- •В.А. Павский
- •Оглавление
- •Часть 1. Понятие случайного события и его вероятности……..9
- •Часть 2. Случайные величины и функции распределения…….52
- •Часть 3. Предельные теоремы…………………………………………….130
- •Часть 4. Элементы математической статистики………………..141
- •Введение
- •Часть 1. Понятие случайного события и его вероятности
- •Операции над событиями
- •Кроме того, если выполнено условие
- •Следствия из аксиом
- •Из определения сразу следует, что
- •Элементы комбинаторики
- •Пример 5. Сколько существует размещений с повторениями при выборкеkшаров изn?
- •1.3 Вычисление вероятностей событий
- •1.3.1 Классический метод вычисления вероятностей
- •Пример.Поnящикам случайно распределяютсяnшаров. Считая, что ящики и шары различимы, найти вероятности следующих событий:
- •1.3.2 Геометрический метод вычисления вероятностей
- •1.3.3 Статистическое определение вероятности
- •1.3.4 Условная вероятность
- •Произвольны, причем рв.
- •Формула (6) считается определением, ниоткуда не выводится и является отражением здравого смысла. Поясним это на примере геометрического изображения событий (рис. 3).
- •Теорема умножения.ПустьА,в,тогда
- •1.4 Формула полной вероятности и формула Байеса (Bayes) Формула полной вероятности
- •Применяя теорему умножения получим
- •Применяя (9), получим
- •Формула Байеса
- •Вероятности ,, называютапостериорнымивероятностями гипотезВk, поскольку оценка происходит после того, как событиеАпроизошло.
- •1.5 Независимые испытания
- •1.6 Локальная теорема Муавра – Лапласа
- •Интегральная теорема Муавра-Лапласа
- •Функция - табулирована, ее значения приведены в табл. 4 приложения.
- •Сравнивая решение задачи п.1.5. А), б), можно предположить, что, так как – наивероятнейшее число, с большой вероятностью реализуется событие40k60, с центром в точкеk0:
- •1.8 Формула Пуассона
- •Часть 2. Случайные величины и функции распределения
- •Например, к дискретным случайным величинам относятся:
- •Свойства функции распределения.
- •Свойства плотности
- •Примеры основных распределений
- •2.1 Числовые характеристики случайных величин
- •2.1.1 Математическое ожидание, мода, медиана
- •Моменты
- •Свойства дисперсии
- •2.2 Вычисление числовых характеристик стандартных распределений
- •1. Биномиальное распределение.
- •Приложения нормального распределения
- •2.3 Функции от случайных величин
- •2.3.1 Функции от одного случайного аргумента
- •2.3.2 Многомерные случайные величины
- •2.3.3 Условные законы распределения
- •2.3.4 Моменты многомерных случайных величин
- •Свойства коэффициента корреляции
- •2.3.5 Случайные процессы
- •2.3.5.1 Марковские процессы
- •2.3.5.2 Непрерывные цепи Маркова
- •2.3.5.3 Потоки событий
- •2.3.6 Основы теории массового обслуживания
- •Часть 3. Предельные теоремы
- •Вместо (111), часто используют неравенство
- •3.1 Закон больших чисел
- •3.2 Центральные предельные теоремы
- •Часть 4. Элементы математической статистики
- •4.1 Оценка функций распределения
- •Свойства эмпирической функции распределения
- •4.2 Точечные оценки неизвестных параметров законов распределения
- •Итак, пусть имеем выборку (122). Для оценки математического ожидания
- •4.3 Доверительный интервал
- •Окончательно
- •4.4 Проверка статистической однородности
- •Заключение
- •Обозначения
- •Приложение
- •Значения некоторых числовых величин
- •Продолжение таблицы 5
- •Продолжение таблицы 7
- •Библиографический список
Часть 3. Предельные теоремы
Реальности нашей действительности подтверждают принцип, согласно которому определенного вида действия случайных событий, при весьма широких допущениях, приводят к результату, не являющемуся случайным. Благодаря этому принципу, законы теории вероятностей можно получать из закономерностей, присущих массовым случайным явлениям (событиям).
Некоторые законы можно сформулировать в виде предельных теорем, основывающихся на устойчивости среднего результата случайных факторов (например, оценка вероятности, числовых характеристик случайных величин, их распределений и др.).
Мы рассмотрим две группы предельных теорем.
К первой группе относятся теоремы, в которых, при определенным образом организованных условиях, доказывается сходимость случайных величин или функций от них к некоторым постоянным. Эта группа теорем носит название закона больших чисел. Примером может являться теорема Бернулли.
К другой группе предельных теорем относятся теоремы, использующие предельные свойства сумм случайных величин, где пределом последовательности частичных сумм являются не постоянные, а неслучайные функции (например, нормальное распределение или распределение Пуассона). В частности, в центральных предельных теоремах формулируются условия, при которых последовательности частичных сумм случайных величин сходятся к нормальному распределению
Замечание. Предельные теоремы и приближенные формулы (например, формула Пуассона) справедливы тогда, когда общее число испытаний заранее фиксировано. Если допустить, что, например, при подбрасывании монеты, игрок может закончить игру в выгодный для себя момент, то в целом результат игры не может быть оценен нормальным распределением, поскольку считается, что за достаточно длительное время произойдет любое, пусть и маловероятное, но мыслимое событие, то есть при n вероятность любому событию произойти близка к единице.
Докажем некоторые неравенства, которые, может быть, малопригодны на практике, в силу своей общности, но очень важны и эффективны в теоретических исследованиях.
Теорема. Для любой случайной величины , с заданной функцией распределения F(x), имеет место неравенство
0, (110)
Доказательство. Пусть - плотность случайной величины, тогда имеем цепочку неравенств
.▼
Следствие 1. Пусть случайная величина положительно определена, тогда
Следствие 2. (Неравенство Чебышева). Если дисперсия случайной величины существует, то
или
. (111)
Вместо (111), часто используют неравенство
(112)
Пример. Оценить вероятность того, что произвольная случайная величина, с конечной дисперсией, отклонится от своего математического ожидания более чем на 3.
Решение. Из формулы (111), имеем
.
Для сравнения, если случайная величина распределена нормально, то
а если имеет распределение Пуассона, то
.
Полученная оценка для распределения Пуассона
, ,
отражает факт универсальности его применения, в том смысле, что распределение устойчиво к некоторым ослаблениям условий необходимых при его выводе.