[ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема Чебышева - теорема.
Download ReportTranscript [ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема Чебышева - теорема.
Slide 1
[ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема
Чебышева - теорема Бернулли - центральная предельная теорема Ляпунова ]
Массовые явления и закон больших чисел
Закон больших чисел в теории вероятностей утверждает, что
эмпирическое среднее (среднее арифметическое) достаточно
большой конечной выборки из фиксированного распределения
близко к теоретическому среднему – математическому
ожиданию этого распределения.
Общий смысл закона больших чисел — совместное действие
большого числа одинаковых и независимых случайных факторов
приводит к результату, в пределе не зависящему от случая.
В теории вероятностей большое значение имеет установление
закономерностей, происходящих с вероятностями близкими единице. Особую
роль играют закономерности, возникающие в результате наложения большого
числа независимых или слабо зависимых случайных факторов.
Массовые явления и закон больших чисел
Рассмотрим случайные величины xn , являющиеся некоторыми
заданными симметрическими функциями от первых n величин
последовательности zn = fn (1, 2, … , n ) . Если существует
последовательность a1, an, … ,an, .. , такая что при любом e > 0
lim P {| n an | ε } 1
n
то последовательность подчиняется закону больших чисел с заданными
функциями fn .
Часто эта функция – среднее арифметическое
ai M i
.
Слабый закон больших чисел.
1
n
n
i
i 1
величин i ,
Закон больших чисел в форме Чебышева
Для любой случайной величины , имеющей конечную дисперсию,
при каждом e > 0 имеет место неравенство
P{| ξ M ξ | ε}
Неравенство Чебышева.
Доказательство
P{| ξ M ξ ) ε}
f(x)
ε
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
M
M-e
|x M ξ |
dF ξ (x)
M+e
x
1
ε
ε
2
1
2
(x M ξ ) dF ξ (x)
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
2
Dξ
1
ε
2
2
(x M ξ ) dF ξ (x)
Dξ
ε
2
Пример
@
Для случайной величины, распределенной по нормальному закону,
найти оценку того, что случайная величина не попадет в
интервал ( m - 3s ; m + 3s )
Решение
f(x)
P(| m | 3s)
D
e
2
s2
( 3s)
2
1
9
Это самая верхняя граница для оценки
Точное решение
m 3s
P(| m | 3s) 1
m
m-3s
m+3s
x
1
2
s
e
m s
3
s
t2
2
dt 1 2( 3 ) 0.0027
Теорема Чебышева
Если 1, 2, … , n – последовательность попарно независимых с.в., имеющих
конечные дисперсии, ограниченные одной и той же постоянной D1 < C, D2 < C ,....,
то каково бы не было постоянное e > 0 , справедливо следующее:
lim P
n
Доказательство
n
k
k 1
n
n
,
M
M k
k 1
P{| M | e } > 1
k 1
n
k
n
k 1
M k
n
e 1
На основании неравенства Чебышева
n
n
D
e
P{| M | e } > 1
n
2
C
Ho
2
ne
D
D k
k 1
n
2
C
n
Перейдем к пределу и получим доказательство
Центральная предельная теорема Ляпунова
Центральная предельная теорема Ляпунова относится к законам
распределения случайных величин и устанавливает условия, при которых
возникает нормальный закон распределения.
Пусть 1, 2, .... - независимые и одинаково распределенные случайные
величины с конечной и ненулевой дисперсией 0 D 1 .
Тогда имеет место слабая сходимость:
1 2 ... n nM 1
nD 1
N ( 0 ,1)
последовательности «центрированных и нормированных» сумм
случайных величин к стандартному нормальному распределению.
Если X представляет собой сумму очень большого числа взаимно
независимых случайных величин X1, X2, …., Xn , влияние каждой из
которых на всю сумму ничтожно мало, то величина X имеет
распределение вероятности, близкое нормальному.
Slide 2
[ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема
Чебышева - теорема Бернулли - центральная предельная теорема Ляпунова ]
Массовые явления и закон больших чисел
Закон больших чисел в теории вероятностей утверждает, что
эмпирическое среднее (среднее арифметическое) достаточно
большой конечной выборки из фиксированного распределения
близко к теоретическому среднему – математическому
ожиданию этого распределения.
Общий смысл закона больших чисел — совместное действие
большого числа одинаковых и независимых случайных факторов
приводит к результату, в пределе не зависящему от случая.
В теории вероятностей большое значение имеет установление
закономерностей, происходящих с вероятностями близкими единице. Особую
роль играют закономерности, возникающие в результате наложения большого
числа независимых или слабо зависимых случайных факторов.
Массовые явления и закон больших чисел
Рассмотрим случайные величины xn , являющиеся некоторыми
заданными симметрическими функциями от первых n величин
последовательности zn = fn (1, 2, … , n ) . Если существует
последовательность a1, an, … ,an, .. , такая что при любом e > 0
lim P {| n an | ε } 1
n
то последовательность подчиняется закону больших чисел с заданными
функциями fn .
Часто эта функция – среднее арифметическое
ai M i
.
Слабый закон больших чисел.
1
n
n
i
i 1
величин i ,
Закон больших чисел в форме Чебышева
Для любой случайной величины , имеющей конечную дисперсию,
при каждом e > 0 имеет место неравенство
P{| ξ M ξ | ε}
Неравенство Чебышева.
Доказательство
P{| ξ M ξ ) ε}
f(x)
ε
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
M
M-e
|x M ξ |
dF ξ (x)
M+e
x
1
ε
ε
2
1
2
(x M ξ ) dF ξ (x)
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
2
Dξ
1
ε
2
2
(x M ξ ) dF ξ (x)
Dξ
ε
2
Пример
@
Для случайной величины, распределенной по нормальному закону,
найти оценку того, что случайная величина не попадет в
интервал ( m - 3s ; m + 3s )
Решение
f(x)
P(| m | 3s)
D
e
2
s2
( 3s)
2
1
9
Это самая верхняя граница для оценки
Точное решение
m 3s
P(| m | 3s) 1
m
m-3s
m+3s
x
1
2
s
e
m s
3
s
t2
2
dt 1 2( 3 ) 0.0027
Теорема Чебышева
Если 1, 2, … , n – последовательность попарно независимых с.в., имеющих
конечные дисперсии, ограниченные одной и той же постоянной D1 < C, D2 < C ,....,
то каково бы не было постоянное e > 0 , справедливо следующее:
lim P
n
Доказательство
n
k
k 1
n
n
,
M
M k
k 1
P{| M | e } > 1
k 1
n
k
n
k 1
M k
n
e 1
На основании неравенства Чебышева
n
n
D
e
P{| M | e } > 1
n
2
C
Ho
2
ne
D
D k
k 1
n
2
C
n
Перейдем к пределу и получим доказательство
Центральная предельная теорема Ляпунова
Центральная предельная теорема Ляпунова относится к законам
распределения случайных величин и устанавливает условия, при которых
возникает нормальный закон распределения.
Пусть 1, 2, .... - независимые и одинаково распределенные случайные
величины с конечной и ненулевой дисперсией 0 D 1 .
Тогда имеет место слабая сходимость:
1 2 ... n nM 1
nD 1
N ( 0 ,1)
последовательности «центрированных и нормированных» сумм
случайных величин к стандартному нормальному распределению.
Если X представляет собой сумму очень большого числа взаимно
независимых случайных величин X1, X2, …., Xn , влияние каждой из
которых на всю сумму ничтожно мало, то величина X имеет
распределение вероятности, близкое нормальному.
Slide 3
[ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема
Чебышева - теорема Бернулли - центральная предельная теорема Ляпунова ]
Массовые явления и закон больших чисел
Закон больших чисел в теории вероятностей утверждает, что
эмпирическое среднее (среднее арифметическое) достаточно
большой конечной выборки из фиксированного распределения
близко к теоретическому среднему – математическому
ожиданию этого распределения.
Общий смысл закона больших чисел — совместное действие
большого числа одинаковых и независимых случайных факторов
приводит к результату, в пределе не зависящему от случая.
В теории вероятностей большое значение имеет установление
закономерностей, происходящих с вероятностями близкими единице. Особую
роль играют закономерности, возникающие в результате наложения большого
числа независимых или слабо зависимых случайных факторов.
Массовые явления и закон больших чисел
Рассмотрим случайные величины xn , являющиеся некоторыми
заданными симметрическими функциями от первых n величин
последовательности zn = fn (1, 2, … , n ) . Если существует
последовательность a1, an, … ,an, .. , такая что при любом e > 0
lim P {| n an | ε } 1
n
то последовательность подчиняется закону больших чисел с заданными
функциями fn .
Часто эта функция – среднее арифметическое
ai M i
.
Слабый закон больших чисел.
1
n
n
i
i 1
величин i ,
Закон больших чисел в форме Чебышева
Для любой случайной величины , имеющей конечную дисперсию,
при каждом e > 0 имеет место неравенство
P{| ξ M ξ | ε}
Неравенство Чебышева.
Доказательство
P{| ξ M ξ ) ε}
f(x)
ε
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
M
M-e
|x M ξ |
dF ξ (x)
M+e
x
1
ε
ε
2
1
2
(x M ξ ) dF ξ (x)
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
2
Dξ
1
ε
2
2
(x M ξ ) dF ξ (x)
Dξ
ε
2
Пример
@
Для случайной величины, распределенной по нормальному закону,
найти оценку того, что случайная величина не попадет в
интервал ( m - 3s ; m + 3s )
Решение
f(x)
P(| m | 3s)
D
e
2
s2
( 3s)
2
1
9
Это самая верхняя граница для оценки
Точное решение
m 3s
P(| m | 3s) 1
m
m-3s
m+3s
x
1
2
s
e
m s
3
s
t2
2
dt 1 2( 3 ) 0.0027
Теорема Чебышева
Если 1, 2, … , n – последовательность попарно независимых с.в., имеющих
конечные дисперсии, ограниченные одной и той же постоянной D1 < C, D2 < C ,....,
то каково бы не было постоянное e > 0 , справедливо следующее:
lim P
n
Доказательство
n
k
k 1
n
n
,
M
M k
k 1
P{| M | e } > 1
k 1
n
k
n
k 1
M k
n
e 1
На основании неравенства Чебышева
n
n
D
e
P{| M | e } > 1
n
2
C
Ho
2
ne
D
D k
k 1
n
2
C
n
Перейдем к пределу и получим доказательство
Центральная предельная теорема Ляпунова
Центральная предельная теорема Ляпунова относится к законам
распределения случайных величин и устанавливает условия, при которых
возникает нормальный закон распределения.
Пусть 1, 2, .... - независимые и одинаково распределенные случайные
величины с конечной и ненулевой дисперсией 0 D 1 .
Тогда имеет место слабая сходимость:
1 2 ... n nM 1
nD 1
N ( 0 ,1)
последовательности «центрированных и нормированных» сумм
случайных величин к стандартному нормальному распределению.
Если X представляет собой сумму очень большого числа взаимно
независимых случайных величин X1, X2, …., Xn , влияние каждой из
которых на всю сумму ничтожно мало, то величина X имеет
распределение вероятности, близкое нормальному.
Slide 4
[ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема
Чебышева - теорема Бернулли - центральная предельная теорема Ляпунова ]
Массовые явления и закон больших чисел
Закон больших чисел в теории вероятностей утверждает, что
эмпирическое среднее (среднее арифметическое) достаточно
большой конечной выборки из фиксированного распределения
близко к теоретическому среднему – математическому
ожиданию этого распределения.
Общий смысл закона больших чисел — совместное действие
большого числа одинаковых и независимых случайных факторов
приводит к результату, в пределе не зависящему от случая.
В теории вероятностей большое значение имеет установление
закономерностей, происходящих с вероятностями близкими единице. Особую
роль играют закономерности, возникающие в результате наложения большого
числа независимых или слабо зависимых случайных факторов.
Массовые явления и закон больших чисел
Рассмотрим случайные величины xn , являющиеся некоторыми
заданными симметрическими функциями от первых n величин
последовательности zn = fn (1, 2, … , n ) . Если существует
последовательность a1, an, … ,an, .. , такая что при любом e > 0
lim P {| n an | ε } 1
n
то последовательность подчиняется закону больших чисел с заданными
функциями fn .
Часто эта функция – среднее арифметическое
ai M i
.
Слабый закон больших чисел.
1
n
n
i
i 1
величин i ,
Закон больших чисел в форме Чебышева
Для любой случайной величины , имеющей конечную дисперсию,
при каждом e > 0 имеет место неравенство
P{| ξ M ξ | ε}
Неравенство Чебышева.
Доказательство
P{| ξ M ξ ) ε}
f(x)
ε
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
M
M-e
|x M ξ |
dF ξ (x)
M+e
x
1
ε
ε
2
1
2
(x M ξ ) dF ξ (x)
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
2
Dξ
1
ε
2
2
(x M ξ ) dF ξ (x)
Dξ
ε
2
Пример
@
Для случайной величины, распределенной по нормальному закону,
найти оценку того, что случайная величина не попадет в
интервал ( m - 3s ; m + 3s )
Решение
f(x)
P(| m | 3s)
D
e
2
s2
( 3s)
2
1
9
Это самая верхняя граница для оценки
Точное решение
m 3s
P(| m | 3s) 1
m
m-3s
m+3s
x
1
2
s
e
m s
3
s
t2
2
dt 1 2( 3 ) 0.0027
Теорема Чебышева
Если 1, 2, … , n – последовательность попарно независимых с.в., имеющих
конечные дисперсии, ограниченные одной и той же постоянной D1 < C, D2 < C ,....,
то каково бы не было постоянное e > 0 , справедливо следующее:
lim P
n
Доказательство
n
k
k 1
n
n
,
M
M k
k 1
P{| M | e } > 1
k 1
n
k
n
k 1
M k
n
e 1
На основании неравенства Чебышева
n
n
D
e
P{| M | e } > 1
n
2
C
Ho
2
ne
D
D k
k 1
n
2
C
n
Перейдем к пределу и получим доказательство
Центральная предельная теорема Ляпунова
Центральная предельная теорема Ляпунова относится к законам
распределения случайных величин и устанавливает условия, при которых
возникает нормальный закон распределения.
Пусть 1, 2, .... - независимые и одинаково распределенные случайные
величины с конечной и ненулевой дисперсией 0 D 1 .
Тогда имеет место слабая сходимость:
1 2 ... n nM 1
nD 1
N ( 0 ,1)
последовательности «центрированных и нормированных» сумм
случайных величин к стандартному нормальному распределению.
Если X представляет собой сумму очень большого числа взаимно
независимых случайных величин X1, X2, …., Xn , влияние каждой из
которых на всю сумму ничтожно мало, то величина X имеет
распределение вероятности, близкое нормальному.
Slide 5
[ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема
Чебышева - теорема Бернулли - центральная предельная теорема Ляпунова ]
Массовые явления и закон больших чисел
Закон больших чисел в теории вероятностей утверждает, что
эмпирическое среднее (среднее арифметическое) достаточно
большой конечной выборки из фиксированного распределения
близко к теоретическому среднему – математическому
ожиданию этого распределения.
Общий смысл закона больших чисел — совместное действие
большого числа одинаковых и независимых случайных факторов
приводит к результату, в пределе не зависящему от случая.
В теории вероятностей большое значение имеет установление
закономерностей, происходящих с вероятностями близкими единице. Особую
роль играют закономерности, возникающие в результате наложения большого
числа независимых или слабо зависимых случайных факторов.
Массовые явления и закон больших чисел
Рассмотрим случайные величины xn , являющиеся некоторыми
заданными симметрическими функциями от первых n величин
последовательности zn = fn (1, 2, … , n ) . Если существует
последовательность a1, an, … ,an, .. , такая что при любом e > 0
lim P {| n an | ε } 1
n
то последовательность подчиняется закону больших чисел с заданными
функциями fn .
Часто эта функция – среднее арифметическое
ai M i
.
Слабый закон больших чисел.
1
n
n
i
i 1
величин i ,
Закон больших чисел в форме Чебышева
Для любой случайной величины , имеющей конечную дисперсию,
при каждом e > 0 имеет место неравенство
P{| ξ M ξ | ε}
Неравенство Чебышева.
Доказательство
P{| ξ M ξ ) ε}
f(x)
ε
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
M
M-e
|x M ξ |
dF ξ (x)
M+e
x
1
ε
ε
2
1
2
(x M ξ ) dF ξ (x)
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
2
Dξ
1
ε
2
2
(x M ξ ) dF ξ (x)
Dξ
ε
2
Пример
@
Для случайной величины, распределенной по нормальному закону,
найти оценку того, что случайная величина не попадет в
интервал ( m - 3s ; m + 3s )
Решение
f(x)
P(| m | 3s)
D
e
2
s2
( 3s)
2
1
9
Это самая верхняя граница для оценки
Точное решение
m 3s
P(| m | 3s) 1
m
m-3s
m+3s
x
1
2
s
e
m s
3
s
t2
2
dt 1 2( 3 ) 0.0027
Теорема Чебышева
Если 1, 2, … , n – последовательность попарно независимых с.в., имеющих
конечные дисперсии, ограниченные одной и той же постоянной D1 < C, D2 < C ,....,
то каково бы не было постоянное e > 0 , справедливо следующее:
lim P
n
Доказательство
n
k
k 1
n
n
,
M
M k
k 1
P{| M | e } > 1
k 1
n
k
n
k 1
M k
n
e 1
На основании неравенства Чебышева
n
n
D
e
P{| M | e } > 1
n
2
C
Ho
2
ne
D
D k
k 1
n
2
C
n
Перейдем к пределу и получим доказательство
Центральная предельная теорема Ляпунова
Центральная предельная теорема Ляпунова относится к законам
распределения случайных величин и устанавливает условия, при которых
возникает нормальный закон распределения.
Пусть 1, 2, .... - независимые и одинаково распределенные случайные
величины с конечной и ненулевой дисперсией 0 D 1 .
Тогда имеет место слабая сходимость:
1 2 ... n nM 1
nD 1
N ( 0 ,1)
последовательности «центрированных и нормированных» сумм
случайных величин к стандартному нормальному распределению.
Если X представляет собой сумму очень большого числа взаимно
независимых случайных величин X1, X2, …., Xn , влияние каждой из
которых на всю сумму ничтожно мало, то величина X имеет
распределение вероятности, близкое нормальному.
Slide 6
[ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема
Чебышева - теорема Бернулли - центральная предельная теорема Ляпунова ]
Массовые явления и закон больших чисел
Закон больших чисел в теории вероятностей утверждает, что
эмпирическое среднее (среднее арифметическое) достаточно
большой конечной выборки из фиксированного распределения
близко к теоретическому среднему – математическому
ожиданию этого распределения.
Общий смысл закона больших чисел — совместное действие
большого числа одинаковых и независимых случайных факторов
приводит к результату, в пределе не зависящему от случая.
В теории вероятностей большое значение имеет установление
закономерностей, происходящих с вероятностями близкими единице. Особую
роль играют закономерности, возникающие в результате наложения большого
числа независимых или слабо зависимых случайных факторов.
Массовые явления и закон больших чисел
Рассмотрим случайные величины xn , являющиеся некоторыми
заданными симметрическими функциями от первых n величин
последовательности zn = fn (1, 2, … , n ) . Если существует
последовательность a1, an, … ,an, .. , такая что при любом e > 0
lim P {| n an | ε } 1
n
то последовательность подчиняется закону больших чисел с заданными
функциями fn .
Часто эта функция – среднее арифметическое
ai M i
.
Слабый закон больших чисел.
1
n
n
i
i 1
величин i ,
Закон больших чисел в форме Чебышева
Для любой случайной величины , имеющей конечную дисперсию,
при каждом e > 0 имеет место неравенство
P{| ξ M ξ | ε}
Неравенство Чебышева.
Доказательство
P{| ξ M ξ ) ε}
f(x)
ε
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
M
M-e
|x M ξ |
dF ξ (x)
M+e
x
1
ε
ε
2
1
2
(x M ξ ) dF ξ (x)
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
2
Dξ
1
ε
2
2
(x M ξ ) dF ξ (x)
Dξ
ε
2
Пример
@
Для случайной величины, распределенной по нормальному закону,
найти оценку того, что случайная величина не попадет в
интервал ( m - 3s ; m + 3s )
Решение
f(x)
P(| m | 3s)
D
e
2
s2
( 3s)
2
1
9
Это самая верхняя граница для оценки
Точное решение
m 3s
P(| m | 3s) 1
m
m-3s
m+3s
x
1
2
s
e
m s
3
s
t2
2
dt 1 2( 3 ) 0.0027
Теорема Чебышева
Если 1, 2, … , n – последовательность попарно независимых с.в., имеющих
конечные дисперсии, ограниченные одной и той же постоянной D1 < C, D2 < C ,....,
то каково бы не было постоянное e > 0 , справедливо следующее:
lim P
n
Доказательство
n
k
k 1
n
n
,
M
M k
k 1
P{| M | e } > 1
k 1
n
k
n
k 1
M k
n
e 1
На основании неравенства Чебышева
n
n
D
e
P{| M | e } > 1
n
2
C
Ho
2
ne
D
D k
k 1
n
2
C
n
Перейдем к пределу и получим доказательство
Центральная предельная теорема Ляпунова
Центральная предельная теорема Ляпунова относится к законам
распределения случайных величин и устанавливает условия, при которых
возникает нормальный закон распределения.
Пусть 1, 2, .... - независимые и одинаково распределенные случайные
величины с конечной и ненулевой дисперсией 0 D 1 .
Тогда имеет место слабая сходимость:
1 2 ... n nM 1
nD 1
N ( 0 ,1)
последовательности «центрированных и нормированных» сумм
случайных величин к стандартному нормальному распределению.
Если X представляет собой сумму очень большого числа взаимно
независимых случайных величин X1, X2, …., Xn , влияние каждой из
которых на всю сумму ничтожно мало, то величина X имеет
распределение вероятности, близкое нормальному.
Slide 7
[ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема
Чебышева - теорема Бернулли - центральная предельная теорема Ляпунова ]
Массовые явления и закон больших чисел
Закон больших чисел в теории вероятностей утверждает, что
эмпирическое среднее (среднее арифметическое) достаточно
большой конечной выборки из фиксированного распределения
близко к теоретическому среднему – математическому
ожиданию этого распределения.
Общий смысл закона больших чисел — совместное действие
большого числа одинаковых и независимых случайных факторов
приводит к результату, в пределе не зависящему от случая.
В теории вероятностей большое значение имеет установление
закономерностей, происходящих с вероятностями близкими единице. Особую
роль играют закономерности, возникающие в результате наложения большого
числа независимых или слабо зависимых случайных факторов.
Массовые явления и закон больших чисел
Рассмотрим случайные величины xn , являющиеся некоторыми
заданными симметрическими функциями от первых n величин
последовательности zn = fn (1, 2, … , n ) . Если существует
последовательность a1, an, … ,an, .. , такая что при любом e > 0
lim P {| n an | ε } 1
n
то последовательность подчиняется закону больших чисел с заданными
функциями fn .
Часто эта функция – среднее арифметическое
ai M i
.
Слабый закон больших чисел.
1
n
n
i
i 1
величин i ,
Закон больших чисел в форме Чебышева
Для любой случайной величины , имеющей конечную дисперсию,
при каждом e > 0 имеет место неравенство
P{| ξ M ξ | ε}
Неравенство Чебышева.
Доказательство
P{| ξ M ξ ) ε}
f(x)
ε
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
M
M-e
|x M ξ |
dF ξ (x)
M+e
x
1
ε
ε
2
1
2
(x M ξ ) dF ξ (x)
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
2
Dξ
1
ε
2
2
(x M ξ ) dF ξ (x)
Dξ
ε
2
Пример
@
Для случайной величины, распределенной по нормальному закону,
найти оценку того, что случайная величина не попадет в
интервал ( m - 3s ; m + 3s )
Решение
f(x)
P(| m | 3s)
D
e
2
s2
( 3s)
2
1
9
Это самая верхняя граница для оценки
Точное решение
m 3s
P(| m | 3s) 1
m
m-3s
m+3s
x
1
2
s
e
m s
3
s
t2
2
dt 1 2( 3 ) 0.0027
Теорема Чебышева
Если 1, 2, … , n – последовательность попарно независимых с.в., имеющих
конечные дисперсии, ограниченные одной и той же постоянной D1 < C, D2 < C ,....,
то каково бы не было постоянное e > 0 , справедливо следующее:
lim P
n
Доказательство
n
k
k 1
n
n
,
M
M k
k 1
P{| M | e } > 1
k 1
n
k
n
k 1
M k
n
e 1
На основании неравенства Чебышева
n
n
D
e
P{| M | e } > 1
n
2
C
Ho
2
ne
D
D k
k 1
n
2
C
n
Перейдем к пределу и получим доказательство
Центральная предельная теорема Ляпунова
Центральная предельная теорема Ляпунова относится к законам
распределения случайных величин и устанавливает условия, при которых
возникает нормальный закон распределения.
Пусть 1, 2, .... - независимые и одинаково распределенные случайные
величины с конечной и ненулевой дисперсией 0 D 1 .
Тогда имеет место слабая сходимость:
1 2 ... n nM 1
nD 1
N ( 0 ,1)
последовательности «центрированных и нормированных» сумм
случайных величин к стандартному нормальному распределению.
Если X представляет собой сумму очень большого числа взаимно
независимых случайных величин X1, X2, …., Xn , влияние каждой из
которых на всю сумму ничтожно мало, то величина X имеет
распределение вероятности, близкое нормальному.
[ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема
Чебышева - теорема Бернулли - центральная предельная теорема Ляпунова ]
Массовые явления и закон больших чисел
Закон больших чисел в теории вероятностей утверждает, что
эмпирическое среднее (среднее арифметическое) достаточно
большой конечной выборки из фиксированного распределения
близко к теоретическому среднему – математическому
ожиданию этого распределения.
Общий смысл закона больших чисел — совместное действие
большого числа одинаковых и независимых случайных факторов
приводит к результату, в пределе не зависящему от случая.
В теории вероятностей большое значение имеет установление
закономерностей, происходящих с вероятностями близкими единице. Особую
роль играют закономерности, возникающие в результате наложения большого
числа независимых или слабо зависимых случайных факторов.
Массовые явления и закон больших чисел
Рассмотрим случайные величины xn , являющиеся некоторыми
заданными симметрическими функциями от первых n величин
последовательности zn = fn (1, 2, … , n ) . Если существует
последовательность a1, an, … ,an, .. , такая что при любом e > 0
lim P {| n an | ε } 1
n
то последовательность подчиняется закону больших чисел с заданными
функциями fn .
Часто эта функция – среднее арифметическое
ai M i
.
Слабый закон больших чисел.
1
n
n
i
i 1
величин i ,
Закон больших чисел в форме Чебышева
Для любой случайной величины , имеющей конечную дисперсию,
при каждом e > 0 имеет место неравенство
P{| ξ M ξ | ε}
Неравенство Чебышева.
Доказательство
P{| ξ M ξ ) ε}
f(x)
ε
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
M
M-e
|x M ξ |
dF ξ (x)
M+e
x
1
ε
ε
2
1
2
(x M ξ ) dF ξ (x)
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
2
Dξ
1
ε
2
2
(x M ξ ) dF ξ (x)
Dξ
ε
2
Пример
@
Для случайной величины, распределенной по нормальному закону,
найти оценку того, что случайная величина не попадет в
интервал ( m - 3s ; m + 3s )
Решение
f(x)
P(| m | 3s)
D
e
2
s2
( 3s)
2
1
9
Это самая верхняя граница для оценки
Точное решение
m 3s
P(| m | 3s) 1
m
m-3s
m+3s
x
1
2
s
e
m s
3
s
t2
2
dt 1 2( 3 ) 0.0027
Теорема Чебышева
Если 1, 2, … , n – последовательность попарно независимых с.в., имеющих
конечные дисперсии, ограниченные одной и той же постоянной D1 < C, D2 < C ,....,
то каково бы не было постоянное e > 0 , справедливо следующее:
lim P
n
Доказательство
n
k
k 1
n
n
,
M
M k
k 1
P{| M | e } > 1
k 1
n
k
n
k 1
M k
n
e 1
На основании неравенства Чебышева
n
n
D
e
P{| M | e } > 1
n
2
C
Ho
2
ne
D
D k
k 1
n
2
C
n
Перейдем к пределу и получим доказательство
Центральная предельная теорема Ляпунова
Центральная предельная теорема Ляпунова относится к законам
распределения случайных величин и устанавливает условия, при которых
возникает нормальный закон распределения.
Пусть 1, 2, .... - независимые и одинаково распределенные случайные
величины с конечной и ненулевой дисперсией 0 D 1 .
Тогда имеет место слабая сходимость:
1 2 ... n nM 1
nD 1
N ( 0 ,1)
последовательности «центрированных и нормированных» сумм
случайных величин к стандартному нормальному распределению.
Если X представляет собой сумму очень большого числа взаимно
независимых случайных величин X1, X2, …., Xn , влияние каждой из
которых на всю сумму ничтожно мало, то величина X имеет
распределение вероятности, близкое нормальному.
Slide 2
[ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема
Чебышева - теорема Бернулли - центральная предельная теорема Ляпунова ]
Массовые явления и закон больших чисел
Закон больших чисел в теории вероятностей утверждает, что
эмпирическое среднее (среднее арифметическое) достаточно
большой конечной выборки из фиксированного распределения
близко к теоретическому среднему – математическому
ожиданию этого распределения.
Общий смысл закона больших чисел — совместное действие
большого числа одинаковых и независимых случайных факторов
приводит к результату, в пределе не зависящему от случая.
В теории вероятностей большое значение имеет установление
закономерностей, происходящих с вероятностями близкими единице. Особую
роль играют закономерности, возникающие в результате наложения большого
числа независимых или слабо зависимых случайных факторов.
Массовые явления и закон больших чисел
Рассмотрим случайные величины xn , являющиеся некоторыми
заданными симметрическими функциями от первых n величин
последовательности zn = fn (1, 2, … , n ) . Если существует
последовательность a1, an, … ,an, .. , такая что при любом e > 0
lim P {| n an | ε } 1
n
то последовательность подчиняется закону больших чисел с заданными
функциями fn .
Часто эта функция – среднее арифметическое
ai M i
.
Слабый закон больших чисел.
1
n
n
i
i 1
величин i ,
Закон больших чисел в форме Чебышева
Для любой случайной величины , имеющей конечную дисперсию,
при каждом e > 0 имеет место неравенство
P{| ξ M ξ | ε}
Неравенство Чебышева.
Доказательство
P{| ξ M ξ ) ε}
f(x)
ε
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
M
M-e
|x M ξ |
dF ξ (x)
M+e
x
1
ε
ε
2
1
2
(x M ξ ) dF ξ (x)
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
2
Dξ
1
ε
2
2
(x M ξ ) dF ξ (x)
Dξ
ε
2
Пример
@
Для случайной величины, распределенной по нормальному закону,
найти оценку того, что случайная величина не попадет в
интервал ( m - 3s ; m + 3s )
Решение
f(x)
P(| m | 3s)
D
e
2
s2
( 3s)
2
1
9
Это самая верхняя граница для оценки
Точное решение
m 3s
P(| m | 3s) 1
m
m-3s
m+3s
x
1
2
s
e
m s
3
s
t2
2
dt 1 2( 3 ) 0.0027
Теорема Чебышева
Если 1, 2, … , n – последовательность попарно независимых с.в., имеющих
конечные дисперсии, ограниченные одной и той же постоянной D1 < C, D2 < C ,....,
то каково бы не было постоянное e > 0 , справедливо следующее:
lim P
n
Доказательство
n
k
k 1
n
n
,
M
M k
k 1
P{| M | e } > 1
k 1
n
k
n
k 1
M k
n
e 1
На основании неравенства Чебышева
n
n
D
e
P{| M | e } > 1
n
2
C
Ho
2
ne
D
D k
k 1
n
2
C
n
Перейдем к пределу и получим доказательство
Центральная предельная теорема Ляпунова
Центральная предельная теорема Ляпунова относится к законам
распределения случайных величин и устанавливает условия, при которых
возникает нормальный закон распределения.
Пусть 1, 2, .... - независимые и одинаково распределенные случайные
величины с конечной и ненулевой дисперсией 0 D 1 .
Тогда имеет место слабая сходимость:
1 2 ... n nM 1
nD 1
N ( 0 ,1)
последовательности «центрированных и нормированных» сумм
случайных величин к стандартному нормальному распределению.
Если X представляет собой сумму очень большого числа взаимно
независимых случайных величин X1, X2, …., Xn , влияние каждой из
которых на всю сумму ничтожно мало, то величина X имеет
распределение вероятности, близкое нормальному.
Slide 3
[ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема
Чебышева - теорема Бернулли - центральная предельная теорема Ляпунова ]
Массовые явления и закон больших чисел
Закон больших чисел в теории вероятностей утверждает, что
эмпирическое среднее (среднее арифметическое) достаточно
большой конечной выборки из фиксированного распределения
близко к теоретическому среднему – математическому
ожиданию этого распределения.
Общий смысл закона больших чисел — совместное действие
большого числа одинаковых и независимых случайных факторов
приводит к результату, в пределе не зависящему от случая.
В теории вероятностей большое значение имеет установление
закономерностей, происходящих с вероятностями близкими единице. Особую
роль играют закономерности, возникающие в результате наложения большого
числа независимых или слабо зависимых случайных факторов.
Массовые явления и закон больших чисел
Рассмотрим случайные величины xn , являющиеся некоторыми
заданными симметрическими функциями от первых n величин
последовательности zn = fn (1, 2, … , n ) . Если существует
последовательность a1, an, … ,an, .. , такая что при любом e > 0
lim P {| n an | ε } 1
n
то последовательность подчиняется закону больших чисел с заданными
функциями fn .
Часто эта функция – среднее арифметическое
ai M i
.
Слабый закон больших чисел.
1
n
n
i
i 1
величин i ,
Закон больших чисел в форме Чебышева
Для любой случайной величины , имеющей конечную дисперсию,
при каждом e > 0 имеет место неравенство
P{| ξ M ξ | ε}
Неравенство Чебышева.
Доказательство
P{| ξ M ξ ) ε}
f(x)
ε
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
M
M-e
|x M ξ |
dF ξ (x)
M+e
x
1
ε
ε
2
1
2
(x M ξ ) dF ξ (x)
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
2
Dξ
1
ε
2
2
(x M ξ ) dF ξ (x)
Dξ
ε
2
Пример
@
Для случайной величины, распределенной по нормальному закону,
найти оценку того, что случайная величина не попадет в
интервал ( m - 3s ; m + 3s )
Решение
f(x)
P(| m | 3s)
D
e
2
s2
( 3s)
2
1
9
Это самая верхняя граница для оценки
Точное решение
m 3s
P(| m | 3s) 1
m
m-3s
m+3s
x
1
2
s
e
m s
3
s
t2
2
dt 1 2( 3 ) 0.0027
Теорема Чебышева
Если 1, 2, … , n – последовательность попарно независимых с.в., имеющих
конечные дисперсии, ограниченные одной и той же постоянной D1 < C, D2 < C ,....,
то каково бы не было постоянное e > 0 , справедливо следующее:
lim P
n
Доказательство
n
k
k 1
n
n
,
M
M k
k 1
P{| M | e } > 1
k 1
n
k
n
k 1
M k
n
e 1
На основании неравенства Чебышева
n
n
D
e
P{| M | e } > 1
n
2
C
Ho
2
ne
D
D k
k 1
n
2
C
n
Перейдем к пределу и получим доказательство
Центральная предельная теорема Ляпунова
Центральная предельная теорема Ляпунова относится к законам
распределения случайных величин и устанавливает условия, при которых
возникает нормальный закон распределения.
Пусть 1, 2, .... - независимые и одинаково распределенные случайные
величины с конечной и ненулевой дисперсией 0 D 1 .
Тогда имеет место слабая сходимость:
1 2 ... n nM 1
nD 1
N ( 0 ,1)
последовательности «центрированных и нормированных» сумм
случайных величин к стандартному нормальному распределению.
Если X представляет собой сумму очень большого числа взаимно
независимых случайных величин X1, X2, …., Xn , влияние каждой из
которых на всю сумму ничтожно мало, то величина X имеет
распределение вероятности, близкое нормальному.
Slide 4
[ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема
Чебышева - теорема Бернулли - центральная предельная теорема Ляпунова ]
Массовые явления и закон больших чисел
Закон больших чисел в теории вероятностей утверждает, что
эмпирическое среднее (среднее арифметическое) достаточно
большой конечной выборки из фиксированного распределения
близко к теоретическому среднему – математическому
ожиданию этого распределения.
Общий смысл закона больших чисел — совместное действие
большого числа одинаковых и независимых случайных факторов
приводит к результату, в пределе не зависящему от случая.
В теории вероятностей большое значение имеет установление
закономерностей, происходящих с вероятностями близкими единице. Особую
роль играют закономерности, возникающие в результате наложения большого
числа независимых или слабо зависимых случайных факторов.
Массовые явления и закон больших чисел
Рассмотрим случайные величины xn , являющиеся некоторыми
заданными симметрическими функциями от первых n величин
последовательности zn = fn (1, 2, … , n ) . Если существует
последовательность a1, an, … ,an, .. , такая что при любом e > 0
lim P {| n an | ε } 1
n
то последовательность подчиняется закону больших чисел с заданными
функциями fn .
Часто эта функция – среднее арифметическое
ai M i
.
Слабый закон больших чисел.
1
n
n
i
i 1
величин i ,
Закон больших чисел в форме Чебышева
Для любой случайной величины , имеющей конечную дисперсию,
при каждом e > 0 имеет место неравенство
P{| ξ M ξ | ε}
Неравенство Чебышева.
Доказательство
P{| ξ M ξ ) ε}
f(x)
ε
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
M
M-e
|x M ξ |
dF ξ (x)
M+e
x
1
ε
ε
2
1
2
(x M ξ ) dF ξ (x)
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
2
Dξ
1
ε
2
2
(x M ξ ) dF ξ (x)
Dξ
ε
2
Пример
@
Для случайной величины, распределенной по нормальному закону,
найти оценку того, что случайная величина не попадет в
интервал ( m - 3s ; m + 3s )
Решение
f(x)
P(| m | 3s)
D
e
2
s2
( 3s)
2
1
9
Это самая верхняя граница для оценки
Точное решение
m 3s
P(| m | 3s) 1
m
m-3s
m+3s
x
1
2
s
e
m s
3
s
t2
2
dt 1 2( 3 ) 0.0027
Теорема Чебышева
Если 1, 2, … , n – последовательность попарно независимых с.в., имеющих
конечные дисперсии, ограниченные одной и той же постоянной D1 < C, D2 < C ,....,
то каково бы не было постоянное e > 0 , справедливо следующее:
lim P
n
Доказательство
n
k
k 1
n
n
,
M
M k
k 1
P{| M | e } > 1
k 1
n
k
n
k 1
M k
n
e 1
На основании неравенства Чебышева
n
n
D
e
P{| M | e } > 1
n
2
C
Ho
2
ne
D
D k
k 1
n
2
C
n
Перейдем к пределу и получим доказательство
Центральная предельная теорема Ляпунова
Центральная предельная теорема Ляпунова относится к законам
распределения случайных величин и устанавливает условия, при которых
возникает нормальный закон распределения.
Пусть 1, 2, .... - независимые и одинаково распределенные случайные
величины с конечной и ненулевой дисперсией 0 D 1 .
Тогда имеет место слабая сходимость:
1 2 ... n nM 1
nD 1
N ( 0 ,1)
последовательности «центрированных и нормированных» сумм
случайных величин к стандартному нормальному распределению.
Если X представляет собой сумму очень большого числа взаимно
независимых случайных величин X1, X2, …., Xn , влияние каждой из
которых на всю сумму ничтожно мало, то величина X имеет
распределение вероятности, близкое нормальному.
Slide 5
[ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема
Чебышева - теорема Бернулли - центральная предельная теорема Ляпунова ]
Массовые явления и закон больших чисел
Закон больших чисел в теории вероятностей утверждает, что
эмпирическое среднее (среднее арифметическое) достаточно
большой конечной выборки из фиксированного распределения
близко к теоретическому среднему – математическому
ожиданию этого распределения.
Общий смысл закона больших чисел — совместное действие
большого числа одинаковых и независимых случайных факторов
приводит к результату, в пределе не зависящему от случая.
В теории вероятностей большое значение имеет установление
закономерностей, происходящих с вероятностями близкими единице. Особую
роль играют закономерности, возникающие в результате наложения большого
числа независимых или слабо зависимых случайных факторов.
Массовые явления и закон больших чисел
Рассмотрим случайные величины xn , являющиеся некоторыми
заданными симметрическими функциями от первых n величин
последовательности zn = fn (1, 2, … , n ) . Если существует
последовательность a1, an, … ,an, .. , такая что при любом e > 0
lim P {| n an | ε } 1
n
то последовательность подчиняется закону больших чисел с заданными
функциями fn .
Часто эта функция – среднее арифметическое
ai M i
.
Слабый закон больших чисел.
1
n
n
i
i 1
величин i ,
Закон больших чисел в форме Чебышева
Для любой случайной величины , имеющей конечную дисперсию,
при каждом e > 0 имеет место неравенство
P{| ξ M ξ | ε}
Неравенство Чебышева.
Доказательство
P{| ξ M ξ ) ε}
f(x)
ε
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
M
M-e
|x M ξ |
dF ξ (x)
M+e
x
1
ε
ε
2
1
2
(x M ξ ) dF ξ (x)
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
2
Dξ
1
ε
2
2
(x M ξ ) dF ξ (x)
Dξ
ε
2
Пример
@
Для случайной величины, распределенной по нормальному закону,
найти оценку того, что случайная величина не попадет в
интервал ( m - 3s ; m + 3s )
Решение
f(x)
P(| m | 3s)
D
e
2
s2
( 3s)
2
1
9
Это самая верхняя граница для оценки
Точное решение
m 3s
P(| m | 3s) 1
m
m-3s
m+3s
x
1
2
s
e
m s
3
s
t2
2
dt 1 2( 3 ) 0.0027
Теорема Чебышева
Если 1, 2, … , n – последовательность попарно независимых с.в., имеющих
конечные дисперсии, ограниченные одной и той же постоянной D1 < C, D2 < C ,....,
то каково бы не было постоянное e > 0 , справедливо следующее:
lim P
n
Доказательство
n
k
k 1
n
n
,
M
M k
k 1
P{| M | e } > 1
k 1
n
k
n
k 1
M k
n
e 1
На основании неравенства Чебышева
n
n
D
e
P{| M | e } > 1
n
2
C
Ho
2
ne
D
D k
k 1
n
2
C
n
Перейдем к пределу и получим доказательство
Центральная предельная теорема Ляпунова
Центральная предельная теорема Ляпунова относится к законам
распределения случайных величин и устанавливает условия, при которых
возникает нормальный закон распределения.
Пусть 1, 2, .... - независимые и одинаково распределенные случайные
величины с конечной и ненулевой дисперсией 0 D 1 .
Тогда имеет место слабая сходимость:
1 2 ... n nM 1
nD 1
N ( 0 ,1)
последовательности «центрированных и нормированных» сумм
случайных величин к стандартному нормальному распределению.
Если X представляет собой сумму очень большого числа взаимно
независимых случайных величин X1, X2, …., Xn , влияние каждой из
которых на всю сумму ничтожно мало, то величина X имеет
распределение вероятности, близкое нормальному.
Slide 6
[ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема
Чебышева - теорема Бернулли - центральная предельная теорема Ляпунова ]
Массовые явления и закон больших чисел
Закон больших чисел в теории вероятностей утверждает, что
эмпирическое среднее (среднее арифметическое) достаточно
большой конечной выборки из фиксированного распределения
близко к теоретическому среднему – математическому
ожиданию этого распределения.
Общий смысл закона больших чисел — совместное действие
большого числа одинаковых и независимых случайных факторов
приводит к результату, в пределе не зависящему от случая.
В теории вероятностей большое значение имеет установление
закономерностей, происходящих с вероятностями близкими единице. Особую
роль играют закономерности, возникающие в результате наложения большого
числа независимых или слабо зависимых случайных факторов.
Массовые явления и закон больших чисел
Рассмотрим случайные величины xn , являющиеся некоторыми
заданными симметрическими функциями от первых n величин
последовательности zn = fn (1, 2, … , n ) . Если существует
последовательность a1, an, … ,an, .. , такая что при любом e > 0
lim P {| n an | ε } 1
n
то последовательность подчиняется закону больших чисел с заданными
функциями fn .
Часто эта функция – среднее арифметическое
ai M i
.
Слабый закон больших чисел.
1
n
n
i
i 1
величин i ,
Закон больших чисел в форме Чебышева
Для любой случайной величины , имеющей конечную дисперсию,
при каждом e > 0 имеет место неравенство
P{| ξ M ξ | ε}
Неравенство Чебышева.
Доказательство
P{| ξ M ξ ) ε}
f(x)
ε
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
M
M-e
|x M ξ |
dF ξ (x)
M+e
x
1
ε
ε
2
1
2
(x M ξ ) dF ξ (x)
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
2
Dξ
1
ε
2
2
(x M ξ ) dF ξ (x)
Dξ
ε
2
Пример
@
Для случайной величины, распределенной по нормальному закону,
найти оценку того, что случайная величина не попадет в
интервал ( m - 3s ; m + 3s )
Решение
f(x)
P(| m | 3s)
D
e
2
s2
( 3s)
2
1
9
Это самая верхняя граница для оценки
Точное решение
m 3s
P(| m | 3s) 1
m
m-3s
m+3s
x
1
2
s
e
m s
3
s
t2
2
dt 1 2( 3 ) 0.0027
Теорема Чебышева
Если 1, 2, … , n – последовательность попарно независимых с.в., имеющих
конечные дисперсии, ограниченные одной и той же постоянной D1 < C, D2 < C ,....,
то каково бы не было постоянное e > 0 , справедливо следующее:
lim P
n
Доказательство
n
k
k 1
n
n
,
M
M k
k 1
P{| M | e } > 1
k 1
n
k
n
k 1
M k
n
e 1
На основании неравенства Чебышева
n
n
D
e
P{| M | e } > 1
n
2
C
Ho
2
ne
D
D k
k 1
n
2
C
n
Перейдем к пределу и получим доказательство
Центральная предельная теорема Ляпунова
Центральная предельная теорема Ляпунова относится к законам
распределения случайных величин и устанавливает условия, при которых
возникает нормальный закон распределения.
Пусть 1, 2, .... - независимые и одинаково распределенные случайные
величины с конечной и ненулевой дисперсией 0 D 1 .
Тогда имеет место слабая сходимость:
1 2 ... n nM 1
nD 1
N ( 0 ,1)
последовательности «центрированных и нормированных» сумм
случайных величин к стандартному нормальному распределению.
Если X представляет собой сумму очень большого числа взаимно
независимых случайных величин X1, X2, …., Xn , влияние каждой из
которых на всю сумму ничтожно мало, то величина X имеет
распределение вероятности, близкое нормальному.
Slide 7
[ массовые явления и закон больших чисел - закон больших чисел в форме Чебышева – пример - теорема
Чебышева - теорема Бернулли - центральная предельная теорема Ляпунова ]
Массовые явления и закон больших чисел
Закон больших чисел в теории вероятностей утверждает, что
эмпирическое среднее (среднее арифметическое) достаточно
большой конечной выборки из фиксированного распределения
близко к теоретическому среднему – математическому
ожиданию этого распределения.
Общий смысл закона больших чисел — совместное действие
большого числа одинаковых и независимых случайных факторов
приводит к результату, в пределе не зависящему от случая.
В теории вероятностей большое значение имеет установление
закономерностей, происходящих с вероятностями близкими единице. Особую
роль играют закономерности, возникающие в результате наложения большого
числа независимых или слабо зависимых случайных факторов.
Массовые явления и закон больших чисел
Рассмотрим случайные величины xn , являющиеся некоторыми
заданными симметрическими функциями от первых n величин
последовательности zn = fn (1, 2, … , n ) . Если существует
последовательность a1, an, … ,an, .. , такая что при любом e > 0
lim P {| n an | ε } 1
n
то последовательность подчиняется закону больших чисел с заданными
функциями fn .
Часто эта функция – среднее арифметическое
ai M i
.
Слабый закон больших чисел.
1
n
n
i
i 1
величин i ,
Закон больших чисел в форме Чебышева
Для любой случайной величины , имеющей конечную дисперсию,
при каждом e > 0 имеет место неравенство
P{| ξ M ξ | ε}
Неравенство Чебышева.
Доказательство
P{| ξ M ξ ) ε}
f(x)
ε
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
M
M-e
|x M ξ |
dF ξ (x)
M+e
x
1
ε
ε
2
1
2
(x M ξ ) dF ξ (x)
|x M ξ | ε
dF ξ (x)
|x M ξ | ε
2
Dξ
1
ε
2
2
(x M ξ ) dF ξ (x)
Dξ
ε
2
Пример
@
Для случайной величины, распределенной по нормальному закону,
найти оценку того, что случайная величина не попадет в
интервал ( m - 3s ; m + 3s )
Решение
f(x)
P(| m | 3s)
D
e
2
s2
( 3s)
2
1
9
Это самая верхняя граница для оценки
Точное решение
m 3s
P(| m | 3s) 1
m
m-3s
m+3s
x
1
2
s
e
m s
3
s
t2
2
dt 1 2( 3 ) 0.0027
Теорема Чебышева
Если 1, 2, … , n – последовательность попарно независимых с.в., имеющих
конечные дисперсии, ограниченные одной и той же постоянной D1 < C, D2 < C ,....,
то каково бы не было постоянное e > 0 , справедливо следующее:
lim P
n
Доказательство
n
k
k 1
n
n
,
M
M k
k 1
P{| M | e } > 1
k 1
n
k
n
k 1
M k
n
e 1
На основании неравенства Чебышева
n
n
D
e
P{| M | e } > 1
n
2
C
Ho
2
ne
D
D k
k 1
n
2
C
n
Перейдем к пределу и получим доказательство
Центральная предельная теорема Ляпунова
Центральная предельная теорема Ляпунова относится к законам
распределения случайных величин и устанавливает условия, при которых
возникает нормальный закон распределения.
Пусть 1, 2, .... - независимые и одинаково распределенные случайные
величины с конечной и ненулевой дисперсией 0 D 1 .
Тогда имеет место слабая сходимость:
1 2 ... n nM 1
nD 1
N ( 0 ,1)
последовательности «центрированных и нормированных» сумм
случайных величин к стандартному нормальному распределению.
Если X представляет собой сумму очень большого числа взаимно
независимых случайных величин X1, X2, …., Xn , влияние каждой из
которых на всю сумму ничтожно мало, то величина X имеет
распределение вероятности, близкое нормальному.