- •Теория вероятностей § 1. Основные понятия
- •§ 2. Последовательные испытания. Формула бернулли
- •§ 3. Случайные величины
- •§4. Числовые характеристики случайных величин
- •§ 5. Законы больших чисел
- •§ 6. Теоремы ляпунова и лапласа
- •Приложение теории вероятностей к обработке результатов измерений
- •Применение теории вероятностей к статистике
- •Элементы теории корреляций
- •Приложение
- •Значения функции
- •Значения функции
§ 6. Теоремы ляпунова и лапласа
1. Теорема Ляпунова. Часто приходится иметь дело с такими случайными величинами, которые являются суммами большого числа независимых случайных величин. При некоторых весьма общих условиях оказывается, что эта сумма имеет распределение, близкое к нормальному, хотя каждое из слагаемых может не подчиняться нормальному закону распределения вероятностей. Эти условия были определены Ляпуновым16 и составляют содержание теоремы, названной его именем.
Приведем без доказательства только следствие из теоремы Ляпунова.
Пусть x1, x2, … xn, …, – последовательность попарно независимых случайных величин с математическими ожиданиями М(i) = ai, и дисперсиями , причем эти величины обладают следующими свойствами:
1). cуществует такое число L, что для любого i имеет место неравенство , т. е. все значения случайных величин, как говорят, равномерно ограничены относительно математических ожиданий;
2) сумма неограниченно растет при п ∞.
Тогда при достаточно большом п сумма ξ1 + ξ2 + … + ξn имеет распределение, близкое к нормальному.
Пусть а и σ2 – математическое ожидание и дисперсия случайной величины ξ = ξ1 + + ξ2 + … + ξn. Тогда
a = M(ξ) = M(ξ1 + ξ2 + … + ξn) = M(ξ1) + M(ξ2) + … + M(ξn) = ,
σ2 = D(ξ) = D(ξ1 + ξ2 + … + ξn) = D(ξ1) + D(ξ2) + … + D(ξn) = .
Так как по следствию из теоремы Ляпунова случайная величина ξ для больших значений п имеет распределение, близкое к нормальному, то согласно формуле (32) имеет место соотношение
(56)
где Ф (х) — интеграл вероятностей.
2. Основной закон ошибок. Когда мы производим некоторое измерение, то на его результат влияет большое количество факторов, которые порождают ошибки измерений. Ошибки измерений в основном можно подразделить на три группы: грубые, систематические и случайные.
Грубые ошибки возникают от невнимательности при чтении показателей прибора, неправильной записи показаний, неправильном, использовании прибора. Эти ошибки могут быть исключены соблюдением правил измерения.
Систематические ошибки искажают обычно результат измерения в определенную сторону. Они происходят, например, от несовершенства приборов, от личных качеств наблюдателя и могут быть устранены соответствующими поправками.
Случайные ошибки вызываются большим числом отдельных причин, не поддающихся точному учету и действующих в каждом отдельном случае различным образом. Эти ошибки возникают от незаметных механических причин, из-за изменения параметров измерительных приборов, зависящих от метеорологических условий, и т. д. Каждая из этих причин в отдельности порождает при измерении ничтожную ошибку vi. Складываясь, эти ничтожно малые ошибки порождают суммарную ошибку v = ∑vi, которой уже нельзя пренебречь. Эта суммарная ошибка v есть случайная величина, являющаяся суммой достаточно большого числа незначительных, независимых друг от друга случайных величин и имеет, согласно следствию из теоремы Ляпунова, нормальное распределение. Предполагая измерение свободным от грубых и систематических ошибок, можно считать, что возможный результат измерения есть случайная величина ξ, математическое ожидание которой равно истинному значению а измеряемой величины: М(ξ) = а (см. §5, п.2). Так как суммарная ошибка v = ξ – a подчиняется нормальному закону распределения, то возможный результат измерения ξ = a + v также подчиняется нормальному закону распределения (см. §4, п.3). В этом заключается основной закон ошибок.
3. Интегральная теорема Лапласа. Имеет место следующее утверждение.
Теорема. Пусть производится п независимых опытов, в каждом из которых вероятность наступления события А одна и та же и равна р (р ≠ 1, р ≠ 0). Пусть т – число появлений события А в п опытах. Тогда для достаточно больших п случайная величина т имееm распределение, близкое к нормальному с параметрами а = М(т) = пр,
Доказательство. Пусть ξ – число наступлений события А в i-м опыте. Тогда ai= = M(ξi) = p, (см. §4, п.2, пример 2). Так как ξi может принимать только два значения 0 и 1, то для любого i имеем |ξi – ai| = | ξi – р| ≤ |ξi| + |p| ≤ 1 + 1 = 2. Кроме того, величина стремится к бесконечности при n → ∞. Итак, последовательность случайных величин x1, x2, … xn удовлетворяет условиям следствия из теоремы Ляпунова. Поэтому сумма этих величин m = ξ1 + ξ2 + … + ξn для достаточно больших п имеет распределение, близкое к нормальному, что и требовалось доказать.
Вычислим вероятность того, что случайная величина т, т. е. число наступлений события А в п опытах, удовлетворяет неравенствам x1 < m< x2, где х1 и х2 – данные числа. Так как а = М(т) = пр, σ = σ(m) = (см. §4, п.2, пример 2), то согласно формуле (32) получим
, (57)
где Ф (х) — интеграл вероятностей.
Пример. При установившемся технологическом режиме завод выпускает в среднем 70% продукции первого сорта. Определить вероятность того, что из 1000 изделий число первосортных заключено между 652 и 760.
Решение. Здесь р = 0,7; q=1 – р = 0,3, п = 1000, пр = 0,7∙1000 = 700, npq =1000∙0,7∙0,3 = 210, = ≈ 14,49. Используя формулу (57) и значения интеграла вероятностей из табл. 2 Приложения, получим
Р(652 < m < 760) ≈ Ф[(760 – 700)/14,49] – Ф[(652 – 700)/14,49] = Ф(4,14) – Ф(–3,31) = Ф(4,14) + Ф(3,31) =
= 0,49997 + 0,49948 = 0,99945.