- •1. Закон распределения дискретной случайной величины
- •2. Пример распределения дискретной случайной величины. Биномиальное распределение
- •3. Пример распределения дискретной случайной величины. Распределение Пуассона
- •4. Пример распределения дискретной случайной величины. Геометрическое распределение
- •Лекция № 6
- •1. Функция распределения непрерывной и дискретной случайной величины
- •1. Свойства функции распределения
- •3. Плотность распределения вероятностей непрерывной случайной величины
- •1. Равномерное распределение
- •2. Нормальное распределение
- •3. Показательный (экспоненциальный) закон распределения
- •4. Логарифмически-нормальное распределение
- •5. Вейбуловское распределение
- •1. Математическое ожидание. Дискретные случайные величины
- •2. Математическое ожидание. Непрерывные случайные величины
- •3. Дисперсия и среднее квадратическое отклонение случайной величины
- •4. Моменты распределения случайной величины
- •1. Теорема Чебышева
- •2. Центральная предельная теорема
- •3. Теорема Бернулли
2. Центральная предельная теорема
Это, на самом деле, группа теорем, устанавливающих связь с нормальным законом распределения величины с функцией плотности распределения вероятности (рис. 9.1):
,
где , параметры распределения
Рис. 9.1. Плотность распределения нормальной случайной величины.
Приведём формулировку одной из таких теорем (приводим без доказательства).
Теорема Ляпунова. Если:
а) - независимые случайные величины;
б) существуют и для всех ;
в) существуют величины и
,
то закон распределения величины (при ) неограниченно приближается к нормальному закону с математическим ожиданием и дисперсией , т.е.
,
где есть известная нам функция Лапласа.
Смысл теоремы состоит в том, что чем сложней случайная величина, чем больше факторов, влияющих на ее значение, тем ближе она к нормально распределенной случайной величине.
Следствие. Если независимые случайные величины имеют одинаковые математические ожидания и дисперсии
, , ,
и существуют величины
то закон распределения величины
при неограниченно приближается к нормальному закону с теми же параметрами и .
________________________
Пример. Пусть - потребление электроэнергии жильцами квартиры номер в многоквартирном, многоэтажном доме. Тогда по теореме Чебышева среднее потребление:
,
а по теореме Ляпунова величина:
является случайной величиной, имеющей нормальный закон распределения (т.е. будет отличаться от величины , как нормально распределённая случайная величина).
Пример. Представим величину Бернулли (количество наступления события в серии из испытаний) в виде суммы независимых величин, так называемых «индикаторов» каждого из испытаний:
.
Здесь - однородные случайные величины, - индикаторы испытания:
1 |
0 |
|
, .
Тогда по свойствам математического ожидания и дисперсии случайная величина Бернулли будет иметь следующие параметры:
, , ,
а в соответствии с центральной предельной теоремой при большом количестве испытаний (), она будет иметь распределение, близкое к нормальному, с параметрами и :
.
Вероятность наблюдения количества событий в испытаниях вычисляется по формулам для нормального распределения:
,
где функция Лапласа, , . Тем самым доказывается интегральная формула Муавра-Лапласа.
3. Теорема Бернулли
Важнейшее методологическое значение для теории вероятностей и математической статистики имеет следующая теорема о частоте события. В серии испытаний Бернулли частоту события определим как:
Эта случайная величина имеет математическое ожидание , дисперсию и при больших количествах испытаний имеет нормальное распределение. Тогда, в соответствии с формулами Муавра – Лапласа, величина отклонения частоты и вероятности события имеет следующую вероятность
для любого .
Таким образом, с ростом количества испытаний частота события стремится к его вероятности.