Предельные теоремы.

Как уже говорилось, при достаточно большом количестве испытаний, поставленных в одинаковых условиях, характеристики случайных событий и случайных величин становятся почти неслучайными. Это позволяет использовать результаты наблюдений случайных событий для предсказания исхода того или иного опыта.

Предельные теоремы теории вероятностей устанавливают соответствие между теоретическими и экспериментальными характеристиками случайных величин при большом количестве испытаний.

В рассмотренном выше законе больших чисел нечего не говорилось о законе распределения случайных величин.

Поставим задачу нахождения предельного закона распределения суммы

когда число слагаемых п неограниченно возрастает. Эту задачу решает центральная предельная теорема Ляпунова, которая была сформулирована выше.

В зависимости от условий распределения случайных величин , образующих сумму, возможны различные формулировки центральной предельной теоремы.

Допустим, что случайные величины взаимно независимы и одинаково распределены.

Теорема . Если случайные величины взаимно независимы и имеют один и тот же закон распределения с математическим ожиданием т и дисперсией , причем существует третий абсолютный момент , то при неограниченном увеличении числа испытаний п закон распределения суммы неограниченно приближается к нормальному.

При доказательстве этой теоремы Ляпуновым использовались так называемые характеристические функции .

Характеристической функцией случайной величины Х называется функция

Эта функция представляет собой математическое ожидание некоторой комплексной случайной величины , являющейся функцией от случайной величины Х . При решении многих задач удобнее пользоваться характеристическими функциями, а не законами распределения.

Зная закон распределения, можно найти характеристическую функцию по формуле (для непрерывных случайных величин):

Как видим, данная формула представляет собой не что иное, как преобразование Фурье для функции плотности распределения. Очевидно, что с помощью обратного преобразования Фурье можно по характеристической функции найти закон распределения.

Введение характеристических функций позволяет упростить операции с числовыми характеристиками случайных величин.

В случае нормального распределения характеристическая функция имеет вид:

Сформулируем некоторые свойства характеристических функций:

1) Если случайные величины Х и Y связаны соотношением

где а – неслучайный множитель, то

2) Характеристическая функция суммы независимых случайных величин равна произведению характеристических функций слагаемых.

Случайные величины , рассмотренные в центральной предельной теореме, могут обладать произвольными распределениями вероятностей.

Если все эти случайные величины одинаково распределены, дискретны и принимают только два возможных значения 0 или 1, то получается простейший случай центральной предельной теоремы, известный как теорема Муавра – Лапласа .

Теорема (теорема Муавра – Лапласа) . Если производится п независимых опытов, в каждом из которых событие А появляется с вероятностью р , то для любого интервала справедливо соотношение:

где Y – число появлений события А в п опытах, , – функция Лапласа, - нормированная функция Лапласа.

Теорема Муавра – Лапласа описывает поведение биноминального распределения при больших значениях п .

Данная теорема позволяет существенно упростить вычисление по формуле биноминального распределения.

Расчет вероятности попадания значения случайной величины в заданный интервал при больших значениях п крайне затруднителен. Гораздо проще воспользоваться формулой:

Теорема Муавра – Лапласа очень широко применяется при решении практических задач.

Пример 53.1. Вероятность наступления события А в каждом испытании равна 0,3. Используя неравенство Чебышева, оценить вероятность того, что в 10000 испытаниях отклонение относительной частоты появления события А от его вероятности не превзойдет по абсолютной величине 0,01.

Решение .

В соответствии с неравенством Чебышева вероятность того, что отклонение случайной величины от ее математического ожидания будет меньше некоторого числа , ограничена в соответствии с неравенством .

Надо определить математическое ожидание и дисперсию числа появления события А при одном опыте. Для события А случайная величина может принимать одно из двух значений: 1- событие появилось, 0 - событие не появилось. При этом вероятность значения 1 равна вероятности , а вероятность значения 0 - равна вероятности ненаступления события А .

По определению математического ожидания имеем:

Дисперсия:

В случае п независимых испытаний получаем Эти формулы уже упоминались выше.

В нашем случае получаем:

Вероятность отклонения относительной частоты появления события А в п испытаниях от вероятности на величину, не превышающую равна:

Выражение полученное в результате этих простых преобразований представляет собой не что иное, как вероятность отклонения числа т появления события А от математического ожидания на величину не большую, чем .

В соответствии с неравенством Чебышева эта вероятность будет не меньше, чем величина

Пример 53.2. Сколько следует проверить деталей, чтобы с вероятностью, не меньшей 0,96, можно было ожидать, что абсолютная величина отклонения относительной частоты годных деталей от вероятности детали быть годной, равной 0,98, не превысит 0,02.

Решение .

Условие задачи фактически означает, что выполняется неравенство:

Здесь п - число годных деталей, т - число проверенных деталей. Для применения неравенства Чебышева преобразуем полученное выражение:

После домножения выражения, стоящего в скобках, на т получаем вероятность отклонения по модулю количества годных деталей от своего математического ожидания, следовательно, можно применить неравенство Чебышева, т.е. эта вероятность должна быть не меньше, чем величина , а по условию задачи еще и не меньше, чем 0,96.

Таким образом, получаем неравенство . Как уже говорилось в предыдущей задаче, дисперсия может быть найдена по формуле .

Итого, получаем:

Т.е. для выполнения требуемых условий необходимо не менее 1225 деталей.

Пример 53.3. Суточная потребность электроэнергии в населенном пункте является случайной величиной, математическое ожидание которой равно 3000 кВт/час, а дисперсия составляет 2500. Оценить вероятность того, что в ближайшие сутки расход электроэнергии в этом населенном пункте будет от 2500 до 3500 кВт/час.

Решение .

Требуется найти вероятность попадания случайной величины в заданный интервал:

Крайние значения интервала отклоняются от математического ожидания на одну и ту же величину, а именно – на 500. Тогда можно записать с учетом неравенства Чебышева:

Отсюда получаем:

Т.е. искомая вероятность будет не меньше, чем 0,99.

Пример 53.4. Среднее квадратическое отклонение каждой из 2500 независимых случайных величин не превосходит 3. Оценить вероятность того, что абсолютная величина отклонения среднего арифметического этих случайных величин от среднего арифметического их математических ожиданий не превосходит 0,3.

Решение .

Требуется найти вероятность

Неравенство Чебышева в случае суммы случайных величин имеет вид:

Если среднее квадратическое отклонение не превосходит 3, то, очевидно, дисперсия не превосходит 9. Величина e по условию задачи равна 0,3.

Тогда . Отсюда получаем при n= 2500:

Пример 53.5. Выборочным путем требуется определить среднюю длину изготавливаемых деталей. Сколько нужно исследовать деталей, чтобы с вероятностью, большей, чем 0,9, можно было утверждать, что средняя длина отобранных изделий будет отличаться от математического ожидания этого среднего (средняя длина деталей всей партии) не более, чем на 0,001 см.? Установлено, что среднее квадратическое отклонение длины детали не превышает 0,04 см.

Решение .

Для того, чтобы воспользоваться теоремой Муавра - Лапласа найдем математическое ожидание и дисперсию количества бракованных деталей в 50 – ти отобранных:

Фактически в задаче требуется определить вероятность того, что бракованных деталей будет не менее шести, но и, очевидно, не более 50- ти.

Значения функции Лапласа находятся по таблице (см. приложение 2). Конечно, значения функции Лапласа в таблице нет, но т.к. в таблицах указано, что , то все значения от величин, превышающих 3 также равны 1.

Пример 53.7. Известно, что 60% всего числа изготавливаемых заводом изделий являются изделиями первого сорта. Приемщик берет первые попавшиеся 200 изделий. Чему равна вероятность того, что среди них окажется из от 120 до 150 изделий первого сорта?

Решение .

Вероятность того, что деталь окажется первого сорта, равна, очевидно, 0,6.

Математическое ожидание числа изделий первого сорта равно:

По теореме Муавра - Лапласа получаем:

Пример 53.8. Проверкой установлено, что 96% изделий служат не меньше гарантируемого срока. Наугад выбирают 15000 изделий. Найти вероятность того, что со сроком службы менее гарантируемого будет от 570 до 630 изделий.

Решение .

Вероятность того, что срок службы изделия будет менее гарантированного равна:

Математическое ожидание числа таких изделий равно .

По теореме Муавра - Лапласа получаем.

ПРЕДЕЛЬНЫЕ ТЕОРЕМЫ ТЕОРИИ ВЕРОЯТНОСТЕЙ.

В конце 19 века в теории вероятностей возникло направление исследований, которое получило название: предельные теоремы теории вероятностей. В этом направлении, начало которого было положено нашими соотечественниками П.Л.Чебышевым, А.А.Марковым, А.М.Ляпуновым, по сей день ведутся интенсивные исследования. Предельные теоремы теории вероятностей можно разбить на две большие группы.

1. Одна группа теорем составляет "закон больших чисел". Закон больших чисел формулирует условия, при которых совокупное действие большого числа случайных факторов приводит к результату почти не зависящему от случая (т.е. практически постоянный результат)

2. Вторая группа теорем связана с выяснением вопроса о распределении сумм большого числа случайных величин. В этих теоремах выясняется, какие законы распределения может иметь сумма случайных величин, если число слагаемых неограниченно увеличивается, и какие условия при этом нужно наложить на сами величины. В частности, центральная предельная теорема посвящена установлению сумм, при которых возникает нормальный закон распределения.

Центральная предельная теорема

Первый вариант этой теоремы был доказан в 1912 г. А.М.Ляпуновым. В настоящее время имеется несколько формулировок этой теоремы, различающихся условиями, которые накладываются на случайные величины. Мы приведём простейший вариант центральной предельной теоремы для одинаково распределённых независимых случайных величин.

Пусть последовательность одинаково распределённых случайных величин с математическими ожиданиями и дисперсиями .

ТЕОРЕМА. Если случайные величины независимы и , то при достаточно большом n закон распределения суммы будет сколь угодно близок к нормальному закону распределения .

Так как в условиях теоремы случайные величины независимы, то

т.е. в условиях теоремы сумма имеет закон распределения близкий к .Так" как na и с ростом п, возрастают, то удобнее рассматривать не просто суммы , а нормированные суммы . Такие суммы при имеют закон распределения .

Мы не приводим доказательства теоремы потому, что оно требует введения многих дополнительных понятий и утверждений. Было потрачено немало усилий, чтобы ослабить условия, налагаемые на случайные величины в центральной предельной теореме. В частности, оказалось, что утверждение теоремы остаётся в силе и для слабо зависимых случайных величин. Как уже отмечалось, существует много вариантов и соответственно формулировок центральной предельной теоремы, но во всех этих вариантах суть условий одна: Если случайная величина может быть представлена в виде суммы большого числа независимых (или слабо зависимых) случайных величин, каждая из которых мала по сравнению с суммой, то эта сумма имеет закон распределения близкий к нормальному.

Пример 1. Наглядной иллюстрацией действия центральной предельной теоремы является рассеивание снарядов при артиллерийской стрельбе. На траекторию снаряда действует большое количество независимых факторов, влияние каждого из которых невелико. Этими факторами являются отклонения в размере заряда, в размере и весе снаряда, сила и направление ветра на разных высотах, плотность воздушных вихрей, зависящая от температуры и влажности воздуха, и т.д.

В результате отклонение снаряда от цели имеет приблизительно нормальный закон распределения.

Пример 2. Другими широко известным примером может служить ошибка возникшая при измерениях. Ошибка, как правило, является суммой малых ошибок возникающих из-за действия случайных факторов таких, как температура окружающей среды, состояние наблюдателя, состояние измерительного прибора и т.д.

Интегральная теорема Лапласа .

Пусть X есть число наступлений события в п независимых опытах, в каждом из которых вероятность появления события равна .Тогда при достаточно больших n вероятность того, что событие появится от до раз равна

, где q =1- p , Ф(х) – функция Лапласа.

Эта теорема является следствием из, центральной предельной теоремы, хотя и была доказана гораздо раньше неё. В самом деле, число появлений события в n независимых опытах можно представить следующим образом

Число успехов,

где - число появлений события в i -м опыте, причём ранее было показано, что и . Т.е. X является суммой большого числа независимых случайных величин и . Условия центральной предельной теоремы выполнены, X имеет закон
распределения близкий к

Если для этого закона распределения записать с помощью формулы вероятность попадания случайной величины в интервал , то и получится утверждение теоремы (Муавра-Лапласа).

Пример 1. Вероятность выпуска изделия второго сорта равна 0,2. Изделия отправляют партиями по 100 штук. Какова вероятность того, что во взятой наугад партии содержится от 20 до 25 изделий второго сорта?

Имеем n =100, р=0.2, q =0.8

Законы распределения частоты события .

Рассмотрим частоту появления события в схеме n независимых опытов. Она может быть представлена через индикатор события I , рассмотренный в дискретных с.в., в виде

т.е. является суммой большого числа независимых одинаково распределенных случайных величин , каждая из которых имеет дисперсию . По центральной предельной теореме частота события имеет закон, близкий к нормальному закону распределения, с параметрами

Итак, частота события имеет закон распределения, близкий к нормальному N ( p , ). Используя формулу, можно получить соотношение

P ( =2 .

Закон больших чисел.

Как уже говорилось, закон больших чисел формулирует условия, при которых особенности каждого отдельного случайного явления почти не сказываются на среднем результате совокупности таких явлений. Наиболее яркой иллюстрацией проявления закона больших чисел является постоянство давления газа. Каждая молекула газа, двигаясь хаотично, в случайные моменты времени сталкивается со стенкой сосуда, в который газ заключен. Тем не менее, в виду большого числа молекул, давление газа, как суммарный итог соударений молекул газа со стенками сосуда, практически остаётся постоянным.

Доказательство ряда теорем, входящих в закон больших чисел, опирается на одно простое неравенство, которое мы сейчас выведем.

Неравенство Чебышева.

Каково бы ни было положительное число a вероятность того, что случайная величина отклонится от своего математического ожидания не меньше, чем на a, ограничена сверху величиной , т.е.

Неравенство Чебышева можно записать в эквивалентной форме

так как события и противоположны.

Определение. Говорят, что последовательность случайных величин сходится по вероятности к числу а , если при сколь угодно малом e>о вероятность неравенства с увеличением n , неограниченно приближается к единице, т.е.

Теорема Чебышева.

Пусть наблюдается одна и та же случайная величина X с математическим ожиданием М(Х) и дисперсией . Обозначим через результат первого наблюдения, второго наблюдения и т.д.

При увеличении числа независимых опытов n среднее арифметическое наблюдаемых значений случайной величины сходится по вероятности к ее математическому ожиданию, т.е.

Эта теорема обосновывает следующий способ определения математического ожидания случайной величины на основе опытных данных: нужно проделать достаточно много наблюдений случайной величины и вычислить среднее арифметическое наблюденных_ значений. Если число наблюдений велико, то почти достоверно, что, мало отличается от математического ожидания наблюдаемой величины и можно взять в качестве приближённого значения математического ожидания.

Обычно при измерении физических величин производят несколько измерений и в качестве значения измеряемой величины берут среднее арифметическое из результатов измерений. Обоснование такому способу действий даёт теорема Чебышева. Пусть мы измеряем некоторую физическую постоянную а. При измерении допускается некоторая ошибка X и мы фактически получаем при измерении значение а. + X . Если мы не делаем систематической ошибки, иначе говоря, если М(Х)=0, то М(а+Х)=М(а)+М(Х)=а. Значит, при достаточно большом числе измерений среднее арифметическое их результатов будет равно математическому ожиданию (по т. Чебышева) и как угодно близко к а с вероятностью как угодно близкой к единице. Таким образом, даже не точный прибор может обеспечить при указанном способе действий какую угодно точность. О способах эту точность оценить количественно см.

Теорема Бернулли.

Пусть производится h независимых опытов, в каждом из которых вероятность появления события А равна р. Частота появления события в этих h опытах является случайной величиной с математическим ожиданием и дисперсией .

Теорема Бернулли. При увеличении числа независимых опытов – частота события сходится по вероятности к вероятности этого события, т.е. для любого e>0

Доказательство. Запишем неравенство Чебышева , где для случайной величины .

Так как p , q , e - постоянные, то , при . Поэтому

Но вероятность не может превосходить единицу, значит в этом соотношении неравенство следует заменить знаком равенства, что и приводит к утверждению теоремы.

Теорема Бернулли даёт обоснование статистическому определению вероятности.

Принцип практической уверенности

В человеческом мировоззрении отсутствует один важный элемент – мы не умеем проводить чёткую грань между тем, что может быть, и тем, чего быть не может. Например, можно ли прожить 500 лет? Нет. Но если можно прожить 150 лет, то почему нельзя прожить на один день больше? А если, можно, то почему нельзя прожить ещё на один день больше? и т.д. Чёткой границы между возможным и невозможным провести нельзя. В подобных ситуациях отчасти помогает понятие практически невозможного события.

Можно привести примеры событий, которые имеют ничтожно малую вероятность.

1. Например, можно научить обезьяну наугад скучать по клавишам пишущей машинки. Существует отличная от нуля вероятность того, что обезьяна случайно отпечатает текст романа "Война и мир". Эта вероятность равна приблизительно , где N – число букв в романе, а 1/50 – вероятность нажать в нужный момент на нужную клавишу (всего клавиш около 50).

2. Другой пример. Существует отличная от нуля вероятность при полёте на самолёте попасть в авиационную катастрофу.

3. В примере с возрастом можно считать длительность жизни человеке случайной величиной, значения которой больше 200 лет крайне маловероятны. Во всех приведённых примерах события имеют ничтожно малую вероятность и возможностью, появления таких событий мы и пренебрегаем. Но пренебрегать возможностью появления маловероятных событий можно не вообще, а только в определённых условиях.

Пусть вероятность появления события в одном опыте ничтожно мала и равна р. Тогда вероятность непоявления события равна 1-р= q , причём q <1, т.к. р всё же отлично от нуля.

т.к. q <1 и . Значит, если опытов производить много, то рано или поздно происходят даже самые маловероятные события, и возможностью появления маловероятных событий в большей серии опытов пренебрегать нельзя.

В итоге получаем утверждение: Если вероятность события близка к нулю, то можно быть практически уверенным, что в единичном опыте оно не произойдёт. Событие, имеющее вероятность близкую к нулю, в единичном опыте можно считать практически невозможным . Насколько малой должна быть вероятность события, чтобы можно было считать это событие практически невозможным, зависит от того, насколько серьёзные последствия нам грозят, если событие, объявленное нами практически невозможным, все-таки произойдёт. Т.е. этот вопрос решается вне рамок теории вероятностей. Например, вероятность события равна 0,01. Если это вероятность попасть в авиационную катастрофу при полёте на самолёте, то вряд ли стоит пренебрегать такой вероятность. Если же это вероятность вытащить на экзамене не выученный билет, то такой вероятностью можно пренебречь (на деле пренебрегают и гораздо большими вероятностями).

Обратно. Если вероятность события близка к единице, то можно быть практически уверенным, что в единичном опыте оно произойдёт. Событие, имеющее вероятность близкую к единице, можно назвать в единичном опыте практически достоверным .

Насколько близкой к единице должна быть вероятность решается из тех же соображений, что и вопрос о малости вероятности практически невозможного события.

Правило трёх сигм.

Пусть X имеет закон распределения .

Оценим вероятность того, что эта случайная величина отклонится от своего математического ожидания не больше чем на три средних квадратических отклонения. По формуле

т.е. отклонение больше 3s имеют вероятность 0,003. Во многих приложениях такой вероятностью можно пренебречь и утверждать, что при единичном наблюдении нормально распределённой случайной величины, интервалом практически возможных значений является интервал (m -3s, m +3s). Это утверждение называют "правилом трёх сигм".

Пример. Есть предположение, что только половина жителей города поддерживает некоторое мероприятие. Опросили наугад 900 чел. 499 из них высказались «за». Согласуется ли наше предположение с опытными данными?

Согласно предположению каждый житель ответит «да» с вероятностью р=1/2, п=900, пр=450 – это математическое ожидание m в схеме независимых испытаний, = , 3 . Пусть Х - число поддерживающих мероприятие жителей. При большом числе испытаний биномиальный закон сколь угодно близок к нормальному закону и можно воспользоваться «правилом трех сигм»:

(m -3 =(450-45;450+45)=(405;495) - это интервал практически возможных значений с.в. Х , а 499 в него не входит, т.е. наше предположение не согласуется с опытными данными.

Неравенство Чебышева и его значение. Теорема Чебышева. Теорема Бернулли. Центральная предельная теорема теории вероятностей (теорема Ляпунова) и её использование в математической статистике.

Теория вероятностей изучает закономерности, свойственные массовым случайным явлениям. Предельные теоремы теории вероятностей устанавливают зависимость между случайностью и необходимостью. Изучение закономерностей, проявляющихся в массовых случайных явлениях, позволяет научно предсказывать результаты будущих испытаний.

Предельные теоремы теории вероятностей делятся на две группы, одна из которых получила название закона больших чисел , а другая - центральной предельной теоремы .

Рассмотрим теоремы, относящих к закону больших чисел: неравенство Чебышева, теоремы Чебышева и Бернулли.

Закон больших чисел состоит из нескольких теорем, в которых доказывается приближение средних характеристик при соблюдении определённых условий к некоторым постоянным значениям.

Если случайная величина имеет конечное математическое ожидание и дисперсию, то для любого положительного числа справедливо неравенство . Из этого неравенства следует, что при уменьшении дисперсии верхняя граница вероятности также уменьшается, и значения случайной величины с небольшой дисперсией сосредотачиваются около её математического ожидания.

Пример 1. Для правильной организации сборки узла необходимо оценить вероятность, с которой размеры деталей отклоняются от середины поля допуска не более чем на 2 мм. Известно, что середина поля допуска совпадает с математическим ожиданием размеров обрабатываемых деталей, а среднее квадратическое отклонение равно 0,25 мм.

Решение. По условию задачи мм и . В данном случае - размер обрабатываемых деталей. Используя неравенство Чебышева, получаем при условии, что случайная величина имеет конечную дисперсию, то есть

где - положительное число, близкое к единице.

Переходя в фигурных скобках к противоположному событию, получаем

Теорема Чебышева позволяет с достаточной точностью по средней арифметической судить о математическом ожидании или, наоборот, по математическому ожиданию предсказывать ожидаемую величину средней. Так, на основании этой теоремы можно утверждать, что если проведено достаточно большое количество измерений определённого параметра прибором, свободным от систематической погрешности, то средняя арифметическая результатов этих измерений сколь угодно мало отличается от истинного значения измеряемого параметра.

Теорема Бернулли устанавливает связь между относительной частотой появления события и его вероятностью.

При достаточно большом числе независимых испытаний с вероятностью, близкой к единице, можно утверждать, что разность между относительной частой появления события в этих испытаниях е го вероятностью в отдельном испытании по абсолютной величине окажется меньше сколь угодно малого числа , если вероятность наступления этого события в каждом испытании постоянна и равна .

Утверждение теоремы Бернулли можно записать в виде неравенства

где - любые сколь угодно малые положительные числа.

Используя свойства математического ожидания и дисперсии, а также неравенство Чебышева, формулу можно записать в виде

При решение практических задач иногда бывает необходимо оценить вероятность наибольшего отклонения частоты появлений события от её ожидаемого значения. В этом случае случайной величиной является число появления события в независимых испытаниях.

Используя неравенство Чебышева, получаем

Пример 3. Из 1000 изделий, отправляемых в сборочный цех, обследованию было подвергнуто 200 отобранных случайным образом изделий. Среди низ оказалось 25 бракованных. Приняв долю бракованных изделий среди отобранных за вероятность изготовления бракованного изделия, оценить вероятность того, что во всей партии окажется бракованных изделий не более 15% и не менее 10%.

В конце XIX века в теории вероятностей возникло направление исследований, которое получило название: предельные теоремы теории вероятностей. В этом направлении, начало которого было положено П.Л.Чебышевым, А.А.Марковым, А.М.Ляпуновым, по сей день ведутся интенсивные исследования. Предельные теоремы теории вероятностей можно разбить на две большие группы.

1. Одна группа теорем составляет «закон больших чисел». Закон больших чисел формулирует условия, при которых совокупное действие большого числа случайных факторов приводит к результату почти не зависящему от случая (т.е. практически постоянный результат).
2. Вторая группа теорем связана с выяснением вопроса о распределении сумм большого числа случайных величин. В этих теоремах выясняется, какие законы распределения может иметь сумма случайных величин, если число слагаемых неограниченно увеличивается, и какие условия при этом нужно наложить на сами величины. В частности, центральная предельная теорема посвящена установлению сумм, при которых возникает нормальный закон распределения.

Центральная предельная теорема

Первый вариант этой теоремы был доказан в 1912 г. А.М.Ляпуновым. В настоящее время имеется несколько формулировок этой теоремы, различающихся условиями, которые накладываются на случайные величины. Приведём простейший вариант центральной предельной теоремы для одинаково распределённых независимых случайных величин.

Теорема. Если случайные величины независимы и, то при достаточно большом n закон распределения суммы будет сколь угодно близок к нормальному закону распределения.

Так как в условиях теоремы случайные величины независимы, то

т.е. в условиях теоремы сумма имеет закон распределения близкий к. Так как na и с ростом n , возрастают, то удобнее рассматривать не просто суммы, а нормированные суммы. Такие суммы при имеют закон распределения.

Доказательства теоремы не приведены потому, что оно требует введения многих дополнительных понятий и утверждений. Было потрачено немало усилий, чтобы ослабить условия, налагаемые на случайные величины в центральной предельной теореме. В частности, оказалось, что утверждение теоремы остаётся в силе и для слабо зависимых случайных величин. Как уже отмечалось, существует много вариантов и соответственно формулировок центральной предельной теоремы, но во всех этих вариантах суть условий одна: Если случайная величина может быть представлена в виде суммы большого числа независимых (или слабо зависимых) случайных величин, каждая из которых мала по сравнению с суммой, то эта сумма имеет закон распределения близкий к нормальному.

В результате отклонение снаряда от цели имеет приблизительно нормальный закон распределения.

Пример 2. Другими широко известным примером может служить ошибка, возникшая при измерениях. Ошибка, как правило, является суммой малых ошибок возникающих из-за действия случайных факторов таких, как температура окружающей среды, состояние наблюдателя, состояние измерительного прибора и т.д.

Главная » Обучение за рубежом » Предельные теоремы.