Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Случайные события.docx
Скачиваний:
3
Добавлен:
01.05.2025
Размер:
2 Мб
Скачать
☆

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  .