеем при
P 1.
Доказательство. Пусть
, тогда M() ,
D() D()0.
Величина удовлетворяет всем требованиям для применения неравенства Чебышева, а именно, при любом >0
)1,
что и требовалось доказать.
Следствие. Если M() ... M() , то для любого >0 при
P< 1.
Отсюда видно, что среднее арифметическое значение случайных величин случайная величина, при большом числе n сколь угодно мало отличается от постоянной , т.е. утрачивает случайный характер.
Смысл з.б.ч. заключается, грубо говоря, в том, что при осреднении большого числа n случайных слагаемых все менее ощущается характерный для случайной величины неконтролируемый разброс в их значениях, так что в пределе по этот разброс исчезает вовсе или, как принято говорить, случайная величина вырождается в неслучайную. Однако при любом конечном числе слагаемых n случайный разброс у среднего арифметического этих слагаемых остается. Поэтому возникает вопрос исследования (при ) характера этого разброса. Фундаментальный результат в этом направлении (известный как “центральная предельная теорема” ) был впервые сформулирован Лапласом (см. §5.2).
5.1.4. Закон больших чисел в форме Бернулли.
Хотя в основе любого статистического вывода лежит понятие вероятности, мы лишь в немногих случаях можем определить вероятность события непосредственно. Иногда эту вероятность можно установить из соображений симметрии, равной возможности и т.п. (см. тему 2), но универсального метода, который позволял бы для произвольного события указать его вероятность, не существует. Теорема Бернулли дает возможность приближенной оценки вероятности, если для интересующего нас события А можно проводить повторные независимые испытания (см. схема Бернулли и статистическое определение вероятности). Она устанавливает связь между относительной частотой события и его вероятностью. При неограниченном увеличении числа независимых испытаний относительная частота некоторого события А сходится по вероятности к вероятности p Р(А).
Теорема Бернулли. Пусть производится n независимых испытаний, в каждом из которых вероятность p появления события А постоянна, т.е. Р(А) p. Тогда, если число испытаний достаточно велико (), то как угодно близка к единице вероятность того, что отклонение относительной частоты от вероятности p по абсолютной величине будет сколь угодно малым, т.е.
P( p <)1.
Доказательство. Применим теорему Чебышева. Пусть – число появлений события А в i – ом испытании, i 1, 2, . . . , n . Каждая из величин может принять лишь два значения:
1 ( событие А наступило ) с вероятностью p ,
0 ( событие А не наступило ) с вероятностью q 1– p .
Пусть . Сумма равна числу m появлений события А в n испытаниях ( 0 m n ) , а, значит, – относительная частота появления события А в n испытаниях . Математическое ожидание и дисперсия равны соответственно : M() p , D() pq ( см. Математическое ожидание, дисперсия и их свойства ) .
M() p , D() 0 , так как pq – ограничено величиной . Следовательно, выполняются условия теоремы Чебышева, т.е.
P( p )1 при , что и требовалось доказать.