- •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
3.1 Закон больших чисел
Теорема (Чебышева). Для последовательности независимых случайных величин , с дисперсиями ограниченными в совокупности (то есть С ), имеет место асимптотическая оценка*
, ,. (113)
Доказательство. Положим , тогда. Для каждого фиксированногоn, в силу (112), имеем
. (114)
Из свойств дисперсии следует, что
.
Усилив (114), получим
Переходя к пределу при n , и, учитывая, что вероятность больше единицы не бывает, получаем требуемое. ▼
Замечание. Теорема Чебышева справедлива и для случайных величин, у которых функции распределения, вообще говоря, различны.
Из теоремы Чебышева можно получить важные частные случаи.
Теорема. (Хинчина). Дана последовательность независимых случайных величин ,… с одним и тем же распределением и ограниченной дисперсией, тогда
,
где
.
Пример. Дана последовательность независимых случайных величин ,…, заданных на вероятностном пространстве (,ℱ,Р) с функцией распределения Коши:
, i N .
Можно ли применить к этой последовательности теорему Хинчина?
Решение. По условию теоремы Хинчина, дисперсии случайных величин ограничены. Проверим это условие. Найдем сначала математическое ожидание. Имеем
.
Так как математическое ожидание не существует, то не существует и дисперсия, следовательно, теорема Хинчина для этой последовательности неприменима по двум ее условиям.
Замечание. Для теоремы Хинчина, вообще говоря, кроме независимости случайных величин достаточно существование конечного математического ожидания [5].
Из теоремы Хинчина следует, что, если при многочисленных измерениях некоторой величины, допускаются случайные ошибки, то их среднее арифметическое дает измерение, наиболее близкое к истинному.
Теорема (Бернулли). Пусть - число появлений событияА в n независимых испытаниях, а р– вероятность появления события А в каждом испытании, тогда
0, .
Доказательство. Рассмотрим независимые случайные величины , где
тогда
Ограниченность дисперсии следует из того, что, взяв производную от выражения
получаем, что максимальное значение р = 1/2,
тогда
Все условия теоремы Чебышева выполнены. Учитывая, что получаем
0, при.▼
Теорема Бернулли утверждает, что чем больше мы будем проводить независимых испытаний, тем точнее будет оценка вероятности события А в среднем.
Теорема (Пуассона). Если для последовательности независимых испытаний вероятность появления события А в испытании к равна ,к N , то
, .
Доказательство. Достаточно заметить, что
,
то есть дисперсии ограничены в совокупности. Все остальные условия теоремы Чебышева, очевидно, выполняются. ▼
Из теоремы Пуассона следует, что, если при проведении независимых испытаний, вероятность появления события А меняется незначительно за счет случайных причин, то при достаточном числе испытаний мы получим значение близкое к истинному значению вероятности события А.
Для произвольной последовательности случайных величин закон больших чисел может быть сформулирован следующим образом.
Теорема (Маркова). Дана последовательность произвольных случайных величин ,… и для каждого фиксированногоn
, (115)
тогда
, .
Условие (115) означает, что для любого конечного n, среди случайных величин нет таких, которые существенно влияли бы на их сумму.
Закон больших чисел фактически обосновывает статистическую вероятность [4], устойчивую к ослаблениям условий ее получения, если число испытаний достаточно велико.