Реферат на тему:
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.
Пусть есть бесконечная последовательность независимых одинаково распределённых случайных величин, имеющих конечное математическое ожидание и дисперсию. Обозначим последние μ и σ2, соответственно. Пусть
. Тогда
где N(0,1) — нормальное распределение с нулевым математическим ожиданием и стандартным отклонением, равным единице. Обозначив символом выборочное среднее первых n величин, то есть
, мы можем переписать результат центральной предельной теоремы в следующем виде:
В предположениях классической формулировки, допустим в дополнение, что распределение случайных величин абсолютно непрерывно, то есть оно имеет плотность. Тогда распределение Zn также абсолютно непрерывно, и более того,
где - плотность случайной величины Zn, а в правой части стоит плотность стандартного нормального распределения.
Результат классической центральной предельной теоремы справедлив для ситуаций гораздо более общих, чем полная независимость и одинаковая распределённость.
Пусть независимые случайные величины определены на одном и том же вероятностном пространстве и имеют конечные математические ожидания и дисперсии:
. Как и прежде построим частичные суммы
. Тогда в частности,
. Наконец, пусть выполняется условие Линдеберга:
Тогда
Пусть выполнены базовые предположения Ц.П.Т. Линдеберга. Пусть случайные величины {Xi} имеют конечный третий момент. Тогда определена последовательность
то
Пусть процесс является мартингалом с ограниченными приращениями. В частности, допустим, что
и приращения равномерно ограничены, т.е.
Введём случайные процессы и τn следующим образом:
и
Тогда
wreferat.baza-referat.ru
Если число испытаний п велико, то вычисления по формуле Бернулли становятся затруднительными. Лаплас получил важную приближенную формулу для вероятности Рn(т) появления события А точно т раз, если п достаточно большое число. Им же получена приближенная формула и для суммы вида .
Локальная предельная теорема Лапласа (доказательство см. в [4]). Пусть р = Р(А) — вероятность события А, причем 0<р<1. Тогда вероятность того, что в условиях схемы Бернулли событие А при п испытаниях появится точно т раз, выражается приближенной формулой Лапласа Рn(т)» , (9.16)
где q= 1-p, .
Для функции j(x) имеется таблица (см. приложение 1) ее значений для положительных значений … х (функция j(x) четная).
Пример 9.15.Вероятность поражения цели стрелком при одиночном выстреле равна р = 0,2. Какова вероятность того, что при 100 выстрелах цель будет поражена ровно 20 раз?
Решение. Здесь р= 0,2, q= 0,8, n= 100 и т= 20. Отсюда =
=4 и, следовательно, t=
=
=0. Учитывая, что
»0,40, из формулы (9.16) получаем Р100(20) »0,40×¼ = 0,1 (для получения приближенного равенства
»0,40 можно использовать калькулятор).
Перейдем к интегральной предельной теореме Лапласа. Поставим следующий вопрос, какова вероятность того, что в условиях схемы Бернулли событие А, имеющее вероятность Р(А) = p (0 <p< 1), при n испытаниях (как и прежде число испытаний велико) появится не менее k раз и не более l раз. Эту искомую вероятность обозначим через Рn(k, l).
Справедлива следующая приближенная формула
Рn(k, l)» , (9.17)
где xk= , xl=
. (9.18)
Это составляет содержание интегральной предельной теоремы Лапласа.
Введем функцию
называемую функцией Лапласа, или интегралом вероятностей. Очевидно, Ф(х) есть первообразная для функции j(х). Так как j(х)>0 в (-¥, +¥), то Ф(x) — возрастающая функция в этом интервале (см. подразд. 3.7, п. 1, теорема 3.4). На основании формулы Ньютона—Лейбница (см. подразд. 4.4, п. 2) из формулы (9.17)
Рn(k, l)» Ф(хl)- Ф(хk) (9.20)
Это — интегральная формула Лапласа.
Как известно (см. подразд. 4.5, примечание), интеграл не берется в элементарных функциях. Поэтому для функции (9.19) составлена таблица (см. приложение 2) ее значений для положительных значений х, так как Ф(0) = 0 и функция Ф(х) нечетная, Ф(-х)=
=
=- Ф(х) (t=-z, dt=
=-dz).
Пример 9.16.Вероятность того, что изделие не прошло проверку ОТК, равна 0,2. Найдем вероятность того, что среди 400 случайно отобранных изделий окажутся непроверенными от 70 до 100 изделий.
Решение. Здесь п = 400, k = 70, l= 100, р = 0,2, q = 0,8, поэтому в силу равенств (9.18) хk = -1,25, хl = 2,5 и согласно формуле (9.20) имеем
Р400 (70, 100) »Ф(2,5)-Ф(-1,25) = Ф(2,5)+Ф(1,25) = 0,4938 + 0,3944 = 0,8882.
refac.ru
ЧАСТЬ 7
ПРЕДЕЛЬНЫЕ ТЕОРЕМЫ ТЕОРИИ ВЕРОЯТНОСТЕЙ
Лекция 13
ЗАКОН БОЛЬШИХ ЧИСЕЛ И ЦЕНТРАЛЬНАЯ ПРЕДЕЛЬНаЯ ТЕОРЕМА
ЦЕЛЬ ЛЕКЦИИ: доказать неравенство Чебышева; сформулировать и доказать закон больших чисел и его следствия; доказать центральную предельную теорему для случая суммы независимых случайных величин.
Закон больших чисел утверждает, что среднее арифметическое большого числа случайных величин ведет себя как среднее арифметическое их математических ожиданий. А согласно центральной предельной теореме достаточно большая сумма сравнительно малых случайных величин ведет себя как нормальная случайная величина. Различные формы закона больших чисел вместе с различными вариантами центральной предельной теоремы образуют совокупность так называемых предельных теорем теории вероятностей и имеют большой практический смысл, так как составляют теоретическую основу математической статистики.
В качестве леммы, необходимой для доказательства теорем, относящихся к группе "предельных", докажем неравенство Чебышева.
Неравенство Чебышева
Если у случайной величины известна дисперсия
, то она в некотором смысле является мерой "случайности" величины
.
Так, для случайной величины, имеющей равномерный закон распределения
,
дисперсия равна
.
При малых мала и дисперсия, но невелико и отличие любого значения случайной величины от ее математического ожидания.
Аналогично для нормального распределения: чем больше дисперсия, тем больше область вероятных (имеющих отличные от нуля вероятности) значений случайной величины , хотя и с меньшей вероятностью.
Таким образом, чем больше величина дисперсии , тем более вероятны значительные отклонения возможных значений случайной величины от центра группирования – математического ожидания
.
Если у случайной величины известна плотность распределения
, то для любого положительного
можно вычислить вероятность события вида
.
Однако чаще встречается вариант, когда при неизвестном законе распределения, но по известной дисперсии необходимо оценить вероятность события
. Эту задачу решил Чебышев Пафнутий Львович (1821–1894) посредством неравенства, названного его именем.
Неравенство Чебышева. Для любой случайной величины, имеющей конечную дисперсиюи математическое ожидание
, для любого положительного
имеет место неравенство
.
Доказательство. Для дискретной случайной величины, заданной рядом распределения
изобразим возможные значения этой величины на числовой оси в виде точек (см. рис. 7.1).
Зададимся некоторым значением и вычислим вероятность того, что случайная величина
отклонится от своего математического ожидания
на величину, большую чем
:
,
т. е. вероятность того, что попадет не внутрь отрезка
, а вне его,
.
Чтобы вычислить эту вероятность, необходимо просуммировать вероятности всех значений , которые лежат вне отрезка
, т. е.
, (7.1)
где запись под знаком суммы означает, что суммирование распространяется на все значения
, для которых точки
лежат вне отрезка
.
По определению дисперсия дискретной случайной величины
.
Так как все члены суммы неотрицательны, то эта сумма только уменьшится, если распространить суммирование не на все значения , а только на те, что лежат вне отрезка
:
.
Так как , то при замене под знаком суммы величины
на
, значение этой суммы еще больше уменьшится, и будем иметь неравенство
.
Стоящая в правой части сумма есть не что иное, как вероятность непопадания случайной величины на отрезок
(см. выражение 7.1), и поэтому
,
откуда окончательно получаем
;
.
Как и всякий общий результат, не использующий данные о конкретном виде распределения случайной величины , неравенство Чебышева дает лишьгрубую оценку сверху для вероятности события
. Если оценивать вероятность события
для случайной величины
с неизвестным законом распределения, то получим по неравенству Чебышева
.
Для нормального распределения эта вероятность равна 0,0027 – разница в 40 раз.
Закон больших чисел
Одной из основных задач теории вероятностей является установление закономерностей, происходящих с вероятностями, близкими к единице; при этом особую роль играют закономерности, возникающие в результате наложения большого числанезависимых или слабо зависимых факторов. Закон больших чисел устанавливает связь между средним арифметическим наблюдаемых значений случайной величины и ее математическим ожиданием и является одним из важнейших приложений теории вероятностей.
Предварительно решим следующую задачу. Есть случайная величина, имеющая математическое ожидание
и дисперсию
. Над этой величиной производится
независимых испытаний и вычисляется среднее арифметическое всех наблюдаемых значений случайной величины
. Полученное значение среднего арифметического является случайной величиной. Поэтому необходимо найти числовые характеристики этого среднего арифметического, т. е. вычислить математическое ожидание и дисперсию, а также выяснить, как они изменяются с увеличением
.
В результате опытов получена последовательность из возможных значений:
. Удобно посмотреть на эту совокупность чисел как на систему случайных величин
. Очевидно, что эта система представляет собой
независимых случайных величин, каждая из которых распределена по тому же закону, что и сама исходная величина
, т. е. выполняются следующие условия:
;
.
Среднее значение этих случайных величин
(7.2)
является случайной величиной с математическим ожиданием
(7.3)
и дисперсией
. (7.4)
Получили, что математическое ожидание случайной величины не зависит от числа испытаний
и равно математическому ожиданию исследуемой случайной величины
, а дисперсия величины
неограниченно убывает с увеличением числа опытов и при достаточно большом
может быть сделана сколь угодно малой. Таким образом,среднее арифметическое есть случайная величина с какой угодно малой дисперсией и при большом числе опытов ведет себя почти как неслучайная величина.
Теорема Чебышева. Если– последовательность попарно независимых случайных величин, имеющих конечные дисперсии, ограниченные одной и той же постоянной
,
и математические ожидания
,
то, каковы бы ни были постоянные и
,
либо
;
,
т. е. среднее арифметическое последовательности независимых случайных величин сходится по вероятности к их математическому ожиданию.
Доказательство. Применим для случайной величины
с
и
неравенство Чебышева
.
Но из условия теоремы получаем
.
Следовательно, каким бы малым ни было число , можно взять
таким большим, чтобы выполнялось неравенство
,
где – сколь угодно малое число.
И тогда получаем
,
и, переходя к противоположному событию, имеем
.
Обобщенная теорема Чебышева. Если законы распределения случайной величиныот опыта к опыту изменяются, то приходится иметь дело со средним арифметическим последовательности случайных величин с различными математическими ожиданиями и с различными дисперсиями. Для таких случайных величин существует обобщенная теорема Чебышева.
Теорема(без доказательства). Если– последовательность попарно независимых случайных величин, имеющих конечные дисперсии, ограниченные одной и той же постоянной
,
и математические ожидания
,
то, каковы бы ни были постоянные и
,
или
,
т. е. среднее арифметическое последовательности независимых случайных величин сходится по вероятности к среднему арифметическому их математических ожиданий.
Теорема Маркова. Закон больших чисел может быть распространен и на зависимые случайные величины. Это обобщение принадлежит Маркову.
Теорема(без доказательства). Если имеются зависимые случайные величиныи при
,
то среднее арифметическое наблюдаемых значений случайных величин сходится по вероятности к среднему арифметическому их математических ожиданий:
.
Следствия закона больших чисел
Теорема Я. Бернулли, устанавливающая связь между частотой события и его вероятностью, может быть доказана как прямое следствие закона больших чисел (теоремы Чебышева).
Теорема Бернулли. Если производитсянезависимых испытаний, в каждом из которых может появиться или не появиться некоторое событие
, вероятность появления которого в каждом опыте равна
, то при неограниченном увеличении числа опытов
частота события
сходится по вероятности к его вероятности
.
Обозначив частоту события через
, теорему Бернулли можно записать в виде
или
,
где и
– сколь угодно малые положительные числа.
Доказательство. Рассмотрим независимые случайные величины: – число появлений события
в первом опыте;
– число появленийсобытия
во втором опыте; …;
– число появлений события
в
-м опыте. Все эти случайные величины дискретны и имеют один и тот же закон распределения в виде индикатора событий. Поэтому математическое ожидание каждой из величин
равно
, а дисперсия равна
, где
.
Частота представляет собой не что иное, как среднее арифметическое случайных величин
,
которая, согласно теореме Чебышева, сходится по вероятности к общему математическому ожиданию этих случайных величин, равному .
Теорема Бернулли утверждает свойство устойчивости частот при постоянных условиях опыта, но и при изменяющихся условиях испытаний аналогичная устойчивость также существует.
Теорема Пуассона(следствие обобщенной теоремы Чебышева). Если производитсянезависимых опытов и вероятность появления события
в
-м опыте равна
, то при неограниченном увеличении числа опытов
частота события
сходится по вероятности к среднему арифметическому вероятностей
:
или
.
Центральная предельная теорема
Докажем центральную предельную теорему для случая одинаково распределенных случайных величин (в форме Ляпунова).
Теорема:Если – независимые случайные величины, имеющие одно и то же распределение с математическим ожиданием
и дисперсией
, то при увеличении
закон распределения суммы
неограниченно приближается к нормальному.
Доказательство. Докажем теорему для случая непрерывных случайных величин, применив аппарат характеристических функций. Согласно одному из свойств, характеристическая функция суммы независимых случайных величин равна произведению характеристических функций слагаемых. Случайные величины имеют одну и ту же плотность распределения
, а значит, и одну и ту же характеристическую функцию
. Не нарушая общности, можно перенести начало отсчета всех случайных величин
в их общее математическое ожидание
, что равнозначно их центрированию и, значит, тому, что математическое ожидание каждой из них будет равно нулю.
Для доказательства теоремы найдем характеристическую функцию гауссовой случайной величины с нулевым математическим ожиданием и единичной дисперсией, плотность распределения которой
.
Характеристическая функция такой случайной величины
.
Получили, что характеристическая функция нормальной случайной величины с
и
имеет вид
. (7.5)
По определению характеристическая функция случайной величины
. (7.6)
Характеристическая функция случайной величины равна произведению
характеристических функций слагаемых, т. е.
. (7.7)
Разложим в окрестности точки
в ряд Макларена, ограничившись тремя членами
, (7.8)
где при
.
Вычислим .
Так, по свойству нормировки функции
.
Продифференцируем выражение (7.5) по
(7.9)
и получаем при
,
а так как все имеют одну и ту же плотность распределения
и нулевое математическое ожидание, то
.
Продифференцируем теперь (7.9): и соответственно при
получим
.
После подстановки в (7.8) имеем, что
. (7.10)
Для случайной величины докажем, что при увеличении
ее закон распределения приближается к нормальному закону распределения. Для этого перейдем к нормированной случайной величине
,
которая линейно связанной с и удобна тем, что ее дисперсия равна единице для любого
. Если докажем, что случайная величина
имеет нормальное распределение, то это будет означать, что и величина
тоже распределена нормально.
Докажем, что характеристическая функция , однозначно определяющая плотность распределения случайной величины
, приближается к характеристической функции нормального закона с теми же, что и у
, параметрами:
.
Найдем характеристическую функцию случайной величины , используя свойства характеристических функций и выражения (7.5) и (7.8):
.
Прологарифмируем это выражение и получим
.
studfiles.net
Реферат на тему:
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.
Пусть есть бесконечная последовательность независимых одинаково распределённых случайных величин, имеющих конечное математическое ожидание и дисперсию. Обозначим последние μ и σ2, соответственно. Пусть
. Тогда
где N(0,1) — нормальное распределение с нулевым математическим ожиданием и стандартным отклонением, равным единице. Обозначив символом выборочное среднее первых n величин, то есть
, мы можем переписать результат центральной предельной теоремы в следующем виде:
В предположениях классической формулировки, допустим в дополнение, что распределение случайных величин абсолютно непрерывно, то есть оно имеет плотность. Тогда распределение Zn также абсолютно непрерывно, и более того,
где - плотность случайной величины Zn, а в правой части стоит плотность стандартного нормального распределения.
Результат классической центральной предельной теоремы справедлив для ситуаций гораздо более общих, чем полная независимость и одинаковая распределённость.
Пусть независимые случайные величины определены на одном и том же вероятностном пространстве и имеют конечные математические ожидания и дисперсии:
. Как и прежде построим частичные суммы
. Тогда в частности,
. Наконец, пусть выполняется условие Линдеберга:
Тогда
Пусть выполнены базовые предположения Ц.П.Т. Линдеберга. Пусть случайные величины {Xi} имеют конечный третий момент. Тогда определена последовательность
то
Пусть процесс является мартингалом с ограниченными приращениями. В частности, допустим, что
и приращения равномерно ограничены, т.е.
Введём случайные процессы и τn следующим образом:
и
Тогда
www.wreferat.baza-referat.ru
Прежде чем приступить к рассмотрению центральной предельной теоремы, я считаю нужным сказать о слабой сходимости.
Пусть задана последовательность случайных величин (далее с. в.) , задано некоторое распределение
с функцией распределения
и
— произвольная с. в., имеющая распределение
.
Определение.
Говорят, что последовательность с. в. при
сходится слабо или по распределению к с. в.
и пишут:
, или
, или
, если для любого
такого, что функция распределения
непрерывна в точке
, имеет место сходимость
при
.
Иначе говоря, слабая сходимость — это поточечная сходимость функций распределения во всех точках непрерывности предельной функции распределения.
Свойство 1.
Если , и функция распределения
непрерывна в точках
и
, то
и т.д. (продолжить ряд).
Наоборот, если во всех точках и
непрерывности функции распределения
имеет место, например, сходимость
, то
.
Следующее важное свойство уточняет отношения между сходимостями.
Свойство 2.
1. Если , то
.
2. Если , то
.
Свойство 3.
1. Если и
, то
.
2. Если и
, то
.
Несколько содержательных примеров слабой сходимости я рассмотрю ниже. Но основной источник слабо сходящихся последовательностей и необычайно мощное и универсальное средство для асимптотического анализа распределений сумм независимых и одинаково распределенных случайных величин предоставляет нам центральная предельная теорема.
Я буду называть следующее утверждение «ЦПТ Ляпунова» (А. М. Ляпунов: 1901), но сформулирую и докажу теорему Ляпунова только в частном случае, т.е. для последовательности независимых и одинаково распределенных случайных величин.
Центральная предельная теорема.
Пусть — независимые и одинаково распределенные случайные величины с конечной и ненулевой дисперсией:
. Обозначим через
сумму первых
случайных величин:
.
Тогда последовательность случайных величин слабо сходится к стандартному нормальному распределению.
Доказательство.
Пусть — последовательность независимых и одинаково распределенных случайных величин с конечной и ненулевой дисперсией. Обозначим через
математическое ожидание
и через
— дисперсию
. Требуется доказать, что
Введем стандартизированные случайные величины — независимые с.в. с нулевыми математическими ожиданиями и единичными дисперсиями. Пусть
есть их сумма
. Требуется доказать, что
Характеристическая функция величины равна
Характеристическую функцию с.в. можно разложить в ряд Тейлора, в коэффициентах которого использовать известные моменты
,
. Получим
Подставим это разложение, взятое в точке , в равенство и устремим
к бесконечности. Еще раз воспользуемся замечательным пределом:
В пределе получили характеристическую функцию стандартного нормального закона. По теореме о непрерывном соответствии можно сделать вывод о слабой сходимости :
распределений стандартизованных сумм к стандартному нормальному распределению, что и утверждается в ЦПТ.
Пользуясь определением и свойствами слабой сходимости, и заметив, что функция распределения любого нормального закона непрерывна всюду на
, утверждение ЦПТ можно сформулировать любым из следующих способов:
Следствие.
Пусть — независимые и одинаково распределенные случайные величины с конечной и ненулевой дисперсией. Следующие утверждения эквивалентны друг другу и равносильны утверждению ЦПТ.
· Для любых вещественных при
имеет место сходимость
· Для любых вещественных при
имеет место сходимость
· Для любых вещественных при
имеет место сходимость
· Если — произвольная с. в. со стандартным нормальным распределением, то
Следствием из ЦПТ является предельная теорема Муавра-Лапласа.
Предельная теорема Муавра — Лапласа.
Пусть — событие, которое может произойти в любом из
независимых испытаний с одной и той же вероятностью
. Пусть
— число осуществлений события
в
испытаниях. Тогда
.
Иначе говоря, для любых вещественных при
имеет место сходимость
Доказательство.
По-прежнему есть сумма независимых, одинаково распределенных с. в., имеющих распределение Бернулли с параметром, равным вероятности успеха
:
Осталось воспользоваться ЦПТ.
Ниже я рассмотрю примеры использования ЦПТ.
Пример 1 .
З а д а ч а. Монета подбрасывается 10000 раз. Оценить вероятность того, что частота выпадения герба отличается от вероятности более чем на одну сотую.
Р е ш е н и е. Требуется найти , где
,
— число выпадений герба, а
— независимые с. в., имеющие одно и то же распределение Бернулли с параметром 1/2. Домножим обе части неравенства под знаком вероятности на
и поделим на корень из дисперсии
одного слагаемого.
Согласно ЦПТ или предельной теореме Муавра — Лапласа, последовательность
слабо сходится к стандартному нормальному распределению. Рассмотрим произвольную с. в. , имеющую распределение
.
Пример 2.
Прекрасным примером ЦПТ в экономике может служить ее использование в страховом деле. В большинстве случаев конкретный вид распределения потерь (размеров отдельных требований о выплате страховых сумм) не играет существенной роли, поскольку сумма исков, предъявляемых страховщику (величина суммарного иска), обычно зависит только от средней величины и дисперсии убытка. Дело в том, что если количество страховых случаев значительно превышает единицу, то в силу центральной предельной теоремы распределение суммарного иска является нормальным распределением. Обозначив его дисперсию как DZ , а математическое ожидание (среднее значение суммарного иска) как bZ> = bN>bQ>
- где , - среднее значение числа страховых случаев и величины страховой выплаты, получаем следующее выражение для рисковой надбавки Тr :
Т r = [( Т 0 * a )/(bN/b b> * bQ/b b>)] * (bN/b b> * D Q + bQ/b b>2 * D N ) 0.5
- где DQ и DN -дисперсии величины страховой выплаты и количества страховых случаев.
В простейшем случае, когда все выплаты одинаковы (а, следовательно, их дисперсия равна нулю), имеем:
Т r = ( Т 0 * a )/ N 0.5
Эта формула также дает неплохое приближение, если коэффициент вариации уровня страховых выплат значительно меньше единицы.
При включении в страховой полис нескольких независимых рисков ожидаемая величина страховых выплат в соответствии с теоремой о сложении вероятностей представляет собой сумму ожидаемых страховых выплат по каждому риску в отдельности, а рисковая надбавка вычисляется как среднеквадратичная величина всех рисковых надбавок.
botanim.ru
Пусть задана последовательность случайных величин (далее с. в.) , задано некоторое распределение
с функцией распределения
и
— произвольная с. в., имеющая распределение
.
Я буду называть следующее утверждение «ЦПТ Ляпунова» (А. М. Ляпунов: 1901), но сформулирую и докажу теорему Ляпунова только в частном случае, т.е. для последовательности независимых и одинаково распределенных случайных величин.
Доказательство.Пусть — последовательность независимых и одинаково распределенных случайных величин с конечной и ненулевой дисперсией. Обозначим через
математическое ожидание
и через
— дисперсию
. Требуется доказать, что
Введем стандартизированные случайные величины — независимые с.в. с нулевыми математическими ожиданиями и единичными дисперсиями. Пусть
есть их сумма
. Требуется доказать, что
Характеристическая функция величины равна
Характеристическую функцию с.в. можно разложить в ряд Тейлора, в коэффициентах которого использовать известные моменты
,
. Получим
Подставим это разложение, взятое в точке , в равенство и устремим
к бесконечности. Еще раз воспользуемся замечательным пределом:
В пределе получили характеристическую функцию стандартного нормального закона. По теореме о непрерывном соответствии можно сделать вывод о слабой сходимости :
распределений стандартизованных сумм к стандартному нормальному распределению, что и утверждается в ЦПТ.
Пользуясь определением и свойствами слабой сходимости, и заметив, что функция распределения любого нормального закона непрерывна всюду на
, утверждение ЦПТ можно сформулировать любым из следующих способов:
Следствием из ЦПТ является предельная теорема Муавра-Лапласа.
Доказательство.По-прежнему есть сумма независимых, одинаково распределенных с. в., имеющих распределение Бернулли с параметром, равным вероятности успеха
:
Осталось воспользоваться ЦПТ.
Ниже я рассмотрю примеры использования ЦПТ.
Пример 1.
З а д а ч а. Монета подбрасывается 10000 раз. Оценить вероятность того, что частота выпадения герба отличается от вероятности более чем на одну сотую.
Р е ш е н и е. Требуется найти , где
,
— число выпадений герба, а
— независимые с. в., имеющие одно и то же распределение Бернулли с параметром 1/2. Домножим обе части неравенства под знаком вероятности на
и поделим на корень из дисперсии
одного слагаемого.
Согласно ЦПТ или предельной теореме Муавра — Лапласа, последовательность
слабо сходится к стандартному нормальному распределению. Рассмотрим произвольную с. в. , имеющую распределение
.
Пример 2.
Прекрасным примером ЦПТ в экономике может служить ее использование в страховом деле. В большинстве случаев конкретный вид распределения потерь (размеров отдельных требований о выплате страховых сумм) не играет существенной роли, поскольку сумма исков, предъявляемых страховщику (величина суммарного иска), обычно зависит только от средней величины и дисперсии убытка. Дело в том, что если количество страховых случаев значительно превышает единицу, то в силу центральной предельной теоремы распределение суммарного иска является нормальным распределением. Обозначив его дисперсию как DZ, а математическое ожидание (среднее значение суммарного иска) как <Z> = <N><Q>
- где <N>, <Q> - среднее значение числа страховых случаев и величины страховой выплаты, получаем следующее выражение для рисковой надбавки Тr:
Тr = [(Т0*a)/(<N>*<Q>)]*(<N>*DQ + <Q>2*DN) 0.5
- где DQ и DN -дисперсии величины страховой выплаты и количества страховых случаев.
В простейшем случае, когда все выплаты одинаковы (а, следовательно, их дисперсия равна нулю), имеем:
Тr = (Т0*a)/N0.5
Эта формула также дает неплохое приближение, если коэффициент вариации уровня страховых выплат значительно меньше единицы.
При включении в страховой полис нескольких независимых рисков ожидаемая величина страховых выплат в соответствии с теоремой о сложении вероятностей представляет собой сумму ожидаемых страховых выплат по каждому риску в отдельности, а рисковая надбавка вычисляется как среднеквадратичная величина всех рисковых надбавок.
bukvasha.ru
Реферат на тему:
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.
Пусть есть бесконечная последовательность независимых одинаково распределённых случайных величин, имеющих конечное математическое ожидание и дисперсию. Обозначим последние μ и σ2, соответственно. Пусть
. Тогда
где N(0,1) — нормальное распределение с нулевым математическим ожиданием и стандартным отклонением, равным единице. Обозначив символом выборочное среднее первых n величин, то есть
, мы можем переписать результат центральной предельной теоремы в следующем виде:
В предположениях классической формулировки, допустим в дополнение, что распределение случайных величин абсолютно непрерывно, то есть оно имеет плотность. Тогда распределение Zn также абсолютно непрерывно, и более того,
где - плотность случайной величины Zn, а в правой части стоит плотность стандартного нормального распределения.
Результат классической центральной предельной теоремы справедлив для ситуаций гораздо более общих, чем полная независимость и одинаковая распределённость.
Пусть независимые случайные величины определены на одном и том же вероятностном пространстве и имеют конечные математические ожидания и дисперсии:
. Как и прежде построим частичные суммы
. Тогда в частности,
. Наконец, пусть выполняется условие Линдеберга:
Тогда
Пусть выполнены базовые предположения Ц.П.Т. Линдеберга. Пусть случайные величины {Xi} имеют конечный третий момент. Тогда определена последовательность
то
Пусть процесс является мартингалом с ограниченными приращениями. В частности, допустим, что
и приращения равномерно ограничены, т.е.
Введём случайные процессы и τn следующим образом:
и
Тогда
wreferat.baza-referat.ru