3.3.2. Числовые характеристики случайного вектора

Определение. Точка с координатами называется математическим ожиданием случайного вектора или центром рассеивания.

Определение. Ковариацией двух случайных величин называется математическое ожидание произведения их отклонений от соответствующих математических ожиданий: .

Для ковариации верны соотношения:

1. ;

2. .

Если случайные величины независимы, то их ковариация равна нулю: . Если , то случайные величины зависимы.

Определение. Коэффициентом корреляции случайных величин называется отношение их ковариации к произведению средних квадратических отклонений этих величин: . (Коэффициент корреляции есть нормированная ковариация).

Определение. Случайные величины , для которых , называются некоррелированными.

Коэффициент корреляции определяет степень линейной зависимости между и .

Свойства коэффициента корреляции:

1) ;

2) если величины независимы, то ;

3) если , то .

Таким образом, из независимости случайных величин вытекает их некоррелируемость, обратное неверно.

Определение. Условным математическим ожиданием случайной величины при условии, что приняла одно из своих возможных значений, называется действительное число, обозначаемое и определяемое формулами:

- для дискретных величин;

- для непрерывных величин.

Определение. Для двух случайных величин регрессией на называется условное математическое ожидание случайной величины , выраженное как функция от : . График этой функции называется кривой регрессии.

Функция регрессии может использоваться для предсказания значения случайной величины по фиксированному значению случайной величины .

Если , то говорят о линейной регрессии на , графиком линейной регрессии является прямая.

3.3.3. Предельные теоремы теории вероятностей

В теории вероятностей доказаны две группы предельных теорем. Одна из них носит название «закон больших чисел», другая – «центральная предельная теорема».

Физическое содержание закона больших чисел, понимаемого в широком смысле слова, заключается в том, что при очень большом числе случайных явлений средний их результат практически перестает быть случайным и может быть предсказан с большой степенью точности. В узком смысле слова, это группа математических теорем, в каждой из которых, для тех или иных условий, устанавливается факт приближения средних характеристик большого числа опытов к некоторым определенным постоянным.

Теорема 7 (Неравенство Чебышева, используемое для доказательства «закона больших чисел»). Вероятность того, что отклонение случайной величины от ее математического ожидания по абсолютной величине меньше положительного числа , не меньше, чем , то есть

.

Подчеркнем, что эта оценка справедлива для любого закона распределения случайной величины.

Теорема 8 (Теорема Чебышева, одна из форм «закона больших чисел»). Если случайные величины попарно независимы, имеют конечные математические ожидания и дисперсии этих величин равномерно ограничены (не превышают постоянного числа ), то среднее арифметическое случайных величин сходится по вероятности к среднему арифметическому их математических ожиданий, т.е. для любого числа выполняется неравенство , откуда

.

Замечание. Если в условиях теоремы 8, все случайные величины имеют одно и то же математическое ожидание : , то .

Пусть рассматривается последовательность независимых испытаний, в каждом из которых с некоторой постоянной вероятностью наступает событие (схема Бернулли).

Теорема 9. (Теорема Бернулли, одна из форм «закона больших чисел»). Если - число наступлений события в независимых испытаниях и - вероятность наступления события в каждом из испытаний, то при любом : .

«Центральная предельная теорема» это группа математических теорем, устанавливающих тот факт, что при суммировании достаточно большого числа случайных величин, закон распределения суммы неограниченно приближается к нормальному закону распределения. Условия этих теорем по существу сводятся к требованию, чтобы вклад в дисперсию всей суммы от отдельных слагаемых был равномерно малым, то есть, чтобы в состав суммы не входили члены, дисперсия которых сравнима с дисперсией всей суммы.

Теорема 10. (Теорема Ляпунова, одна из форм «центральной предельной теоремы»).

Если - независимые случайные величины, имеющие одно и то же распределение с математическим ожиданием и дисперсией , то для любого действительного , функция распределения стандартизированного среднего арифметического случайных величин сходится к функции Лапласа:

, где .

Иначе, можно сказать, что, при неограниченном возрастании закон распределения суммы неограниченно приближается к нормальному закону распределения.

Как следствия «центральной предельной теоремы», на практике широко используются, так называемые локальная и интегральная теоремы Лапласа.

Теорема 11 (Локальная теорема Лапласа). Если вероятность наступления события в каждом из независимых испытаний равна одной и той же постоянной ( ), то вероятность того, что во всех этих испытаниях событие наступит ровно раз, приближенно выражается формулой: , а .

Подставляя, получаем: .

Теорема 12 (Интегральная теорема Лапласа). Если вероятность наступления события в каждом из независимых испытаний равна одной и той же постоянной ( ), то вероятность того, что во всех этих испытаниях событие наступит не менее раз и не более раз, приближенно выражается формулой

;

, , где - функция Лапласа.

Пример. Вероятность поражения мишени стрелком при одном выстреле равна 0,75. Найти вероятность того, что при 100 выстрелах мишень будет поражена не менее 70 и не более 80 раз.

Решение. Условие задачи вписывается в схему Бернулли, имеем , поэтому . Воспользуемся теоремой 12, предварительно вычислив по формулам: , .

.

В заключение этого раздела отметим, что «закон больших чисел» и «центральная предельная теорема» лежат в основе математической статистики, поскольку позволяют высказывать статистические прогнозы и оценивать точность этих прогнозов.