- •Генеральная совокупность и выборка.
- •18 Интервальный вариационный ряд
- •19 Выборочные аналоги интегральной и дифференциальной функций распределения
- •4.1. Эмпирическая функция распределения.
- •4.2. Выборочная дифференциальная функция.
- •20 Полигон и гистограмма
- •Виды средней арифметической величины
- •Основные свойства средней арифметической
- •25 Дисперсионный анализ
- •24 Мода и медиана
- •Однофакторный дисперсионный анализ для несвязанных выборок.
- •26 Неравенство Маркова
- •Замечания[править | править исходный текст]
- •Локальная ц. П. Т
- •36. Марковский случайный процесс. И его свойства.
- •37. Дискретные процессы Маркова с непрерывным временем.
- •38. Теорема о спектральном представлении случайного процесса.
- •Свойства спектральной плотности
- •13.8. Центральная предельная теорема для одинаково распределенных слагаемых
26 Неравенство Маркова
Нера́венство Ма́ркова- в теории вероятностей даёт оценку вероятности, что случайная величина превзойдёт по модулю фиксированную положительную константу, в терминах её математического ожидания. Получаемая оценка обычно достаточно груба. Однако, она позволяет получить определенное представление о распределении, когда последнее не известно явным образом.
Пусть
случайная величина
определена на вероятностном
пространстве
,
и её математическое ожидание конечно.
Тогда
,
где
.
Пусть
—
неотрицательная случайная величина.
Тогда, взяв
,
получаем
.
Нера́венство Чебышёва в теории вероятностей утверждает, что случайная величина в основном принимает значения близкие к своемусреднему. Более точно, оно даёт оценку вероятности, что случайная величина примет значение далёкое от своего среднего. Неравенство Чебышёва является следствием неравенства Маркова.
Пусть
случайная величина
определена
на вероятностном
пространстве
,
и её математическое
ожидание
и дисперсия
конечны.
Тогда
,
где .
Если
,
где
-
стандартное отклонение и
,
то получаем
.
В
частности, случайная величина с конечной
дисперсией отклоняется от среднего
больше, чем на
стандартных
отклонения с вероятностью меньше
.
Она отклоняется от среднего на
стандартных
отклонения с вероятностью меньше
.
При доказательстве неравенства была использована числовая характеристика – математическое ожидание. Эта неслучайное число определяется природой наблюдаемых случайных величин и не зависит от того, как были проведены испытания. На практике почти всегда отсутствует возможность найти математическое ожидание и приходится вместо него использовать среднее арифметическое наблюдаемых значений. Разумеется, что это случайное число , которое все-таки меньше отличается от математического ожидания, чем отдельный результат испытания.
Средним
арифметическим величины X называется
случайная величина
,
которая определяется
выражением
.
Теорема
Чебышева (закон больших чисел) устанавливает
связь между средним арифметическим и
математическим ожиданием случайной
величины.
Теорема Бернулли в теории вероятностей утверждает, что при многократном повторении случайного эксперимента с двумя исходами относительная частота успехов приближается к вероятности успеха в одном испытании.
Рассмотрим схему
Бернулли с
вероятностью успеха
то
есть пусть дана последовательность независимых случайных
величин
где
Определим
как
число успехов в первых
испытаниях:
Тогда
при
то есть
Теорема Ляпунова — теорема в теории вероятностей, устанавливающая некоторые общие достаточные условия для сходимости распределения сумм независимых случайных величин к нормальному закону.
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 найдены Ляпуновым и составляют содержание теоремы, названной его именем.
Пусть
с
,…
последовательность попарно независимых
случайных величин с математическими
ожиданиями M
и
дисперсиями D
,
причём эти величины обладают следующими
двумя 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
растёт при
Тогда
при достаточно большом n сумма
имеет
распределение, близкое к нормальному.
Пусть
и
математическое
ожидание и дисперсия случайной
величины
.
Тогда
Где
— интеграл
вероятности.
Центра́льные преде́льные теоре́мы (Ц. П. Т.) — класс теорем в теории вероятностей, утверждающих, что сумма достаточно большого количества слабо зависимых случайных величин, имеющих примерно одинаковые масштабы (ни одно из слагаемых не доминирует, не вносит в сумму определяющего вклада), имеет распределение, близкое к нормальному.
Так как многие случайные величины в приложениях формируются под влиянием нескольких слабо зависимых случайных факторов, их распределение считают нормальным. При этом должно соблюдаться условие, что ни один из факторов не является доминирующим. Центральные предельные теоремы в этих случаях обосновывают применение нормального распределения.
Классическая Ц. П. Т
Пусть
есть
бесконечная последовательность
независимых одинаково распределённых
случайных величин, имеющих
конечное математическое
ожидание идисперсию.
Обозначим последние
и
,
соответственно. Пусть также
.
Тогда
по
распределению при
,
где
— нормальное
распределение с нулевым математическим
ожиданием и стандартным
отклонением, равным единице. Обозначив
символом
выборочное
среднеепервых
величин,
то есть
,
мы можем переписать результат центральной
предельной теоремы в следующем виде:
по
распределению при
.
