(Microsoft PowerPoint - MPiS_wd7 [tryb zgodno\234ci])
Transkrypt
(Microsoft PowerPoint - MPiS_wd7 [tryb zgodno\234ci])
METODY PROBABILISTYCZNE I STATYSTYKA WYKŁAD 7: PRAWA WIELKICH LICZB. Nierówność Czebyszewa Jeśli X jest dowolną zmienną losową o wartości oczekiwanej równej m i skończonej wariancji, to dla każdego ε > 0 jest spełniona nierówność: TWIERDZENIA GRANICZNE. Małgorzata Krętowska Politechnika Białostocka Nierówność Czebyszewa ε2 Ciągi zmiennych losowych Zmienna losowa (częstość): Y=X/n, gdzie X - liczba sukcesów w n próbach (E(X)=np V(X)=npq) E(Y)=p; V(Y)=pq/n P{Y − p ≥ ε } ≤ V (X ) Interpretacja: Jeżeli chcemy policzyć prawdopodobieństwo, że pewna zmienna losowa X różni się od swojej wartości oczekiwanej o pewną stałą, a nie znamy rozkładu tej zmiennej losowej, wówczas korzystamy z nierówności Czebyszewa. Wydział Informatyki P{ X − m ≥ ε } ≤ X= Zmienna losowa E ( X ) = m, V ( X ) = σ2 pq nε 2 X1 + X 2 + K + X n n n gdzie E(X1) = ... =E(Xn)=m; V(X1)= ... =V(Xn)=σ2 { Dana jest przestrzeń probabilistyczna (Ω, ϕ, P) i w tej przestrzeni zmienne losowe X1, X2, ... . Ciąg tych zmiennych losowych będziemy oznaczać przez {Xn} i nazywać ciągiem losowym. } P X −m ≥ε ≤ σ2 nε 2 Mówimy, że {Xn} jest ciągiem niezależnych zmiennych losowych, jeśli dla każdego n>1 zmienne losowe X1, X2,..., Xn są niezależne. Rodzaje zbieżności ciągów Rodzaje zbieżności ciągów Ciąg losowy jest {Xn} jest zbieżny do zmiennej losowej X według prawdopodobieństwa (stochastycznie, według miary), jeśli dla każdego ε>0 lim P ( X n − X ≥ ε ) = 0 ( X n wg →X) pr . n →∞ Ciąg losowy jest {Xn} jest zbieżny średniokwadratowo do zmiennej losowej X, jeśli 2 lim E (| X n − X | ) = 0 (l.i.m. X n = X ) n →∞ (dotyczy zmiennych losowych mających moment rzędu drugiego, E(Xn2) <∞, E(X2) <∞) Ciąg losowy jest {Xn} jest zbieżny do zmiennej losowej X z prawdopodobieństwem 1, jeśli P[lim( X n − X ) = 0] = 1 ( X n z → X ) pr .1 n →∞ zbieżność średniokwadratowa zbieżność z prawdopodobieństwem 1 zbieżność według prawdopodobieństwa Prawa wielkich liczb Prawo wielkich liczb Markowa Niech {Xn} będzie ciągiem zmiennych losowych, dla których EXi=mi<∞ dla i∈N oraz 1 n 1 n X n = ∑ X i , EX n = ∑ EX i n i =1 n i =1 Jeśli ciąg losowy {Xn} jest taki, że Jeżeli dla losowego ciągu {Xn} i dla dowolnego ε>0 lim P(| X n − EX n |≥ ε ) = 0 1 n V ∑ Xk = 0 n →∞ n 2 k =1 lim to dla ciągu losowego {Xn} zachodzi słabe prawo wielkich liczb. n→∞ to mówimy, że dla dowolnego ciągu zachodzi słabe prawo wielkich liczb. W przypadku, gdy przy tym samym założeniu: P[ lim | X n − EX n |= 0) = 1 n →∞ mówimy, że dla losowego ciągu {Xn} zachodzi mocne prawo wielkich liczb. Jeżeli zmienne losowe X1, X2, ... są niezależne to z własności wariancji wynika, że powyższy warunek przyjmuje postać: 1 n →∞ n 2 lim n ∑σ 2 k =0 k =1 gdzie σk jest wariancją zmiennej losowej Xk, k=1,2,... Dowód Prawo wielkich liczb Czebyszewa Oznaczmy: 1 n 1 n X n = ∑ X i , EX n = ∑ EX i n i =1 n i =1 (szczególny przypadek prawa wielkich liczb Markowa) Jeśli zmienne losowe X1, X2, ... są niezależne i ich wariancje σk są wspólnie ograniczone tzn. istnieje σ takie, że Z nierówności Czebyszewa wynika, że dla każdego ε>0 mamy 1 n P (| X n − EX n |≥ ε ) = P ∑ ( X k − EX k ) ≤ n k =1 n 1 1 ⋅ 2 V ∑ X k → 0, gdy n → ∞ 2 ε n k =1 Prawa wielkich liczb (twierdzenia) Prawo wielkich liczb Chinczyna Jeśli {Xn} jest ciągiem niezależnych zmiennych losowych o jednakowych rozkładach, mających wartość przeciętną m, to dla ciągu {Xn} zachodzi słabe prawo wielkich liczb. Mocne prawo wielkich liczb Kołmogorowa Jeśli {Xn} jest ciągiem niezależnych zmiennych losowych o wariancjach V(Xn) i spełniony jest warunek ∞ V (Xn) <∞ n2 i =1 ∑ to dla ciągu losowego {Xn} zachodzi mocne prawo wielkich liczb. σ k2 < σ 2 dla k = 1,2,... to dla ciągu losowego {Xn} zachodzi słabe prawo wielkich liczb. Dowód: 1 n2 n ∑σ 2 k ≤σ 2 k =1 1 → 0, gdy n → ∞ n Integralne twierdzenie graniczne Moivre’a-Laplace’a Niech Xn będzie zmienną losową o rozkładzie dwumianowym B(n,p) (nliczba doświadczeń, p-prawdopodobieństwo sukcesu) i niech X będzie zmienną losową o rozkładzie normalnym z wartością oczekiwaną m=np z odchyleniem standardowym σ= √npq (N(np, √npq)). Oznaczmy przez Fn(x) wartość dystrybuanty zmiennej losowej Xn w punkcie x i przez F(x) wartość dystrybuanty zmiennej losowej X w punkcie X. Między dystrybuantami zachodzi związek: lim Fn ( x) = F ( x) n →∞ Interpretacja: Jeśli liczba prób jest duża to rozkład zmiennej losowej Xn o rozkładzie B(n,p) można przybliżyć rozkładem N(np, √npq). Im większe n tym przybliżenie jest lepsze. W praktyce przyjmuje się, że przybliżenie jest wystarczająco dobre dla n>30. Centralne twierdzenie graniczne Lindeberga-Levy’ego Załóżmy, że dany jest ciąg X1, X2, ..., Xn niezależnych zmiennych losowych o jednakowym rozkładzie oraz E(X1) = E(X2) = ... =E(X1) = m i V(X1) = V(X2) = ... =V(X1) = σ2. Oznaczając przez Yn następującą zmienną losową: Yn = X1 + X2 + ... + Xn otrzymujemy: E(Yn)=nm, V(Yn)=nσ2. Centralne twierdzenie graniczne mówi, że jeśli n jest duże, to rozkład zmiennej losowej Yn można przybliżyć rozkładem normalnym z wartością oczekiwaną nm i odchyleniem standardowym σ√n: Yn - N(nm, σ√n)