Wykład jedenasty Prawo Wielkich Liczb i Twierdzenia Graniczne
Transkrypt
Wykład jedenasty Prawo Wielkich Liczb i Twierdzenia Graniczne
Wykład jedenasty Prawo Wielkich Liczb i Twierdzenia Graniczne Niech (Xi )ni=1 b˛edzie ciagiem ˛ niezależnych zmiennych losowych o tych samych rozkładach. Twierdzenia graniczne mówia˛ o zachowaniu si˛e sumy X1 + X2 + · · · + Xn . Dotychczas poznaliśmy nast˛epujace ˛ twierdzenia dotyczace ˛ sum zmiennych losowych: 1. Jeśli (Xi )ni=1 sa˛ niezależnymi zmiennymi losowymi o rozkładach zero-jedynkowych takich, że P (Xi = 1) = p ∈ (0; 1), P (Xi = 0) = 1 − p, to zmienna losowa Sn = X1 + · · · Xn ma rozkład B(n, p). 2. Jeśli zmienna losowa Sn ma rozkład B(n, p), to dla małych wartości p lim P (Sn = k) = e−λ · n→∞ λk , k! gdzie λ = n · p. Twierdzenie 1. Prawo Wielkich Liczb Bernoulliego Jeśli zmienna losowa Sn ma rozkład B(n, p), to dla każdego ε > 0 Sn lim P | − p| 6 ε = 1. n→∞ n Powyższe twierdzenie mówi, że jeśli Sn jest liczba˛ sukcesów w n doświadczeniach Bernoulliego, z prawdopodobieństwem sukcesu w jednej próbie równym p, to przy n → ∞ cz˛estość pojawienia si˛e Sn sukcesu, czyli zbiega do p. n 1. Rzucajac ˛ wielokrotnie symetryczna˛ moneta,˛ cz˛estość wypadni˛ecia orła (reszki) stabilizuje si˛e w 1 pobliżu ; 2 1 2. Rzucajac ˛ wielokrotnie kostka˛ cz˛estość wypadni˛ecia szóstki b˛edzie w przybliżeniu równa . 6 ˛ Twierdzenie 2. Centralne Twierdzenie Graniczne Lindeberga-Levy’ego Niech (Xi )ni=1 b˛edzie ciagiem 2 niezaleP żnych zmiennych losowych o takim samym rozkładzie takich, że EXi = m, V Xi = σ . Niech Yn = ni=1 Xi . Wtedy dla dowolnego t ∈ R Yn − n · m √ lim P 6 t = Φ(t), (1) n→∞ σ· n gdzie Φ jest dystrybuanta˛ rozkładu N (0, 1). Wniosek. PnJeśli spełnione sa˛ założenia powyższego twierdzenia, to dla du2 żych n zmienna losowa Yn = k=1 Xk ma w przybliżeniu rozkład normalny N n · m, n · σ . To oznacza, że zmienna Yn − n · m losowa √ ma w przybliżeniu rozkład normalny N (0, 1) i dla a < b n·σ a−n·m Y −n·m b−n·m b−n·m a−n·m √ √ √ < √ < √ ≈Φ −Φ . P (a < Y < b) = P nσ nσ nσ nσ nσ 1 Twierdzenie 3. Twierdzenie Moivre’a-Laplace’a Jeśli (Xi )ni=1 jest ciagiem ˛ niezależnych zmiennych losowych o rozkładzie zero-jedynkowym Pn takim, że P (Xi = 1) = p ∈ (0; 1), P (Xi = 0) = 1 − p dla każdego i = 1, . . . n oraz Sn = i=1 Xi , to dla dowolnego t ∈ R ! Sn − n · p 6 t = Φ(t). lim P p n→∞ n · p · (1 − p) Wniosek. Pn Jeśli spełnione sa˛ założenia powyższego twierdzenia, to dla dużych n zmienna losowa Yn = k=1 Xk ma w przybliżeniu rozkład normalny N (n · p, n · p · (1 − p)). To oznacza, że zmienna Yn − n · p losowa p ma w przybliżeniu rozkład normalny N (0, 1) i dla a < b n · p · (1 − p) ! Y −n·p b−n·p a−n·p <p <p ≈ P (a < Y < b) = P p n · p · (1 − p) n · p · (1 − p) n · p · (1 − p) ≈Φ b−n·p ! p n · p · (1 − p) −Φ a−n·p p n · p · (1 − p) ! . Przykład 1. Edi zbiera złom i sprzedaje. Dziennie udaje mu si˛e zarobić średnio 20zł, z odchyleniem standardowym 10zł. Jakie jest prawdopodobieństwo, że przez 180 dni uda mu si˛e zarobić pona 3500zł? Niech Xi -kwota zarobiona w i-tym dniu, gdzie i = 1, 2, . . . , 180. Wtedy X1 , . . . , X180√ sa˛ niezależnymi zmiennymi losowymi o takim samym rozkładzie, w którym m = EXi = 20, σ = V Xi = 10. Z 180 X Centralnego Twierdzenia Granicznego wynika, że zmienna losowa Y180 = Xi ma w przybliżeniu i=1 rozkład N (180 · 20, 180 · 100). Ostatecznie wi˛ec P (Y180 3500 − 3600 √ > 3500) = 1 − P (Y180 6 3500) ≈ 1 − Φ 180 · 10 ≈ 1 − Φ(−0, 75) = 1 − (1 − Φ(0, 75)) = Φ(0, 75) = 0, 7734. Przykład 2. Przy pisaniu sms’a prawdopodobieństwo popełnienia bł˛edu przy pisaniu jednego znaku jest równe 0, 15. Jakie jest prawdopodobieństwo, że liczba popełnionych bł˛edów przy pisaniu wiadomości złożonej ze 160 znaków należy do przedziału (20; 28)? (bł˛edy popełniane sa˛ niezależnie od siebie). Niech Xi = 1 , 0 , przy pisaniu i-tego znaku popełniono blad ˛ , przy pisaniu i-tego znaku nie popełniono bl˛edu gdzie i = 1, . . . , 160. Wtedy zmienne X1 , . . . , X160 maja˛ rozkłady zero-jedynkowe takie, że P (Xi =P1) = 0, 15 = p. Z twierdzenia Moivre’a-Laplace’a wynika, że zmienna losowa Y160 = 160 i=1 Xi ma w przybliżeniu rozkład normalny N (160 · 0, 15, 160 · 0, 15 · 0, 85). Zatem 20 − 160 · 0, 15 28 − 160 · 0, 15 −Φ √ P (20 < Y160 < 28) ≈ Φ √ 160 · 0, 15 · 0, 85 160 · 0, 15 · 0, 85 ≈ Φ(0, 89) − Φ(−0, 89) = Φ(0, 89) − (1 − Φ(0, 89)) = 2 · Φ(0, 89) − 1 = 2 · 0, 8133 − 1 = 0, 6266. 2 Przykład 3. Na konferencj˛e naukowa˛ zaproszono 120 osób. Szacuje si˛e, że prawdopodobieństwo, iż zaproszona osoba rzeczywiście przyb˛edzie na konferencj˛e wynosi 0, 8. Ile co najmniej filiżanek trzeba przygotować, aby z prawdopodobieństwem 0, 95 każdy z uczestników konferencji mógł napić si˛e kawy lub herbaty? Niech Xi = 1 , 0 , i-ta osoba przyb˛edzie , i-tej osoby nie b˛edzie gdzie i = 1, . . . , 120. Wtedy zmienne X1 , . . . , X120 maja˛ rozkłady zero-jedynkowe takie, że P (Xi =P1) = 0, 8 = p. Z twierdzenia Moivre’a-Laplace’a wynika, że zmienna losowa Y120 = 120 i=1 Xi ma w przybliżeniu rozkład normalny N (120 · 0, 8, 120 · 0, 8 · 0, 2). Należy znaleźć takie M , dla którego P (Y120 6 M ) = 0, 95. Po narysowaniu wykresu g˛estośco rozkładu normalnego widać, że aby powyższe prawdopodobieństwo nogło wynosić 0, 95, musi być M > 120 · 0, 8. Zatem P (Y120 6 M ) ≈ Φ M − 120 · 0, 8 √ 120 · 0, 8 · 0, 2 =Φ M − 96 √ 19, 2 . Ponieważ M > 96, wi˛ec odczytujemy z tablic funkcji Φ wartość x, dla której Φ(x) = 0, 95. Dostajemy √ −96 = 1, 64, co oznacza, że M = 103, 19. Należy wi˛ Φ(1, 64) ≈ 0, 95. Zatem M ec przygotować co 19,2 najmniej 104 filiżanki. 3