Студопедия.Орг Главная | Случайная страница | Контакты | Мы поможем в написании вашей работы!  
 

Предельная теорема



В начале курса мы уже говорили о том, что математические законы теории вероятностей получены абстрагированием реальных статистических закономерностей, свойственных массовым случайным явлениям. Наличие этих закономерностей связано именно с массовостью явлений, то есть с большим числом выполняемых однородных опытов или с большим числом складывающихся случайных воздействий, порождающих в своей совокупности случайную величину, подчиненную вполне определенному закону. Свойство устойчивости массовых случайных явлений известно человечеству еще с глубокой древности. В какой бы области оно ни проявлялось, суть его сводится к следующему: конкретные особенности каждого отдельного случайного явления почти не сказываются на среднем результате массы таких явлений; случайные отклонения от среднего, неизбежные в каждом отдельном явлении, в массе взаимно погашаются, нивелируются, выравниваются. Именно эта устойчивость средних и представляет собой физическое содержание «закона больших чисел», понимаемого в широком смысле слова: при очень большом числе случайных явлений средний их результат практически перестает быть случайным и может быть предсказан с большой степенью определенности.

В узком смысле слова под «законом больших чисел» в теории вероятностей понимается ряд математических теорем, в каждой из которых для тех или иных условий устанавливается факт приближения средних характеристик большого числа опытов к некоторым определенным постоянным. С общими формами закона больших чисел мы познакомимся в данной главе. Все они устанавливают факт и условия сходимости по вероятности тех или иных случайных величин к постоянным, не случайным величинам.

Закон больших чисел играет важную роль в практических применениях теории вероятностей. Свойство случайных величин при определенных условиях вести себя практически как не случайные позволяет уверенно оперировать с этими величинами, предсказывать результаты массовых случайных явлений почти с полной определенностью.

Возможности таких предсказаний в области массовых случайных явлений еще больше расширяются наличием другой группы предельных теорем, касающихся уже не предельных значений случайных величин, а предельных законовраспределения. Речь идет о группе теорем, известных под названием «центральной предельной теоремы». Мы уже говорили о том, что при суммировании достаточно большого числа случайных величин закон распределения суммы неограниченно приближается к нормальному при соблюдении некоторых условий. Эти условия, которые математически можно формулировать различным образом - в более или менее общем виде, - по существу сводятся к требованию, чтобы влияние на сумму отдельных слагаемых было равномерно малым, т. е. чтобы в состав суммы не входили члены, явно преобладающие над совокупностью остальных по своему влия­нию на рассеивание суммы. Различные формы центральной предельной теоремы различаются между собой теми условиями, для которых устанавливается это предельное свойство суммы случайных величин.

Различные формы закона больших чисел вместе с различными формами центральной предельной теоремы образуют совокупность так называемых предельных теорем теории вероятностей. Предельные теоремы дают возможность не только осуществлять научные прогнозы в области случайных явлений, но и оценивать точность этих прогнозов.

В данной лекции мы рассмотрим только некоторые, наиболее простые формы предельных теорем. Сначала будут рассмотрены теоремы, относящиеся к группе «закона больших чисел», затем—теоремы, относящиеся к группе «центральной предельной теоремы».

6.2. Неравенство Чебышева.

В качестве леммы, необходимой для доказательства теорем, относящихся к группе «закона больших чисел», мы докажем одно весьма общее неравенство, известное под названием

неравенство Чебышева.

Пусть имеется случайная величина X с математическим ожиданием mx и дисперсией Dx. Неравенство Чебышева утверждает, что, каково бы ни было положительное число , вероятность того, что величина X отклонится от своего математического ожидания не меньше чем на , ограничена сверху величиной Dx / 2: Dx / 2. (6.1)

Доказательство.

1. Пусть величина дискретная с рядом распределения

Изобразим возможные значения величины X и ее математическое ожидание mx в виде точек на числовой оси 0X.

mx

0............. x

x1 x2 x3 A B x n-1 x0

Зададимся некоторым значением > 0 и вычислим вероятность того, что величина Х отклонится от своего математического ожидания не меньше чем на :

(6.2)

Для этого отложим от точки вправо и влево по отрезку длиной ; получим отрезок . Вероятность (6.2) есть не что иное, как вероятность того, что случайная точка попадет не внутрь отрезка , а вовне его:

.

Концы отрезка АВ мы в него не включаем.

Для того чтобы найти эту вероятность, нужно просуммировать вероятности всех тех значений , которые лежат вне отрезка АВ. Это мы запишем следующим образом:

, (6.3)

где запись под знаком суммы означает, что суммирование распространяется на все те значения , для которых точки лежат вне отрезка .

С другой стороны, напишем выражение дисперсии величины . По определению:

(6.4)

Так как все члены суммы (6.3) неотрицательны, она может только уменьшиться, если мы распространим ее не на все значения , а только на некоторые, в частности на те, которые лежат вне отрезка :

(6.5)

Заменим под знаком суммы выражение через . Так как для всех членов суммы , то от такой замены сумма тоже может только уменьшиться; значит.

(6.6)

Но, согласно формуле (6.3) сумма, стоящая в правой части (6.6), есть не что иное, как вероятность попадания случайной точки вовне отрезка ; следовательно,

,

откуда непосредственно вытекает доказываемое неравенство.

2. В случае, когда величина непрерывна, доказательство проводится аналогичным образом с заменой вероятностей элементом вероятности, а конечных сумм — интегралами. Действительно,

где —плотность распределения величины .

Знак заменен знаком >, так как для непрерывной величины вероятность точного равенства равна нулю.

Далее, имеем:

где знак под интегралом означает, что интегрирование распространяется на внешнюю часть отрезка .

Заменяя под знаком интеграла через получим:

откуда и вытекает неравенство Чебышева для непрерывных величин.

Пример. Дана случайная величина с математическим ожиданием и дисперсией . Оценить сверху вероятность того, что величина отклонится от своего математического ожидания не меньше чем на 3 .

Решение. Полагая в неравенстве Чебышева ,

имеем:

т. е. вероятность того, что отклонение случайной величины от ее математического ожидания выйдет за пределы трех средних квадратических отклонений, не может быть больше 1/ 9.

Примечание. Неравенство Чебышева дает только верхнюю границу вероятности данного отклонения. Выше этой границы вероятность не может быть ни при каком законе распределения. На практике в большинстве случаев вероятность того, что величина выйдет за пределы участка , значительно меньше 1/9. Например, для нормального закона эта вероятность приблизительно равна 0,003. На практике чаще всего мы имеем дело со случайными величинами, значения которых только крайне редко выходят за пределы . Если закон распределения случайной величины неиз­вестен, а известны только и . на практике обычно считают отрезок участком практически возможных значений случайной величины (так называемое вправило трех сигмам).





Дата публикования: 2014-11-26; Прочитано: 401 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!



studopedia.org - Студопедия.Орг - 2014-2024 год. Студопедия не является автором материалов, которые размещены. Но предоставляет возможность бесплатного использования (0.011 с)...