- •В.А. Павский
- •Оглавление
- •Часть 1. Понятие случайного события и его вероятности……..9
- •Часть 2. Случайные величины и функции распределения…….52
- •Часть 3. Предельные теоремы…………………………………………….130
- •Часть 4. Элементы математической статистики………………..141
- •Введение
- •Часть 1. Понятие случайного события и его вероятности
- •Операции над событиями
- •Кроме того, если выполнено условие
- •Следствия из аксиом
- •Из определения сразу следует, что
- •Элементы комбинаторики
- •Пример 5. Сколько существует размещений с повторениями при выборкеkшаров изn?
- •1.3 Вычисление вероятностей событий
- •1.3.1 Классический метод вычисления вероятностей
- •Пример.Поnящикам случайно распределяютсяnшаров. Считая, что ящики и шары различимы, найти вероятности следующих событий:
- •1.3.2 Геометрический метод вычисления вероятностей
- •1.3.3 Статистическое определение вероятности
- •1.3.4 Условная вероятность
- •Произвольны, причем рв.
- •Формула (6) считается определением, ниоткуда не выводится и является отражением здравого смысла. Поясним это на примере геометрического изображения событий (рис. 3).
- •Теорема умножения.ПустьА,в,тогда
- •1.4 Формула полной вероятности и формула Байеса (Bayes) Формула полной вероятности
- •Применяя теорему умножения получим
- •Применяя (9), получим
- •Формула Байеса
- •Вероятности ,, называютапостериорнымивероятностями гипотезВk, поскольку оценка происходит после того, как событиеАпроизошло.
- •1.5 Независимые испытания
- •1.6 Локальная теорема Муавра – Лапласа
- •Интегральная теорема Муавра-Лапласа
- •Функция - табулирована, ее значения приведены в табл. 4 приложения.
- •Сравнивая решение задачи п.1.5. А), б), можно предположить, что, так как – наивероятнейшее число, с большой вероятностью реализуется событие40k60, с центром в точкеk0:
- •1.8 Формула Пуассона
- •Часть 2. Случайные величины и функции распределения
- •Например, к дискретным случайным величинам относятся:
- •Свойства функции распределения.
- •Свойства плотности
- •Примеры основных распределений
- •2.1 Числовые характеристики случайных величин
- •2.1.1 Математическое ожидание, мода, медиана
- •Моменты
- •Свойства дисперсии
- •2.2 Вычисление числовых характеристик стандартных распределений
- •1. Биномиальное распределение.
- •Приложения нормального распределения
- •2.3 Функции от случайных величин
- •2.3.1 Функции от одного случайного аргумента
- •2.3.2 Многомерные случайные величины
- •2.3.3 Условные законы распределения
- •2.3.4 Моменты многомерных случайных величин
- •Свойства коэффициента корреляции
- •2.3.5 Случайные процессы
- •2.3.5.1 Марковские процессы
- •2.3.5.2 Непрерывные цепи Маркова
- •2.3.5.3 Потоки событий
- •2.3.6 Основы теории массового обслуживания
- •Часть 3. Предельные теоремы
- •Вместо (111), часто используют неравенство
- •3.1 Закон больших чисел
- •3.2 Центральные предельные теоремы
- •Часть 4. Элементы математической статистики
- •4.1 Оценка функций распределения
- •Свойства эмпирической функции распределения
- •4.2 Точечные оценки неизвестных параметров законов распределения
- •Итак, пусть имеем выборку (122). Для оценки математического ожидания
- •4.3 Доверительный интервал
- •Окончательно
- •4.4 Проверка статистической однородности
- •Заключение
- •Обозначения
- •Приложение
- •Значения некоторых числовых величин
- •Продолжение таблицы 5
- •Продолжение таблицы 7
- •Библиографический список
3.2 Центральные предельные теоремы
Пусть дана последовательность случайных величин , … . Пусть- частичная сумма последовательности.
В классической постановке центральные предельные теоремы описывают поведение частичных сумм , когдаn достаточно большое.
В большинстве случаев, будем говорить, что к последовательности случайных величин применима центральная предельная теорема [5], если для любых действительных чисел .
(116)
где
Практически, формула (116) дает оценку вероятности того, что сумма нескольких случайных величин примет значение из заданного интервала. В современных центральных предельных теоремах в качестве предельных распределений рассматриваются распределения, отличные от нормального, обычно это локальные предельные теоремы (распределение Пуассона, Коши распределения, распределение Стьюдента, 2 – распределение и др).
Теорема (Линдеберга – Леви). Пусть ,…- последовательность независимых случайных величин, заданных на одном вероятностном пространстве. Пусть существуют
тогда для любых имеет место
Теорема (Ляпунова). Пусть - последовательность независимых случайных величин, у которых существуют конечное математическое ожидание -, дисперсия -и третий центральный момент
Если , (117)
то закон распределения нормированной суммы
сходится по вероятности к нормальному распределению, то есть
.
Доказательство теорем можно найти в [2,5].
Замечание. Условие (117) означает, что влияние любой из случайных величин к последовательности на их сумму несущественно, иначе сходимость определялась бы распределением той случайной величины, у которой дисперсия намного больше, чем у других случайных величин.
Следствие. Если дана последовательность ,… одинаково распределенных случайных величин с конечной дисперсией, то имеет место сходимость равномерно пох
.
Пример 1. В n испытаниях Бернулли с вероятностью успеха р в каждом из испытаний, число успехов можно представить в виде суммы
,
где i равно единице или нулю, в зависимости от того был ли успех в испытании i или нет (см. теорему Бернулли). Так как испытания независимые, то к сумме применимо следствие из центральной предельной теоремы. Поэтому распределение для приблизительно нормально, то есть
В сущности, это есть теорема Муавра-Лапласа.
Пример 2. На странице 88 рассмотрен пример со случайными величинами , одинаково и равномерно распределенными на [0,1). При рассмотрении сумм, было отмечено, что их плотности тем больше напоминают нормальное, чем больше слагаемых в сумме.
Теперь в силу теоремы Линдеберга-Леви мы можем утверждать, что
,
где - плотность случайной величины.
Задача. Доказать, что
Решение. Воспользуемся следствием к теореме Ляпунова. Предположим, что сл. в. ,… распределены в соответствии с законом Пуассона, с параметром=1. В силу следствия, имеем
или
так как
.
Покажем, что
.
Предварительно докажем лемму.
Лемма. Пусть даны случайные величины , распределенные по закону Пуассона с параметрами, тогда
.
Доказательство. Пусть
, ,
тогда кN. Отсюда
.▼
Далее, по индукции, легко показать, что, если распределены по закону Пуассона, то
.▼
Вернемся к задаче.
Рассмотрим событие . Его можно представить в виде объединения несовместных событий:
Следовательно, для r = n
Замечание. Лемма представляет собой пример вычисления свертки дискретных неотрицательных целочисленных случайных величин, распределенных по закону Пуассона.
Практически, центральными предельными теоремами, можно пользоваться и тогда, когда имеется сумма небольшого числа случайных величин (n10).
В частности, широко применяется приближенная замена одних плотностей на другие, более удобные.
Не следует думать, что все центральные предельные теоремы используют нормальное распределение как предельное. Например, в случайных процессах в качестве предельных рассматриваются 2-распределение, распределение Пуассона, Коши распределение, гамма распределение и др. Эти распределения относятся к классу безгранично делимых распределений (то есть таких, которые представимы как n–кратная свертка (nN) , одинаковых распределений вероятностей). Доказано, что они и только они могут быть предельными для сумм независимых случайных величин [2]. Рассматриваются также предельные теоремы перехода от дискретных случайных процессов к непрерывным.