РУБРИКИ

Курс лекций по теории вероятностей

   РЕКЛАМА

Главная

Логика

Логистика

Маркетинг

Масс-медиа и реклама

Математика

Медицина

Международное публичное право

Международное частное право

Международные отношения

История

Искусство

Биология

Медицина

Педагогика

Психология

Авиация и космонавтика

Административное право

Арбитражный процесс

Архитектура

Экологическое право

Экология

Экономика

Экономико-мат. моделирование

Экономическая география

Экономическая теория

Эргономика

Этика

Языковедение

ПОДПИСАТЬСЯ

Рассылка E-mail

ПОИСК

Курс лекций по теории вероятностей

Пример 28. Пусть ? ( U0,2?, ? = cos ?, ? = sin ?— заведомо зависимые

случайные величины. Но математическое ожидание их произведения равно

произведению их математических ожиданий: по свойству E1

[pic]

11.3 Моменты старших порядков. Дисперсия

Определение 40. Если [pic], то число

[pic] называется моментом порядка k (k -м моментом) случайной величины

?;

[pic] называется абсолютным моментом порядка k (абсолютным k -м

моментом) случайной величины ?;

[pic] называется центральным моментом порядка k (центральным k -м

моментом) случайной величины ?;

[pic] называется абсолютным центральным моментом порядка k (абсолютным

центральным k -м моментом) случайной величины ?.

Число D? = E(? – E?)2 (центральный момент порядка 2) называется

дисперсией случайной величины ?

Пример 29. Пусть, скажем, случайная величина ? принимает значение 0 с

вероятностью 1-10-5 , и значение 100 с вероятностью 10-5. Посмотрим, как

моменты разных порядков реагируют на большие, но маловероятные значения

случайной величины.

[pic]

Пример 30. Дисперсия D? = E(? – E?)2 есть «среднее значение квадрата

отклонения случайной величины ? от своего среднего». Посмотрим, за что эта

величина отвечает.

Пусть случайная величина ? принимает значения +-1 с вероятностью 1/2, а

случайная величина ? — значения ю +-10 с вероятностью 1/2. Тогда E? = E? =

0 поэтому D ? = E ?2 = 1, D? = E?2 = 100. Говорят, что дисперсия

характеризует степень разброса значений случайной величины вокруг ее

математического ожидания.

Если говорить о распределении случайной величины, как о распределении

единичной массы по невесомому стержню, то дисперсия есть в точности момент

инерции этого стержня, закрепленного в центре тяжести.

Определение 40. Если дисперсия величины ? конечна, то число

[pic]называют среднеквадратичным отклонением случайной величины ?.

Следует хорошо понимать, что из существования моментов больших порядков

следует существование моментов меньших порядков. В частности, конечность

второго момента (или дисперсии) влечет существование математического

ожидания.

11.4 Свойства дисперсии

Все свойства дисперсии следуют из соответствующих свойств

математического ожидания.

D1. [pic]

Действительно,

[pic]

D2. [pic]

D3.

[pic]если и только если ?= const.п.н.

Доказательство. Дисперсия есть всего-навсего математическое ожидание

п.н. неотрицательной с.в.:

D? = E(? – E?)2, и неотрицательность дисперсии следует из свойства E5.

По тому же свойству, D? = 0 если и только если E(? – E?)2 = 0 п.н., то есть

? = ? п.н.

D4. Дисперсия не меняется от сдвига с.в. на постоянную:

[pic]

D5. Если ? и ? независимы, то

[pic]

Действительно,

[pic]

так как математическое ожидание произведения независимых с.в. равно

произведению их математических ожиданий.

D6. Минимум среднеквадратического отклонения случайной величины ? от

точек вещественной прямой есть среднеквадратическое отклонение ? от своего

математического ожидания:

[pic]

Наименьший момент инерции стержня с распределенной на нем единичной

массой получится, если точка вращения – центр тяжести стержня, а не любая

другая точка.

Доказательство.

[pic]причем равенство достигается только для а = E?.

11.5 Математические ожидания и дисперсии стандартных распределений

Пример 31. Распределение Бернулли Вр,

[pic]

Пример 32. Биномиальное распределение Вn,p

Воспользуемся свойством устойчивости биномиального распределения

относительно суммирования — леммой 5. Возьмем n независимых случайных

величин ?1 ?2 … ?n, имеющих распределение Бернулли В,p = В1,p.

Тогда их сумма Sn = ?1 + ?2 +… + ?n имеет распределение Вn,p

[pic]

так как все ?i одинаково распределены и их математическое ожидание

равно pi;

[pic]

поскольку ?i независимы и дисперсия каждой равна pq.

Пример 33. Геометрическое распределение Gp

При p ( (0,1)

[pic]

Равенство (*) появилось из-за нежелания дифференцировать сумму

геометрической прогрессии, которая начинается не с 0 а с q. Заметьте, что

производная у добавленных слагаемых равна 0, так что производные от этих

двух сумм равны

[pic]

Поэтому

Пример 34. Распределение Пуассона П?

[pic][pic]

Показать, что

[pic], следовательно [pic]

Пример 35. Равномерное распределение Ua,b

[pic][pic]

[pic]

Пример 36. Стандартное нормальное распределение N0,1

[pic]

поскольку под интегралом стоит нечетная функция, и сам интеграл

абсолютно сходится (за счет быстро убывающей [pic]

[pic]

Последнее равенство следует из того, что

а интеграл по всей прямой от плотности любого распределения равен 1.

Поэтому

Пример 37. Нормальное распределение [pic]

Мы знаем, что если

[pic][pic]

Поэтому

[pic]

Пример 38. Показательное (экспоненциальное) распределение Е?

Найдем для произвольного k ( N момент порядка k.

[pic]

В последнем равенстве мы воспользовались гамма-функцией Эйлера:

[pic] Соответственно,

[pic]

Пример 39. Стандартное распределение Коши С0,1

Распределение Коши. Говорят, что ? имеет распределение Коши с

параметрами ?, ?2, где ? ( R, ? > 0, если

[pic] для всех х ( R

Распределение Коши имеет, например, абсцисса точки пересечения луча,

посланного из точки (?, ?) под наудачу выбранным углом,

[pic] с осью ОХ.

Математическое ожидание для распределения Коши не существует, поскольку

[pic]

расходится (подинтегральная функция ведет себя на бесконечности как

1/х).

Пример 40. Распределение Парето

Распределение Парето. Говорят, что ? имеет распределение Парето с

параметрами х0, s, где х0 > 0, s > 0, если

[pic]

У распределения Парето существуют только моменты порядка u < s,

поскольку

[pic]

сходится при u < s, то есть когда подинтегральная функция на

бесконечности бесконечно мала по сравнению с 1/х.

«Случайных величин без мат. ожидания не

бывает, так как, если у нас есть случайная

величина мы всегда в праве от нее что-нибудь

ожидать.»

Из студенческой контрольной работы.

Раздел 11. Числовые характеристики случайных величин

11.1 Математическое ожидание случайной величины

Определение 38. Математическим ожиданием E? (средним значением, первым

моментом) случайной величины ? с дискретным распределением, задаваемым

таблицей P(? = аi) = pi, называется число

[pic] если указанный ряд абсолютно сходится.

Если же

[pic], то говорят, что математическое ожидание не существует.

Определение 39. Математическим ожиданием E? случайной величины ? с

абсолютно непрерывным распределением с плотностью распределения f?(x),

называется число

[pic] если указанный интеграл абсолютно сходится.

Если же

[pic], то говорят, что математическое ожидание не существует.

Математическое ожидание имеет простой физический смысл: если на прямой

разместить единичную массу, поместив в точку аi массу pi (для дискретного

распределения), или «размазав» ее с плотностью f?(x) (для абсолютно

непрерывного распределения), то точка E? есть координата «центра тяжести»

прямой.

Пример 26. Пусть случайная величина ? равна числу очков, выпадающих при

одном подбрасывании кубика. Тогда

[pic]

[pic][pic]

в среднем при подбрасывании кубика выпадает 3.5 очка

Пример 27. Пусть случайная величина ? — координата точки, брошенной

наудачу на отрезок [a,b]. Тогда

[pic][pic]

центр тяжести равномерного распределения на отрезке есть середина

отрезка.

11.2 Свойства математического ожидания

Во всех свойствах предполагается, что рассматриваемые математические

ожидания существуют.

E0. Математическое ожидание случайной величины есть ЧИСЛО!

E1. Для произвольной функции функция g : R ( R

[pic]

Доказательство. Мы докажем это свойство (как и почти все дальнейшие)

только для дискретного распределения. Пусть g(?) принимает значения с1 с2 …

с вероятностями

[pic]

Тогда

[pic]

E2 Математическое ожидание const равно этой const Eс = с.

E3. const можно вынести за знак математического ожидания: E(с ?) = с

E?.

Доказательство. Следует из свойства E1 при g(?) = с ? .

E4. Математическое ожидание суммы любых случайных величин ? и ? равно

сумме их математических ожиданий.

E (? + ? ) = E (? )+ E (?)

Доказательство. Для величин с дискретным распределением: пусть xk и yn

— значения ? и ?, соответственно.

[pic]

E5.Если ? ( 0 п.н. (« почти наверное», т.е. с вероятностью 1: P(? ( 0 )

= 1), то E ? ( 0;

Если ? ( 0 п.н., и при этом E? = 0, то ? = 0 п.н., то есть P(? = 0) =

1.

Следствие 11.

Если ? ( ? п.н., то E ? ( E? .

Если ? ( ? п.н., и при этом E? = E?, то ? = ? п.н.

E6. Математическое ожидание произведения независимых случайных величин

равно произведению их математических ожиданий.: если ? и ? независимы, то

E(??) = E? E?.

Доказательство.

[pic]

Замечание 16. Обратное утверждение к свойству E6 неверно: из равенства

E(??) = E? E?. Не следует независимость величин ? и ?.

Пример 28. Пусть ? ( U0,2?, ? = cos ?, ? = sin ?— заведомо зависимые

случайные величины. Но математическое ожидание их произведения равно

произведению их математических ожиданий: по свойству E1

[pic]

11.3 Моменты старших порядков. Дисперсия

Определение 40. Если [pic], то число

[pic] называется моментом порядка k (k -м моментом) случайной величины

?;

[pic] называется абсолютным моментом порядка k (абсолютным k -м

моментом) случайной величины ?;

[pic] называется центральным моментом порядка k (центральным k -м

моментом) случайной величины ?;

[pic] называется абсолютным центральным моментом порядка k (абсолютным

центральным k -м моментом) случайной величины ?.

Число D? = E(? – E?)2 (центральный момент порядка 2) называется

дисперсией случайной величины ?

Пример 29. Пусть, скажем, случайная величина ? принимает значение 0 с

вероятностью 1-10-5 , и значение 100 с вероятностью 10-5. Посмотрим, как

моменты разных порядков реагируют на большие, но маловероятные значения

случайной величины.

[pic]

Пример 30. Дисперсия D? = E(? – E?)2 есть «среднее значение квадрата

отклонения случайной величины ? от своего среднего». Посмотрим, за что эта

величина отвечает.

Пусть случайная величина ? принимает значения +-1 с вероятностью 1/2, а

случайная величина ? — значения ю +-10 с вероятностью 1/2. Тогда E? = E? =

0 поэтому D ? = E ?2 = 1, D? = E?2 = 100. Говорят, что дисперсия

характеризует степень разброса значений случайной величины вокруг ее

математического ожидания.

Если говорить о распределении случайной величины, как о распределении

единичной массы по невесомому стержню, то дисперсия есть в точности момент

инерции этого стержня, закрепленного в центре тяжести.

Определение 40. Если дисперсия величины ? конечна, то число

[pic]называют среднеквадратичным отклонением случайной величины ?.

Следует хорошо понимать, что из существования моментов больших порядков

следует существование моментов меньших порядков. В частности, конечность

второго момента (или дисперсии) влечет существование математического

ожидания.

11.4 Свойства дисперсии

Все свойства дисперсии следуют из соответствующих свойств

математического ожидания.

D1. [pic]

Действительно,

[pic]

D2. [pic]

D3.

[pic]если и только если ?= const.п.н.

Доказательство. Дисперсия есть всего-навсего математическое ожидание

п.н. неотрицательной с.в.:

D? = E(? – E?)2, и неотрицательность дисперсии следует из свойства E5.

По тому же свойству, D? = 0 если и только если E(? – E?)2 = 0 п.н., то есть

? = ? п.н.

D4. Дисперсия не меняется от сдвига с.в. на постоянную:

[pic]

D5. Если ? и ? независимы, то

[pic]

Действительно,

[pic]

так как математическое ожидание произведения независимых с.в. равно

произведению их математических ожиданий.

D6. Минимум среднеквадратического отклонения случайной величины ? от

точек вещественной прямой есть среднеквадратическое отклонение ? от своего

математического ожидания:

[pic]

Наименьший момент инерции стержня с распределенной на нем единичной

массой получится, если точка вращения – центр тяжести стержня, а не любая

другая точка.

Доказательство.

[pic]причем равенство достигается только для а = E?.

11.5 Математические ожидания и дисперсии стандартных распределений

Пример 31. Распределение Бернулли Вр,

[pic]

Пример 32. Биномиальное распределение Вn,p

Воспользуемся свойством устойчивости биномиального распределения

относительно суммирования — леммой 5. Возьмем n независимых случайных

величин ?1 ?2 … ?n, имеющих распределение Бернулли В,p = В1,p.

Тогда их сумма Sn = ?1 + ?2 +… + ?n имеет распределение Вn,p

[pic]

так как все ?i одинаково распределены и их математическое ожидание

равно pi;

[pic]

поскольку ?i независимы и дисперсия каждой равна pq.

Пример 33. Геометрическое распределение Gp

При p ( (0,1)

[pic]

Равенство (*) появилось из-за нежелания дифференцировать сумму

геометрической прогрессии, которая начинается не с 0 а с q. Заметьте, что

производная у добавленных слагаемых равна 0, так что производные от этих

двух сумм равны

[pic]

Поэтому

Пример 34. Распределение Пуассона П?

[pic][pic]

Показать, что

[pic], следовательно [pic]

Пример 35. Равномерное распределение Ua,b

[pic][pic]

[pic]

Пример 36. Стандартное нормальное распределение N0,1

[pic]

поскольку под интегралом стоит нечетная функция, и сам интеграл

абсолютно сходится (за счет быстро убывающей [pic]

[pic]

Последнее равенство следует из того, что

а интеграл по всей прямой от плотности любого распределения равен 1.

Поэтому

Пример 37. Нормальное распределение [pic]

Мы знаем, что если

[pic][pic]

Поэтому

[pic]

Пример 38. Показательное (экспоненциальное) распределение Е?

Найдем для произвольного k ( N момент порядка k.

[pic]

В последнем равенстве мы воспользовались гамма-функцией Эйлера:

[pic] Соответственно,

[pic]

Пример 39. Стандартное распределение Коши С0,1

Распределение Коши. Говорят, что ? имеет распределение Коши с

параметрами ?, ?2, где ? ( R, ? > 0, если

[pic] для всех х ( R

Распределение Коши имеет, например, абсцисса точки пересечения луча,

посланного из точки (?, ?) под наудачу выбранным углом,

[pic] с осью ОХ.

Математическое ожидание для распределения Коши не существует, поскольку

[pic]

расходится (подинтегральная функция ведет себя на бесконечности как

1/х).

Пример 40. Распределение Парето

Распределение Парето. Говорят, что ? имеет распределение Парето с

параметрами х0, s, где х0 > 0, s > 0, если

[pic]

У распределения Парето существуют только моменты порядка u < s,

поскольку

[pic]

сходится при u < s, то есть когда подинтегральная функция на

бесконечности бесконечно мала по сравнению с 1/х.

Раздел 12. Числовые характеристики зависимости случайных величин

12.1 Чем отличается дисперсия суммы от суммы дисперсий?

Мы знаем, что для независимых с. в. с конечными вторыми моментами

дисперсия их суммы равна сумме их дисперсий. Чему равна дисперсия суммы в

общем случае?

[pic](10)

Величина E(??) - E? E? равняется нулю, если случайные величины ? и ?

независимы (свойство E6 математического ожидания). С другой стороны, из

равенства ее нулю вовсе не следует независимость, как показывает пример 30.

Оказывается, что эту величину часто используют как «индикатор наличия

зависимости» пары с. в.

Определение 41. Ковариацией cov(?, ?) случайных величин ? и ?

называется число

[pic]

Свойство 10.

[pic]

Свойство 11.

a) [pic];

b) [pic].

Свойство 12. Дисперсия суммы нескольких случайных величин вычисляется

по любой из следующих формул:

[pic]

Обсудим достоинства и недостатки ковариации, как величины,

характеризующей зависимость двух с. в.

1. Если ковариация cov(?, ?) отлична от нуля, то величины ? и ?

зависимы!

2. С гарантией о наличии зависимости мы можем судить, если знаем

совместное распределение пары ? и ?, и можем проверить, равна ли (например)

плотность совместного распределения произведению плотностей.

Но найти совместное распределение часто бывает сложнее, чем посчитать

математическое ожидание произведения ? и ?. Если нам повезет, и

математическое ожидание произведения ? и ? не будет равняться произведению

их мат. ожиданий, мы скажем, что ? и ? зависимы не находя их совместного

распределения!

Пример 41. Покажем, что с помощью ковариации можно судить о зависимости

даже когда для вычисления совместного распределения недостаточно данных.

Пусть ? и ? — независимые случайные величины, и дисперсия ? отлична от

нуля. Докажем, что ? и ?+ ? зависимы.

[pic] (11)

Поэтому

[pic]

Следовательно, ? и ?+ ? зависимы.

3. Жаль, что величина cov(?, ?) не является «безразмерной»: если ? –

объем газа в сосуде, а ? – давление этого газа, то ковариация измеряется в

кубометрах х Паскали :).

Иначе говоря, при умножении одной из величин ?, ? на какое-нибудь число

ковариация тоже умножается на это число. Но умножение на число не

сказывается на «степени зависимости» величин (они от этого «более

зависимыми» не становятся), так что большое значение ковариации не означает

более сильной зависимости.

Нужно как-то нормировать ковариацию, получив из нее «безразмерную»

величину, абсолютное значение которой

а) не менялось бы при умножении или сдвиге случайных величин на число;

б) свидетельствовало бы о «силе зависимости» с. в.

Говря о «силе» зависимости между с.в., мы имеем в виду следующее. Самая

сильная зависимость – функциональная, а из функциональных – линейная

зависимость, когда ?= а? + b п.н. Бывают гораздо более слабые зависимости.

Так, если по последовательности независимых случайных величин ?1 ?2 …

построить ? = ?1 +…?24 + ?25 ? = ?25 +?26 + …+?90 , то эти величины

зависимы, но очень “слабо зависимы”: через одно-единственное общее

слагаемое ?25 .

Итак, следующая величина есть всего лишь ковариация, нормированная

нужным образом.

12.2 Коэффициент корреляции

Определение 43. Коэффициентом корреляции ?(?, ?) случайных величин ?,

?, дисперсии которых существуют и отличны от нуля, называется число

[pic]

Пример 42. Рассмотрим продолжение примера 41, но пусть ? и ? будут не

только независимыми, но и одинаково распределенными случайными величинами,

и их дисперсия отлична от нуля. Найдем коэффициент корреляции величин ? и ?

+ ?. Согласно формуле (10),

[pic]

Поэтому

[pic]

Определение 44. Случайные величины ? и ? называют некоррелированными,

если cov(?, ?) = 0 (или если ?(?, ?) = 0, — в том случае, когда

коэффициент корреляции существует).

Замечание 17. Если одна из величин ? и ? — постоянная, то эти величины

независимы, и cov (?, ?) = 0. Естественно в этом случае тоже полагать, что

? и ? «некоррелированы», хотя коэффициент корреляции не определен

(дисперсия постоянной равна 0).

12.3 Свойства коэффициента корреляции

Всюду далее специально не оговаривается, но предполагается, что

коэффициент корреляции существует.

Теорема 26.

Коэффициент корреляции обладает следующими свойствами.

1. Если с. в. ? и ? независимы, то ?(?, ?) = cov(?, ?) = 0.

2. (?(?, ?)((. 1

3. (?(?, ?)(= 1, если и только если с. в. ? и ? с вероятностью 1

линейно связаны, т.е. существуют числа а ( 0 и b такие, что P(? = a?+ b) =

1.

Определение 45. Пусть D конечна и отлична от нуля. Определим случайную

величину

[pic]

Преобразование [pic] называется стандартизацией случайной величины ?, а

сама с. в. [pic] называется стандартизованной , или (слэнг!) центрированной

и нормированной версией с. в. ?.

Свойство 13. Стандартизованная с. в. [pic]имеет нулевое математическое

ожидание и единичную дисперсию.

Доказательство. Воспользуемся свойствами математического ожидания и

дисперсии:

[pic]

Полезно знать следующие часто употребляемые термины.

Определение 46. Говорят, что величины ? и ? отрицательно коррелированы,

если ?(?, ?) < 0; говорят, что величины ? и ? положительно коррелированы,

если ?(?, ?) > 0.

Смысл знака коэффициента корреляции особенно ясен в случае (?(?, ?) (=

1. Тогда знак ? равен знаку a в равенстве ? = a?+ b п.н. То есть ?(?, ?) =

1 означает, что чем больше ?, тем больше и ?. Напротив, ?(?, ?) = -1

означает, что чем больше ?, тем меньше ?. Похожим образом можно трактовать

знак коэффициента корреляции и в случае, когда (?(?, ?) (< 1, помня при

этом, что зависимость величин ? и ? теперь уже не линейная и, возможно,

даже не функциональная.

Так, величины ? и ? + ? в примерах 41 и 42 положительно коррелированы,

но их зависимость не функциональная.

Пример 43.

Если с. в. ? и ? есть координаты точки, брошенной наудачу в треугольник

с вершинами (2,0), (0,0) и (0,1), то коэффициент корреляции ?(?, ?)

отрицателен. Это можно объяснить «на пальцах» так: Чем больше ?, тем меньше

у ? возможностей быть большой) Предлагаю убедиться в этом, проверив

справедливость следующих высказываний.

Во-первых,

[pic]

Во-вторых,

Совместное распределение координат точки, брошенной наудачу в

произвольную (измеримую) область D на плоскости имеет постоянную плотность

во всех точках области D. Это связано с понятием «наудачу»: вероятность

попасть в любую область A( D, с одной стороны зависит только от площади А и

не зависит от формы и положения А внутри D, равняясь с другой стороны,

интегралу по области А от плотности совместного распределения координат

точки. Эти два качества возможно совместить, только если плотность

совместного распределения постоянна внутри D. Более того, эта постоянная,

как легко видеть, есть просто [pic] (хотя бы потому, что интеграл от нее по

всей области D должен ровняться вероятности попасть в D, или единице).

Распределение точки, брошенной наудачу в область (все равно где),

называют равномерным распределением.

Итак, плотность равномерного распределения в произвольной области на

плоскости — постоянная, равная (1/ площадь области) для точек внутри

области и нулю — вне. Поэтому (а также потому, что площадь этого

треугольника равна 1)

[pic]

То есть ковариация (а с ней и коэффициент корреляции) отрицательна

(посчитать cov(?, ?)).

Пример 44.

Найти коэффициент корреляции между числом выпадений единицы и числом

выпадений шестерки при n подбрасываниях симметричного кубика.

Решение. Обозначим для i = 1, 2, 3, 4, 5, 6 через ?i случайную

величину, равную числу выпадений грани с i очками при n подбрасываниях

кубика. Посчитаем cov(?1, ?6).

Каждая из случайных величин ?i имеет биномиальное распределение с

параметрами n и 1/6, поэтому

[pic].

Заметим, что сумма ?1 + … + ?n этих величин равна n. В силу симметрии

кубика, все математические ожидания [pic]одинаковы, но, скорее всего,

отличаются от

[pic]

Посчитаем

С одной стороны, это равно

с другой стороны,

Отсюда

Следовательно, искомый коэффициент корреляции равен

Интересно, что полученный коэффициент корреляции не зависит от n.

... Откуда, наконец, вытекает то

удивительное, по-видимому, следствие, что,

если бы наблюдения над всеми событиями

продолжать всю вечность, причем вероятность,

наконец, перешла бы в полную достоверность,

то было бы замечено, что в мире все

управляется точными отношениями и постоянным

законом изменений, так что даже в вещах, в

высшей степени случайных, мы принуждены были

бы признать как бы некоторую необходимость

и, скажу я, рок.

Я к о б Б е р н у л л и, Ars conjectandi

(1713)

Раздел 13. Куда и как сходятся последовательности случайных величин

13.1 Сходимость «почти наверное» и «по вероятности»

Напомню, что случайная величина есть (измеримая) функция из некоторого

абстрактного множества ? в множество действительных чисел.

Последовательность случайных величин есть, тем самым, последовательность

функций (определенных на одном и том же пространстве элементарных исходов

?). И если мы хотим говорить о сходимости последовательности случайных

величин {?n }(n=1 , не будем забывать, что мы имеем дело не с

последовательностью чисел, а с последовательностью функций. Существуют

разные виды сходимости последовательности функций. Всякий раз давать

определение какой-либо сходимости мы будем, опираясь на сходимость числовых

последовательностей, как на уже известное основное понятие.

В частности, при каждом новом ? ( ? мы имеем новую числовую

последовательность {?n (? )}(n=1 . Поэтому, во-первых, можно говорить о

знакомой из математического анализа (почти) поточечной сходимости

последовательностей функций: о сходимости «почти всюду», которую в теории

вероятностей называют сходимостью «почти наверное».

Определение 46. Говорят, что последовательность с. в. {?n } сходится

почти наверное к с. в. ? при n ( ( , и пишут: ?n ( ? п. н., если P{ ?: ?n

(? ) ( ? при n ( (} = 1.

Иначе говоря, если ?n (? ) ( ? при n ( ( для всех ? ( ?, кроме,

возможно, ? ( A, где множество (событие) A имеет нулевую вероятность.

Заметим сразу: чтобы говорить о сходимости «почти наверное», требуется

(по крайней мере, по определению) знать, как устроены отображения ? ( ?n (?

). В задачах же теории вероятностей, как правило, известны не сами

случайные величины, а лишь их распределения. Известно, то есть, какова

вероятность тех элементарных исходов ?, для которых ?n (? ) принимает

значения в заданном множестве. Можем ли мы, обладая только информацией о

распределениях, говорить о какой-либо сходимости последовательности

случайных величин {?n } к с. в. ??

Можно, например, потребовать, чтобы вероятность («доля») тех

элементарных исходов ?, для которых ?n (? ) не попадает в «?-окрестность»

числа ? (? ), уменьшалась до нуля с ростом n. Такая сходимость в

функциональном анализе называется сходимостью «по мере», а в теории

вероятностей — сходимостью «по вероятности».

Определение 47. Говорят, что последовательность с. в. { ?n } сходятся

по вероятности к с. в. ? при n ( (, и пишут:

[pic]

если для любого ? > 0

[pic]

Пример 45. Рассмотрим последовательность с. в. ?1 , ?2, …, в которой

все величины имеют разные распределения: с. в. ?n, n > 0, принимает

значения и 0 и n7 с вероятностями [pic]. Докажем, что эта

последовательность сходится по вероятности к случайной величине, равной

нулю п. н. (к нулю, проще говоря).

Действительно, зафиксируем произвольное ? > 0. Для всех n начиная с

некоторого n0 такого, что n07 > ? верно равенство (*) ниже

[pic]

Итак, случайные величины ?n с ростом n могут принимать все большие и

большие значения, но со все меньшей и меньшей вероятностью.

Замечание 18. Сходимость по вероятности не обязательно сопровождается

сходимостью математических ожиданий или моментов других порядков: из

[pic]не следует, что [pic]

Действительно, в примере 45 имеет место сходимость [pic], но неверно,

что [pic]

Если вместо значения n7 взять, скажем, n (с той же вероятностью 1/ n),

получим

[pic]

А если ?n принимает значения 0 и [pic] с теми же вероятностями, что и в

примере 45, то [pic], но уже вторые моменты сходиться ко второму моменту ?

не будут:

[pic]

Сходимость по вероятности обладает обычными для сходимостей свойствами.

Например, такими.

Свойство 13. Если [pic], то

1. [pic];

2. [pic].

Свойство 14.

Если [pic], и g – непрерывная функция, то [pic]

Если [pic], и g – непрерывна в точке с, то [pic]

Чтобы доказывать сходимость по вероятности, можно просто уметь

вычислять [pic] при больших n. Но для этого нужно знать распределение ?n,

что не всегда возможно. Скажем, ?n может быть суммой нескольких других с.

в., распределения которых не устойчивы по суммированию, и вычислить

распределение их суммы по формуле свертки или как-то еще бывает слишком

сложно.

Если бы мы имели неравенства, позволяющие оценить [pic] сверху чем-

либо, что мы умеем устремлять к нулю и что проще вычисляется, то сходимость

по вероятности мы получили бы по лемме о двух милиционерах: [pic]. Итак,

неравенства П. Л. Чебышёва.

13.2 Неравенства Чебышёва

Все неравенства в этом параграфе принято относить к одному классу,

называемому «неравенствами Чебышёва». Следующее неравенство часто называют

собственно неравенством Чебышёва, хотя в такой форме оно появилось впервые,

видимо, в работах А. А. Маркова (например, Исчисление вероятностей, 1913

г.).

Теорема 27 (Неравенство Маркова).

Если [pic], то для любого положительного x

[pic]

Доказательство. Введем новую случайную величину ?x, называемую

«срезкой» с. в. (?( на уровне x:

[pic]

Для неё и,

1.[pic]

2. [pic]

Нам потребуется следующее понятие.

Определение 48. Пусть A — некоторое событие. Назовем индикатором

события A случайную величину I(A), равную единице, если событие A

произошло, и нулю, если A не произошло.

По определению, I(A) имеет распределение Бернулли с параметром p =

P(I(A) = 1) = P(A), и ее математическое ожидание равно вероятности успеха p

= P(A).

Случайную величину ?х можно представить в виде

[pic]

Тогда

[pic] (11)

Вспомним, что [pic], и оценим [pic]снизу согласно (11):

[pic]

Итак, [pic], что и требовалось доказать.

Следующее неравенство мы будем называть «обобщенным неравенством

Чебышёва».

Следствие 12. Пусть функция g монотонно возрастает и неотрицательна на

[0,(]. Если [pic], то для любого положительного х

[pic]

В 1853 г. И. Бьенеме (I. Bienayme) и в 1866 г., независимо от него, П.

Л. Чебышёв прямыми методами доказали следующее неравенство

Следствие 13 (Неравенство Чебышёва-Бьенеме). Если [pic], то

[pic]

В качестве следствия получим так называемое «правило трех сигм»,

которое формулируют, например, так: вероятность случайной величине

отличаться от своего математического ожидания более, чем на три корня из

дисперсии, мала. Разумеется, для каждого распределения величина этой

вероятности своя: для нормального распределения, например, эта вероятность

равна 0,0027 — см. свойство 9. Мы получим верную для всех распределений с

конечной дисперсией оценку сверху для «вероятности с. в. отличаться от

своего математического ожидания более, чем на три корня из дисперсии».

Следствие 14. Если [pic], то [pic]

13.3 Законы больших чисел

Определение 49. Говорят, что последовательность с. в. [pic]с конечными

первыми моментами удовлетворяет закону больших чисел (ЗБЧ), если

[pic] (12)

Законами больших чисел принято называть утверждения об условиях, при

которых последовательность с. в. «удовлетворяет закону больших чисел».

Выясним сначала, что означает и когда выполнен ЗБЧ для независимых и

одинаково распределенных с.в.

Заметим, что если с. в. одинакого распределены, то математические

ожидания у них одинаковы (и равны, например,[pic]), поэтому (12) можно

записать в виде

[pic]

Итак, законы больших чисел.

Теорема 28 (ЗБЧ в форме Чебышёва).

Для любой последовательности независимых и одинаково распределенных

случайных величин с конечным вторым моментом [pic] имеет место сходимость:

[pic]

ЗБЧ утверждает, что среднее арифметическое большого числа случайных

слагаемых «стабилизируется» с ростом этого числа. Как бы сильно каждая с.

в. не отклонялась от своего среднего значения, при суммировании эти

отклонения «взаимно гасятся», так что среднее арифметическое приближается к

постоянной величине.

В дальнейшем мы увидим, что требование конечности второго момента (или

дисперсии) связано исключительно со способом доказательства, и что

утверждение остается верным если требовать существования только первого

момента.

Доказательство. Обозначим через [pic] сумму первых n с. в., а их

среднее арифметическое через [pic]. Тогда

[pic]

Пусть ? > 0. Воспользуемся неравенством Чебышёва (следствие 13):

[pic] (13)

при [pic], поскольку [pic], по условию, конечна.

Следствие 15. Последовательность с. в. [pic] с конечными вторыми

моментами удовлетворяет ЗБЧ, то есть

[pic]

при выполнении любого из следующих условий:

а) если [pic], то есть [pic] при [pic];

б) если [pic]независимы и [pic], то есть

[pic]

в) если [pic] независимы, одинаково распределены и имеют конечную

дисперсию (ЗБЧ Чебышёва).

Теорема 29 (ЗБЧ в форме Хинчина).

Для любой последовательности независимых и одинаково распределенных

случайных величин с конечным первым моментом [pic] имеет место сходимость:

[pic]

Более того, в условиях теоремы 29 имеет место сходимость «почти

наверное». Получим в качестве следствия из ЗБЧ Чебышёва закон больших чисел

Я. Бернулли (1713). В отличие от доказанного через полтора столетия ЗБЧ

Чебышёва, описывающего предельное поведение среднего арифметического с. в.

с произвольными распределениями, ЗБЧ Бернулли — утверждение только для

схемы Бернулли.

Теорема 30 (ЗБЧ Бернулли).

Пусть А — событие, которое может произойти в любом из n независимых

испытаний с одной и той же вероятностью P(А). Пусть vn(А) — число

осуществлений события А в n испытаниях. Тогда

[pic]

При этом для любого ? > 0

[pic]

13.4 Примеры использования ЗБЧ и неравенства Чебышёва

Пример 46.

Монета подбрасывается 10 000 раз. Оценить вероятность того, что частота

выпадения герба отличается от вероятности более чем на одну сотую.

Требуется оценить [pic], где [pic]—число выпадений герба, а [pic] —

независимые с. в., имеющие распределение Бернулли с параметром 1/2, равные

«числу гербов, выпавших при i-м подбрасывании» (то есть единице, если выпал

герб и нулю иначе, или индикатору того, что выпал герб). Поскольку [pic],

искомая оценка сверху выглядит так:

[pic]

Иначе говоря, неравенство Чебышёва позволяет заключить, что, в среднем,

не более чем в четверти случаев при 10 000 подбрасываниях монеты частота

выпадения герба будет отличаться от 1/2 более чем на одну сотую. Мы увидим,

насколько это грубая оценка, когда познакомимся с центральной предельной

теоремой.

Пример 47.

Пусть [pic] — последовательность случайных величин, дисперсии которых

ограничены одной и той же постоянной С, а ковариации любых с. в. [pic] и

[pic] ([pic]), не являющихся соседними в последовательности, равны нулю.

Удовлетворяет ли эта последовательность ЗБЧ?

Воспользуемся неравенством (13) и свойством 12:

[pic]

Но для i < j, по условию, [pic], если [pic]. Следовательно, в сумме

[pic] равны нулю все слагаемые кроме, может быть, [pic] (их ровно n -1

штука).

Оценим каждое из них, используя одно из свойств коэффициента корреляции

[pic](по условию задачи)

[pic][pic]

при [pic], т.е. последовательность [pic] удовлетворяет ЗБЧ.

... Из этой первой лекции по теории

вероятностей я запомнил только

полузнакомый термин «математическое

ожидание». Незнакомец употреблял этот

термин неоднократно, и каждый раз я

представлял себе большое помещение,

вроде зала ожидания, с кафельным полом,

где сидят люди с портфелями и бюварами

и, подбрасывая время от времени к

потолку монетки и бутерброды,

сосредоточенно чего-то ожидают. До сих

пор я часто вижу это во сне. Но тут

незнакомец оглушил меня звонким термином

«предельная теорема Муавра — Лапласа» и

сказал, что все это к делу не относится.

Аркадий и Борис Стругацкие, Стажеры

Раздел 14. ЦПТ (центральная предельная теорема)

14.1 Как быстро [pic] сходится к [pic]?

Пусть, как в законе больших чисел в форме Чебышёва, [pic] — сумма n

независимых и одинаково распределенных величин с конечной дисперсией.

Тогда, в силу ЗБЧ, [pic] с ростом n. Или, после приведения к общему

знаменателю,

[pic]

Если при делении на n мы получили в пределе нуль (в смысле некоторой,

все равно какой, сходимости), резонно задать себе вопрос: а не слишком ли

на «много» мы поделили? Нельзя ли поделить на что-нибудь, растущее к

бесконечности медленнее, чем n, чтобы получить в пределе не нуль (и не

бесконечность, само собой)?

Можно поставить этот вопрос по-другому. Вот последовательность,

стремящаяся (как-то) к нулю. Можно ли ее домножить на что-либо растущее,

чтобы «погасить» это стремление к нулю? Получив, тем самым, что-нибудь

конечное и отличное от нуля в пределе?

Оказывается, что уже [pic], или, что, то же самое, [pic], не сходится к

нулю. Распределение этой, зависящей от n, случайной величины становится все

более похоже на нормальное распределение! Можно считать, что такая

последовательность сходится к случайной величине, имеющей нормальное

распределение, но сходится не по вероятности, а только в смысле сходимости

распределений, или «слабой сходимости».

14.2 Слабая сходимость

Пусть задана последовательность с. в.[pic], задано некоторое

распределение [pic]с функцией распределения [pic] и [pic]— произвольная с.

в., имеющая распределение [pic].

Определение 50. Говорят, что последовательность с. в. [pic] при

[pic]сходится слабо или по распределению к с. в. [pic], или говорят, что

последовательность с. в. слабо сходится к распределению [pic], или говорят,

что распределения с.в. [pic] слабо сходится к распределению [pic], и

пишут:, [pic] или [pic], или [pic], если для любого х такого, что функция

распределения [pic] непрерывна в точке х, имеет место сходимость [pic]при

[pic].

Иначе говоря, слабая сходимость — это поточечная сходимость функций

распределения во всех точках непрерывности предельной функции

распределения.

Свойство 15. Если [pic], и функция распределения [pic] непрерывна в

точках a и b, то [pic] Наоборот, если во всех точках a и b непрерывности

функции распределения [pic] имеет место, например, сходимость [pic], то

[pic].

Следующее важное свойство уточняет отношения между сходимостями.

Свойство 16.

1. Если [pic], то [pic].

2. Если [pic] = const, то [pic].

Доказательство.Докажем, что слабая сходимость к постоянной влечет

сходимость по вероятности.

Пусть

[pic]

при любом x, являющемся точкой непрерывности предельной функции [pic],

то есть при всех [pic].

Возьмем произвольное [pic] и докажем, что[pic]. Раскроем модуль:

[pic]

(сужаем событие под знаком вероятности)

[pic]поскольку в точках [pic] функция [pic] непрерывна, и,

следовательно, имеет место сходимость последовательности [pic]к[pic]

Осталось заметить, что [pic] не бывает больше 1, так что по лемме о

двух милиционерах [pic].

Следующее свойство приводит пример операций, которые можно применять к

слабо сходящимся последовательностям — скажем, домножать их на

последовательности, сходящиеся по вероятности к постоянным величинам.

Свойство 17.

1. Если [pic] const и [pic], то [pic].

2. Если [pic] const и [pic], то [pic].

Несколько содержательных примеров слабой сходимости мы рассмотрим в

следующей главе. Но основной источник слабо сходящихся последовательностей

и необычайно мощное и универсальное средство для асимптотического анализа

распределения сумм независимых и одинаково распределенных случайных величин

предоставляет нам ЦЕНТРАЛЬНАЯ ПРЕДЕЛЬНАЯ ТЕОРЕМА

14.3 Центральная предельная теорема

Мы будем называть следующее утверждение «ЦПТ А. М. Ляпунова» (1901), но

сформулируем теорему Ляпунова только в частном случае — для

последовательности независимых и одинаково распределенных случайных

величин.

Теорема 31 (ЦПТ).

Пусть [pic] — независимые и одинаково распределенные случайные величины

с конечной и ненулевой дисперсией: [pic]. Обозначим через [pic]сумму первых

n случайных величин. Тогда последовательность с. в. [pic] слабо сходится к

стандартному нормальному распределению.

Пользуясь определением и свойствами слабой сходимости, и заметив, что

функция распределения [pic]любого нормального закона непрерывна всюду на R,

утверждение ЦПТ можно сформулировать любым из следующих способов:

Следствие 18. Пусть [pic] — независимые и одинаково распределенные

случайные величины с конечной и ненулевой дисперсией. Следующие утверждения

эквивалентны друг другу и равносильны утверждению ЦПТ.

Для любых вещественных x < y при [pic] имеет место сходимость

[pic]

Для любых вещественных x < y при [pic] имеет место сходимость

[pic]

Для любых вещественных x < y при [pic] имеет место сходимость

[pic]

Если [pic] — произвольная с. в. со стандартным нормальным

распределением, то

[pic]

Замечание 19. Еще раз напомним, что функция распределения стандартного

нормального закона ищется либо по соответствующей таблице в справочнике,

либо с помощью какого-либо программного обеспечения, но никак не путем

нахождения первообразной.

14.4 Предельная теорема Муавра — Лапласа

Получим в качестве следствия из ЦПТ предельную теорему Муавра — Лапласа

(P. S. Laplace, 1812; A. de Moivre, 1730). Подобно ЗБЧ Бернулли, предельная

теорема Муавра – Лапласа — утверждение только схемы Бернулли.

Теорема 32 (Предельная теорема Муавра — Лапласа).

Пусть А — событие, которое может произойти в любом из n независимых

испытаний с одной и той же вероятностью p = P(A). Пусть [pic] — число

осуществлений события А в n испытаниях. Тогда [pic]. Иначе говоря, для

любых вещественных x < y при [pic] имеет место сходимость

[pic]

14.5 Примеры использования ЦПТ

Пример 48.

Монета подбрасывается 10 000 раз. Оценить вероятность того, что частота

выпадения герба отличается от вероятности более чем на одну сотую.

Требуется найти

[pic], где [pic]—число выпадений герба, а [pic] — независимые с. в.,

имеющие одно и то же распределение Бернулли с параметром 1/2. Домножим обе

части неравенства под знаком вероятности на [pic] и поделим на корень из

дисперсии [pic]одного слагаемого.

[pic]

[pic]

Согласно ЦПТ или предельной теореме Муавра — Лапласа,

последовательность

[pic]

слабо сходится к стандартному нормальному распределению. Рассмотрим

произвольную с. в. [pic], имеющую распределение [pic].

[pic]

Равенство [pic] следует из свойства 10.

Замечание 20. Центральной предельной теоремой пользуются для

приближенного вычисления вероятностей, связанных с суммами большого числа

независимых и одинаково распределенных величин. При этом распределение

центрированной и нормированной суммы заменяют на стандартное нормальное

распределение.

Следующий результат позволяет оценить погрешность приближения в ЦПТ.

Теорема 33 (Неравенство Берри – Эссеена).

В условиях ЦПТ для любого х ( R (то есть равномерно по х)

[pic]

Замечание 21. Про постоянную С известно, что:

а) в общем случае С не превышает 0,7655 (И. С. Шиганов),

б) погрешность приближения наиболее велика, если слагаемые [pic] имеют

распределение Бернулли, и С в этом случае не меньше, чем [pic](C. G.

Esseen, Б. А. Рогозин),

в) как показывают расчеты, можно смело брать в качестве С число 0,4 —

даже для слагаемых с распределением Бернулли, особенно при малых n, когда и

это значение постоянной оказывается слишком грубой оценкой.

Подробный обзор можно найти в монографии В.М.Золотарева «Современная

теория суммирования независимых случайных величин», стр. 264– 291.

Продолжение примера 48. Проверьте, что для с. в. [pic] с распределением

Бернулли

[pic]

Поэтому разница между левой и правой частями приближенного равенства в

примере 48 при [pic]и [pic] не превышает величины

[pic]

так что искомая вероятность [pic]не больше, чем 0,0456+0,004. Уместно

сравнить этот ответ с оценкой, полученной с помощью ЗБЧ в примере 48.

Пример 49.

Пусть [pic] — независимые и одинаково распределенные случайные величины

с конечной и ненулевой дисперсией, [pic]сумму первых n случайных величин.

При каких с имеет или не имеет место сходимость

[pic]

Согласно ЗБЧ, последовательность [pic] сходится по вероятности (а,

следовательно, и слабо) к [pic]. Слабая сходимость означает, что

последовательность функций распределения [pic]сходится к функции

распределения [pic], если [pic] непрерывна в точке с (и ничего не означает,

если [pic] разрывна в точке с). Но

[pic]

есть функция распределения вырожденного закона и непрерывна в любой

точке с, кроме [pic]. Итак, первый вывод: сходимость [pic] имеет место для

любого с, кроме, возможно, [pic]. Убедимся, что для [pic] такой сходимости

быть не может. Пусть [pic]. Согласно ЦПТ,

[pic]

Аналогично, кстати, ведет себя и вероятность [pic]. Она тоже стремится

к 1/2, а не к [pic]

-----------------------

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

[pic]

Страницы: 1, 2, 3


© 2007
Использовании материалов
запрещено.