- •1 Случайные события
- •1.1 Основные понятия и определения
- •1.2 Аксиомы теории вероятностей
- •1.3 Классическая схема вычисления вероятностей
- •1.3.1 Декартово произведение множеств и правило умножения
- •1.3.2 Размещения и перестановки
- •1.3.3 Сочетания при выборе с возвращением и без возвращения
- •1.3.4 Схема упорядоченных разбиений множества
- •1.4 Геометрическая, статистическая и экспертная схемы расчета
- •1.4.1 Геометрическая схема вычисления вероятности
- •1.4.2 Статистическая схема вычисления вероятности
- •1.4.3 Схема вычисления субъективной вероятности
- •1.5 Условная вероятность. Независимость событий. Формулы сло-
- •1.6 Формула полной вероятности и формулы Байеса
- •2 Случайные величины
- •2.1 Cлучайная величина и ее функция распределения
- •2.2 Дискретная случайная величина
- •2.2.1 Дискретный закон распределения
- •2.2.2 Числовые характеристики дискретного распределения
- •2.2.3 Производящая функция вероятностей
- •2.2.4 Биномиальное распределение
- •2.2.5 Распределение Пуассона
- •2.2.6 Геометрическое распределение
- •2.3 Непрерывные случайные величины
- •2.3.1 Функция распределения и плотность распределения
- •2.3.2 Числовые характеристики непрерывного распределения
- •2.3.3 Равномерное распределение
- •2.3.4 Нормальное распределение
- •2.3.5 Показательное распределение
- •2.4 Функция от случайной величины
- •3 Случайные векторы
- •3.1 Общие свойства случайного вектора
- •3.2 Случайные векторы дискретного типа
- •3.3 Непрерывные случайные векторы
- •4 Предельные теоремы
- •4.1 Закон больших чисел
- •4.2 Центральная предельная теорема
- •5 Элементы математической статистики
- •5.1 Выборка и выборочные законы распределения
- •5.2 Точечные оценки числовых характеристик случайных величин
- •5.3 Интервальные оценки
- •5.4 Проверка статистических гипотез
4 Предельные теоремы
Предельные теоремы позволяют выяснять свойства сумм и средних
арифметических нескольких случайных величин, при неограниченном воз-
растании числа слагаемых. Рассматриваемые теоремы лежат в основе асимп-
тотических методов в теории вероятностей и математической статистике.
Обычно рассматривают два крупных блока предельных теорем: закон
больших чисел и центральную предельную теорему.
Закон больших чисел утверждает, что среднее арифметическое боль-
шого числа независимых случайных величин мало отличается от среднего
арифметического из их математических ожиданий.
Согласно центральной предельной теореме достаточно большая сумма
примерно одинаковых случайных величин ведет себя приближенно как нор-
мально распределенная случайная величина.
4.1 Закон больших чисел
Закон больших чисел базируется на понятии сходимости случайных ве-
личин по вероятности и неравенствах Маркова и Чебышева.
Определение сходимости по вероятности.
Последовательность случайных величин X1, X2, . . . , Xn, . . . сходится
по вероятности к случайной величине X , что записывают в виде Xn→PX
при n → ∞ , если для любого ε > 0 выполняется какое-либо из двух равно-
сильных условий:
lim P (|Xn− X | ≥ ε) = 0,
n→∞
lim P (|Xn− X | < ε) = 1.
n→∞
Часто используется сходимость по вероятности к постоянной случайной ве-
личине C (ω) , так что в данном выше определении случайная величина X
может быть равна некоторой постоянной величине.
Теорема (Неравенство Маркова). Если неотрицательная случай-
ная величина X (ω) имеет математическое ожидание mx, то для любого
положительного числа ε справедливо неравенство Маркова
mx
P (X (ω) ≥ ε) ≤
90
ε
.
Доказательство. Рассмотрим индикаторную случайную величину IA
для события A , задаваемого следующим неравенством {X (ω) ≥ ε} :
IA(ω) =
1, ω ∈ {X (ω) ≥ ε},
0, ω ∈ {X (ω) < ε}.
Вычислим математическое ожидание случайной величины IA:
M (IA) = 0 · P (X < ε) + 1 · P (X ≥ ε) = P (X ≥ ε).
Учитывая неотрицательность случайной величины X и вид индика-
торной случайной величины IA, получим следующие неравенства:
X ≥ X · IA≥ ε · IA.
Из неравенства X ≥ ε · IAи свойств оператора математического ожи-
дания следует справедливость следующих преобразований:
mx= M (X ) ≥ M (εIA) = εM (IA) = ε · P (X ≥ ε).
Отсюда, следует доказываемое неравенство Маркова.
Неравенство Маркова позволяет ограничить сверху вероятность попа-
дания неотрицательной случайной величины X на промежуток [ε, +∞) .
Если рассмотреть противоположное событие
{X ≥ ε} = {X < ε} ,
то его вероятность равна P {X < ε} = 1 − P {X ≥ ε} .
Отсюда следует вторая форма неравенства Маркова
mx
1 −
ε
≤ P (X < ε) ,
что позволяет ограничить снизу вероятность попадания неотрицательной слу-
чайной величины X на промежуток [0, ε) .
Пример. Коробки с конфетами упаковываются автоматом и их сред-
ний вес (математическое ожидание mx) равен 0,5. Найти гарантированный
процент выпуска коробок с весом менее 1.
Решение. Положим во втором неравенстве Маркова значение ε рав-
ным 1 . Тогда вероятность P (X < 1) оценивается снизу в виде
mx
1 −
ε
= 1 − 0, 5/1 = 0, 5.
Таким образом, гарантированный процент выпуска коробок с весом ме-
нее 1 равен 50%.
91
Теорема (Неравенство Чебышева). Если случайная величина X
имеет математическое ожидание mxи дисперсию Dx= σx2 , то для любого
положительного числа ε справедливо неравенство Чебышева
σ2
x
P (|X − mx| ≥ ε) ≤
ε2
.
Доказательство. Неравенство Чебышева следует из неравенства Мар-
кова. Действительно, случайная величина X имеет по условию теоремы дис-
персию, представимую по определению в виде Dx= σ2x=M [(X − mx)2] .
Отсюда, воспользовавшись неравенством Маркова, получим неравенство
P (|X − mx| ≥ ε) = P((X − mx)2≥ ε2≤
которое и требовалось доказать в теореме.
M[(X − mx)2]
ε2
=
σ2
x,
ε2
Неравенство Чебышева в первой форме позволяет ограничить сверху
вероятность события (−∞, ε] ∪ [ε, +∞) для центрированной случайной ве-
личины X − mx. Если перейти к противоположному событию
{|X − mx| ≥ ε} = {|X − mx| < ε} ,
то его вероятность равна P {|X − mx| < ε} = 1 − P {|X − mx| ≥ ε} .
Отсюда, следует неравенство Чебышева во второй форме
σ2
x
1 −
ε2
≤ P (|X − mx| < ε) = P (mx− ε < X < mx+ ε) .
Данное неравенство позволяет ограничить снизу вероятность попада-
ния случайной величины X на интервал (mx− ε, mx+ ε) .
При решении задач неравенства Маркова и Чебышёва можно использо-
вать для оценки вероятностей событий, связанных со случайными величина-
ми законы распределения которых неизвестны, но известно, что они имеют
математическое ожидание или дисперсию.
Пример. Найти нижнюю границу вероятности попадания случайной
величины X с математическим ожиданием mxи стандартным отклонением
σxна симметричный относительно mxинтервал длины 6σx
(mx− 3σx< X < mx+ 3σx) = {|X − mx| < 3σx} .
Решение. Положим во втором неравенстве Чебышева значение ε рав-
ным 3σx. Тогда вероятность попадания на указанный интервал будет не ме-
нее 8/9 = 0, 8889 . Данная оценка является оценкой снизу и найдена для
широкого класса случайных величин X , о которых известно только то, что
92
они имеют математическое ожидание и дисперсию. Если иметь более пол-
ную информацию об исходной случайной величине, то можно получить более
точный результат. В частности, для нормально распределенной случайной
величины вероятность попаданий на тот же интервал вычисляется точно и
равна значению 0, 9973 . Так как вероятность того, что случайная величина
будет гарантировнно находиться в интервале (mx− 3σx; mx+ 3σx) доста-
точно велика, то вероятность выйти из данного интервала очень мала. Этот
расчет является дополнительным аргументом в пользу истинности правила
трёх сигм, утверждающего, что выйти из интервала (mx− 3σx; mx+ 3σx)
только за счет случайных факторов практически невозможно.
Теорема (Чебышева).
Если случайные величины X1, X2, . . . , Xn, . . . независимы, одинаково
распределены, имеют одинаковые математические ожидания m и одина-
ковые дисперсии D , то последовательность средних арифметических
n
XЇn=1∑Xk,n ∈ N
n
k=1
сходится по вероятности к их общему математическому ожиданию m :
XЇn→Pm при n → ∞.
Доказательство. Пользуясь условиями теоремы и свойствами мате-
матического ожидания, найдем математические ожидания элементов после-
довательности средних арифметических случайных величин в виде
M ( Їn) = M
1
n
n
∑
k=1
Xk
!
=
1
n
n
∑
k=1
M (Xk) =
1
n
· nm = m, n ∈ N.
Аналогично вычисляются дисперсии средних арифметических
D( Їn) = D
1
n
n
∑
k=1
Xk
!
=
1
n2
n
∑
k=1
D(Xk) =
1
n2
· nD =D
n
, n ∈ N.
Далее, используя полученные выше результаты, применим неравенство
Чебышева в первой форме к среднему арифметическому XЇn:
D( Їn)
0 ≤ P(|XЇn− M ( Їn)| ≥ ε ≤
⇔ 0 ≤ P(|XЇn− m| ≥ ε ≤D·1.
ε2
ε2
n
Таким образом, вероятность P(|XЇn− m| ≥ ε слева ограничена нулем,
а справа последовательностьюD· 1
→ ∞
ε2
n , которая при n
93
стремится к нулю.
Следовательно, по теореме о переходе к пределу в неравенствах, централь-
ная часть также стремится к нулю. Отсюда, по определению сходимости по
вероятности следует доказательство теоремы.
Теорема Чебышева сформулирована для случая одинаково распреде-
ленных случайных величин. Есть теоремы, в которых рассматриваются слу-
чайные величины с различными математическими ожиданиями и дисперсия-
ми. В них при разнообразных требованиях к существованию дисперсий и их
ограниченности доказывается сходимость по вероятности средних арифмети-
ческих случайных величин к среднему арифметическому их математических
ожиданий. Во всех указанных теоремах принято говорить, что к таким слу-
чайным величинам применим закон больших чисел.
Теорема Чебышева лежит в основе асимптотических методов в мате-
матической статистике. Действительно, выборочные наблюдения случайной
величины X рассматриваются в математической статистике как одинаково
распределенные и взаимно независимые компоненты n - мерного случайного
вектора. Вычисляя их среднее арифметическое, можно за счет увеличения
объема выборки n сколь угодно точно оценить математическое ожидание.
Пример. Ошибка измерения прибора X имеет математическое ожи-
дание mx= 3 и стандартное отклонение σx= 0, 2 .
Оценить снизу вероятность P(|XЇ4− 3| < 0, 2 того, что абсолютная
ошибка среднего из 4 измерений менее, чем 0, 2 .
Решение. Как показано при доказательстве теоремы Чебышева мате-
матическое ожидание среднего арифметического равно общему математиче-
скому ожиданию mxотдельных слагаемых, т. е. M(XЇn= mx= 3 . Диспер-
сия среднего арифметического выражается через общую для всех слагаемых
дисперсию Dx= σ2x по формуле D( Їn) = Dx/n = σ2x/n= 0, 22/4 . Положим
во втором неравенстве Чебышева значение ε равным 0, 2 . Тогда вероятность
P(|XЇ4− 3| < 0, 2 оценивается снизу в виде
1 −
D( Ї4)
ε2
= 1 −
0, 22
4 · 0, 22
= 0, 75.
Теорема (Бернулли). Относительная частотаkn события A при
n независимых испытаниях по схеме Бернулли сходится по вероятности
к вероятности p = P (A) события A при одном испытании:
k
n
P
→ P (A) при n → ∞.
Доказательство. Теорема Бернулли является следствием теоремы Че-
бышева. Рассмотрим последовательность индикаторных случайных величин
94
I1, I2, . . . , In, . . . , задающих число появления некоторого события A ⊂ Ω . Так
как реализуется схема Бернулли, то при любом натуральном n и любом со-
бытии A данные индикаторные случайные величины независимы и имеют
распределение Бернулли. Следовательно, они имеют одно и то же множество
значений {0; 1} , одинаковые математические ожидания m = p = P (A) и
одинаковые дисперсии D = p · q, q = 1 − p .
Сумма ∑nk=1Ik,n ∈ N индикаторных случайных величин принима-
ет значения k = 0, 1, . . . , n . Отсюда, среднее арифметическое из значений
индикаторных случайных величин рассчитывается по формуле
n
IЇ =1∑Ik=k.
n n
k=1
Математическое ожидание среднего арифметического IЇ =k
равно p , а дисперсия pq/n .
n в данном случае
Таким образом, все условия теоремы Чебышева выполнены и среднее
арифметическое IЇ из значений индикаторных случайных величин, равное от-
носительной частотеkn появления события A при проведении n испытаний,
сходится по вероятности к вероятности события A при одном испытании, что
и требовалось доказать.
Теорема Бернулли теоретически обосновывает возможность сколь угод-
но точной оценки вероятности события A по формуле
k
P (A) =
n
в достаточно большой серии из n независимых испытаний.
Отметим, что если произведено конечное число n независимых испы-
таний по схеме Бернулли, то для относительной частоты числа ѕУспеховїk
второе неравенство Чебышева имеет вид
n
P
(_ k
n
− p < ε ≥ 1 −pq
nε2
.
Данное неравенство позволяет утверждать, что относительная частота числа
ѕУспеховїkn при проведении сериии из n независимых испытаний находится
в интервале (p − ε, p + ε) с вероятностью не меньшей 1 −pq
nε2.
Пример. Правильная игральная кость подбрасывается 100 раз. Оце-
нить вероятность того, что относительная частота выпадения шести очков
не выйдет из диапазона (1/6 − 0, 1; 1/6 + 0, 1) .
Решение. В данной задаче число испытаний равно 100, вероятность
ѕУспехаї равна 1/6 , вероятность ѕОтказаї 5/6 , ε = 0, 1 . Подставим ука-
95
занные значения во второе неравенство Чебышева. Тогда вероятность попа-
дания в указанный интервал (1/6 − 0, 1; 1/6 + 0, 1) будет не менее
1 −
(1/6) · (5/6)
100 · 0, 12
= 1 −
5
36
=
31
36
.