HYPERLINK «http://www.ukrreferat.com/» www.ukrreferat.com – лідер
серед рефератних сайтів України!

РЕФЕРАТ

на тему:

“Граничні теореми теорії ймовірностей”

ПЛАН

1. Теорема Бернуллі

2. Закон великих чисел у формі Чебишева

3. Реалізація практично достовірної події

4. Стиск розподілу з ростом числа доданків

5. Посилений закон великих чисел

6. Теорема Гливенко — основна теорема статистики

7. Центральна гранична теорема

Список використаної літератури

 

1. Теорема Бернуллі

Якщо проводиться n незалежних випробувань випадкової події A,
ймовірність якої P(A) = p, то відносна частота ?/n появи події A ( ? ?
число появ A) при великому n приблизно дорівнює імовірності p:

 .

, якщо для кожного ?>0 і для досить великих n співвідношення

                                                                       
  (1)

виконується з імовірністю, що прямує до 1 з ростом n; запишемо це так:

.                                   

У цьому полягає теорема Бернуллі. Помітимо, що теорема не стверджує, що
співвідношення (1) є вірогідним, однак, якщо n досить велике, то
ймовірність того, що воно є справедливим близька до 1 (наприклад, 0.98
чи 0.999), що практично вірогідно. Якщо проводиться  експеримент, який
складається з цього досить великого числа n випробувань, то можна бути
впевненим, що співвідношення (1) буде виконано. Продемонструємо це не
абсолютно достовірне твердження на прикладах. Слід зауважити, що при
оцінюванні швиглядкості збіжності застовується нерівність Чебишева.

Нерівність Чебишева. Ймовірність того, що відхилення випадкової величини
X від її математичного сподівання за абсолютною величиною менше
додатного числа ?, не менша, ніж 1-D(X)/ ?2, тобто

P(|X-M(X)|< ?)?1-D(X)/ ?2   Приклад 1. Кидання  симетричної  монети. Імовірність появи герба p=0. Можна показати (за допомогою центральної граничної теореми), що, наприклад, якщо n ? (1.5/?)2, то співвідношення (1) виконується з імовірністю 0.997, а якщо n ? (1.3/?)2, те ? з імовірністю 0.99; остання в даному випадку нас цілком влаштовує як практична вірогідність. Покладемо ? = 0.1; тоді співвідношення | ? / n - 0.5 | < 0.1                                              (a) 170. Якщо ?=0.03, то співвідношення | ? / n - 0.5 | < 0.03                                             (б) 1850. Ми впевнені, що, після 170 кидань монети, одержимо (а), а після 1850 кидань, одержимо (б).      Кидання  монети  моделюємо  генерацією випадкової величини ?, що набуває значення 1 ("герб") і 0 ("цифра") з імовірностями 1/2. Число появ "герба" у n випробуваннях  , де ?k- результат k-го випробування.   2. Закон великих чисел у формі Чебишева  при великому n (при деяких широких умовах) виявляється приблизно рівним a: Уточнимо: будемо писати  , якщо для кожного ? >0  і досить великих n співвідношення

                                                   (2)

виконується з імовірністю, що прямує до 1 з ростом n; запишемо це так:

 при n? ?.  

Це одне з тверджень закону великих чисел. Помітимо, що, як і теорема
Бернуллі, воно не означає, що співвідношення (2) вірогідно; однак, якщо
n досить велике, то імовірність його виконання близька до 1, наприклад,
0.99 чи 0.999, що означає практично вірогідно. Наведемо повне
формулювання однієї з теорем закону великих чисел у формі Чебишева,

— послідовність попарно незалежних випадкових величин, що мають
скінченні дисперсії, обмежені однією і тієї ж константою:

 ,

то   для будь-якого ?>0

.

 

 

3. Реалізація практично достовірної події

Переконаємося у виконанні (2) статистично на прикладі 1.

Приклад 2. Нехай випадкові величини розподілені рівномірно на відрізку
[0,1]. Якщо значення ? задавати довільно, а число випробувань вибирати з
умови     n ? (9D?/?2),    то (як неважко показати)  співвідношення (2)
виконується з імовірністю P=0.997, а якщо     n ? (4D?/?2)     — то з
P=0.98. Остання нас влаштовує, як практична вірогідність.

Покладемо ?1 =0.1 і ?2 =0.02, визначимо два відповідних значення n1 =45
і n2 =1125, і перевіримо (2) експериментально (у нашому випадку a=0.5).
Виконання аналогічне п.1.

Завдання. Перевірити (2) експериментально для експоненційно розподілених
доданків з M?=1. Прийняти ?1 =0.2 і ?2 =0.0

 

Приклад 3. Невиконання закону великих чисел

Розглянемо випадкову величину, розподілену за законом Коші з щільністю

                                                 (3)

 збігалося б з ростом n до якіоїсь константи, то, в силу симетрії
розподілу, такою константою міг бути тільки 0. Однак, 0 не є точкою
збіжності. Дійсно, можна показати, що при кожномум ? >0 і при будь-якому
як завгодно великому n

                                                  (4)

\

c

?

¬

^

?

 

c

Z3/4¤3/4ththc

¦

?

O

\

????????????????¬

O

O

oe

u

V

Z

\

^

??

?Т?сть (4) дорівнює 0.5, і виконання його хоча б раз можна впевнено
очікувати, зробивши 7 експериментів (тому що імовірність невиконання
жодного разу дорівнює (0.5)7 = 1/128). І це при будь-якому фіксованому
n, наприклад, n = 1000. Перевіримо  це експериментально.

При виконанні в пакетах, де немає закону Коші, врахуємо, що, якщо
випадкова величина X розподілена рівномірно на відрізку довжини ?, то
випадкова величина

 Y = tg X                                                    (5)

має щільність (3). Згенеруємо 7 вибірок обсягом n=1000 і перевіримо (4)
при ? =1.

 

4. Стиск розподілу з ростом числа доданків

Закон великих чисел  у формі Чебишева  означає, що розподіл випадкової
величини

стискується з ростом n. Якщо математичні сподівання однакові, тобто
M?i=a, то стиск відбувається в околиці точки  a. 

  розподілена за N(a, ?2/n). Побудуємо графіки щільностей для n =1, 4,
25, 100 і ? =1, a =1 (зробимо це з метою освоєння пакета).

min .

 

5. Посилений закон великих чисел

  появи випадкової події з ростом числа n незалежних іспитів прямує до 
імовірності  p

                                                                       
  (6)

з імовірністю 1. Іншими словами, при будь-якому експерименті з
нескінченним числом іспитів має місце збіжність послідовності fn  до p.

  посилений закон великих чисел є справедливим, якщо

    при n? ?                                   (7)

з ймовірністю 1.

В частинному випадку, при рівних математичних сподіваннях, M?i=a, це
означає

    при n? ?                                                      (8)

з імовірністю 1.

Достатня умова виконання (7) дає наступна теорема.

 задовольняє умові

 ,

то для неї справедливий посилений закон великих чисел.

Для незалежних і однаково розподілених випадкових величин справедливий
остаточний результат:

Теорема. Необхідною і достатньою умовою для застосовності посиленого
закону великих чисел до послідовності незалежних величин є існування
математичного сподівання.

 

6. Теорема Гливенко ? основна теорема статистики

Нехай    x1, x2,…,xn   — вибірка з n незалежних спостережень над
випадковою величиною X з функцією розподілу F(x). Розташуємо
спостереження в порядку зростання; одержимо

    

-варіаційний ряд. Визначимо функцію емпіричного розподілу

 ,

-функція випадкова , оскільки вона залежить від спостережень x1,…,xn.

Теорема  Гливенко:

 з імовірністю 1.    (9)

 

7. Центральна гранична теорема

 Зміст теореми

Закон великих чисел затверджує , що при n ? ?

 ,                                           

де а = M?i. Центральна гранична теорема затверджує дещо більше, а, саме,
що при цьому прямуванні відбувається нормалізація:

 ,                                                    (10)

, тобто середнє арифметичне при великих n розподілено  приблизно за
нормальним законом з дисперсією ?2/n; цей факт записують інакше,
нормуючи суму:

 .

Наведемо формулювання однієї з  теорем.

Теорема Ліндеберга. Якщо послідовність взаємно незалежних випадкових
величин ?1, ?2,…, ?n,… при будь-якому постійному ?>0 задовольняє
умові Ліндеберга

 , 

,  те при   n ? ?   рівномірно відносно x

                             (11)

Наслідок. Якщо незалежні випадкові величини ?1, ?2,…, ?n,… однаково
розподілені і мають скінчену відмінну від нуля дисперсію, то виконується
(11).Умова Ліндеберга в цьому випадку, тобто M?k=a, D?k=?2, Fk(x)=F(x),
приймає вигляд: при кожнім  ? > 0 і при      n ? ?

 ;

Це співвідношення виконується, оскільки  інтеграл по всій осі, тобто
дисперсія, існує.

Список використаної літератури

Бернштейн С.Н. Теория вероятностей. – М., 1999.

Вентцель Е.С. Теория вероятностей. — М., 1984.

Гнеденко Б.В. Курс теории вероятностей. — М., 1989.

Квіт І.Д. Випадкова подія та випадкова змінна. — Львів, 1986.

Феллер В. Введение в теорию вероятностей и ее приложения. т.т. 1-2, М.,
1984.

HYPERLINK «http://www.ukrreferat.com/» www.ukrreferat.com – лідер
серед рефератних сайтів України!

PAGE

PAGE 9

Похожие записи