P(|X-M(X)|< ε), если ε – достаточно малое, - вероятность того, что величина X примет значения, близкие к ее математическому ожиданию.
Иногда говорят о первом и втором неравенствах Чебышева.
P(|X-M(X)|> ε)
Отсюда следует,
Таким образом, теорема Чебышева утверждает, что если рассматривается достаточно большое число независимых случайных величин, имеющих ограниченные дисперсии, то почти достоверным можно считать событие, состоящее в том, что отклонение среднего арифметического случайных величин от среднего арифметического их математических ожиданий будет по абсолютной величине сколь угодно малым.
.
Чтд.
Теорема Чебышева справедлива как для дискретных, так и для непрерывных случайных величин.
Частный случай – математические ожидания равны a.
Сущность теоремы такова: хотя отдельные независимые случайные величины могут принимать значения, далекие от своих математических ожиданий, среднее арифметическое достаточно большого числа случайных величин с большой вероятностью принимает значения, близкие к определенному постоянному числу, а именно к числу (М (Х1) + М (Х2) +... +M (Хn))/n (или к числу а (математическое ожидание) в частном случае).
Рассмотрим результаты каждого измерения как случайные величины
К этим величинам можно применить теорему Чебышева, если:
1) они попарно независимы,
2) имеют одно и то же математическое ожидание,
3) дисперсии их равномерно ограничены.
Тогда при достаточно большом числе измерений почти достоверно, что их среднее арифметическое как угодно мало отличается от истинного значения измеряемой величины.
Итак, теорема Чебышева указывает условия, при которых описанный способ измерения может быть применен. Однако ошибочно думать, что, увеличивая число измерений, можно достичь сколь угодно большой точности. Дело в том, что сам прибор дает показания лишь c определенной точностью.
На теореме Чебышева основан широко применяемый в статистике выборочный метод, суть которого состоит в том, что по сравнительно небольшой случайной выборке судят обо всей совокупности (генеральной совокупности) исследуемых объектов.
Т.е. эта сумма рава относительной частоте событий, так как каждая из величин Xi принимает значение 1, если событие А осуществилось и 0, если не осуществилось. Значит сумма X1+... Xn=m – число появления события А в n испытаниях.
Т.е. эта сумма рава относительной частоте событий, так как каждая из величин Xi принимает значение 1, если событие А осуществилось и 0, если не осуществилось. Значит сумма X1+... Xn=m – число появления события А в n испытаниях.
Доказательство.
Законы распределения px(x) n независимых случайных величин Xi одинаковы и неизвестны.
Найти закон распределения суммы py(y), где Y= X1+ X2+...+ Xn. n стремится к бесконечности.
Математическое ожидание и дисперсия каждого из распределений a и σ2 .
Математическое ожидание и дисперсия суммы my=na и σy2=nσ2 .
Ищем закон распределения нормированной величины.
Z= (Y- my)/ σy= (Y- na)/ (n)-1/2σ.
Разлагаем ехр в рад Маклорена и берем математическое ожидание от каждого слагаемого
Если вместо X рассматриваем нормированную Z, то вместо начальных моментов нужно рассматривать центральные моменты и вместо ω – величину ω/(σn1/2), тогда для логарифмической характеристической функции получим
Известно, что для нормального распределения
Характеристическая функция имеет вид.
Следовательно закон распределения величины Z
Возвращаясь к величине Y
Cледовательно распределение вероятностей суммы случайных величин, имеющих одинаковые законы распределения, стремиться к нормальному при любом виде закона распределения слагаемых.
Если не удалось найти и скачать доклад-презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:
Email: Нажмите что бы посмотреть