Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
Лекция 8. Раздел 1. Теория вероятностей
Рассматриваемые вопросы
1) Закон больших чисел.
2) Центральная предельная теорема.
Закон больших чисел.
Под законом больших чисел в широком смысле понимается общий принцип, согласно которому при большом числе случайных величин их средний результат перестает быть случайным и может быть предсказан с большой степенью определенности.
Под законом больших чисел в узком смысле понимается ряд математических теорем, в каждой из которых при тех или иных условиях устанавливается возможность приближения средних характеристик большого числа испытаний
к некоторым определенным постоянным. При доказательстве теорем такого рода используются неравенства Маркова и Чебышева, представляющие также самостоятельный интерес.
Теорема 1(неравенство Маркова). Если случайная величина принимает неотрицательные значения и имеет математическое ожидание, то для любого положительного числа справедливо неравенство
Доказательство проведем для дискретной случайной величины. Будем считать, что она принимает значений из которых первые меньше или равны а все остальные- больше Тогда
откуда
Пример 1. Среднее количество вызовов, поступающих на коммутатор завода в течение часа, равно 300. Оценить вероятность того, что в течении следующего часа число вызовов на коммутатор:
1) превысит 400;
2) будет не более 500.
Решение. 1) Пусть случайная величина есть число звонков, поступающих на коммутатор в течение часа. Среднее значение-это . Значит Нам надо оценить . Согласно неравенству Маркова
2) Таким образом, вероятность того, что число вызовов будет не более 500, не менее 0,4.
Пример 2. Сумма всех вкладов в отделение банка составляет 2 млн. рублей, а вероятность того, что случайно взятый вклад не превышает 10 тыс. рублей, равна 0,6. Что можно сказать о числе вкладчиков?
Решение. Пусть случайно взятая величина есть размер случайно взятого вклада, а число всех вкладов. Тогда (тыс.). Согласно неравенству Маркова откуда
Пример 3. Пусть -время опоздания студента на лекцию, причем известно, что в среднем он опаздывает на 1 минуту. Оцените вероятность того, что студент опоздает не менее чем на 5 минут.
Решение. По условию Применяя неравенство Маркова, получаем, что
Таким образом, из каждых 5 студентов опоздает по крайней мере на 5 минут не более, чем 1 студент.
Теорема 2 (Неравенство Чебышева). .
Доказательство. Пусть случайная величина Х задается рядом распределения
… | ||||
р1 | р2 | … | рп |
Согласно определению дисперсии Исключим из этой суммы те слагаемые, для которых . При этом, т.к. все слагаемые, неотрицательны, сумма может только уменьшится. Для определенности будем считать, что отброшены первые k слагаемых. Тогда
Следовательно, .
Неравенство Чебышева позволяет оценивать сверху вероятность отклонения случайной величины от ее математического ожидания на основе информации лишь о ее дисперсии. Оно широко используется, например, в теории оценивания.
Пример 4. Монета подбрасывается 10 000 раз. Оценить вероятность того, что частота выпадения герба отличается от на 0,01 или более.
Решение. Введем независимые случайные величины , где – случайная величина с рядом распределения
Тогда так как распределена по биномиальному закону с Частота появления герба есть случайная величина где . Поэтому дисперсия частоты появления герба есть Согласно неравенству Чебышева, .
Таким образом, в среднем не более чем в четверти случаев при 10 000 подбрасываниях монеты частота выпадения герба будет отличаться от на одну сотую или больше.
Теорема 3 (Чебышева). Если – независимые случайные величины, дисперсии которых равномерно ограничены (), то
.
Доказательство. Так как
,
то применяя неравенство Чебышева, получаем
откуда
.
Поскольку вероятность события не может быть больше 1, получаем требуемое.
Следствие 1. Если – независимые случайные величины с равномерно ограниченными дисперсиями и одним и тем же математическим ожиданием, равным а, то
. (1)
Равенство (1) говорит о том, что случайные отклонения отдельных независимых случайных величин от их общего среднего значения при большом в своей массе взаимно погашаются. Поэтому, хотя сами величины случайны, их среднее при большом практически уже не случайно и близко к . Это означает, что если заранее неизвестно, то его можно вычислить с помощью среднего арифметического . Это свойство последовательностей независимых случайных величин называется законом статистической устойчивости. Закон статистической устойчивости обосновывает возможность применения анализа статистик при принятии конкретных управленческих решений.
Теорема 4 (Бернулли). Если в каждом из п независимых опытов вероятность р появления события А постоянна, то
,
где – число появлений события А при этих п испытаниях.
Доказательство. Введем независимые случайные величины , где Х i – случайная величина с рядом распределения
Х i | ||
р i | q=1–p | p |
Тогда М(Х i)=р, D(Х i)=рq. Так как , то D(Х i) ограничены в совокупности. Из теоремы Чебышева следует, что
.
Но Х1+Х2+…+Х п есть число появлений события А в серии из п испытаний.
Смысл теоремы Бернулли заключается в том, что при неограниченном увеличении числа одинаковых независимых опытов с практической достоверностью можно утверждать, что частота появления события будет сколь угодно мало отличаться от вероятности его появления в отдельном опыте (статистическая устойчивость вероятности события). Поэтому теорема Бернулли служит переходным мостиком от теории приложений к ее применениям.
Дата публикования: 2015-09-17; Прочитано: 2627 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!