Предельные теоремы

Содержание

Слайд 2

Теорема Пуассона

Биномиальная случайная величина с параметрами N и p.
Пусть число N

Теорема Пуассона Биномиальная случайная величина с параметрами N и p. Пусть число
неограниченно возрастает, при этом вероятность p = a / N , где a – const.

Подставим p = a / N в (6.1)

(6.1)

Слайд 3

Предельный переход при N → ∞

Вынесем общий множитель, не содержащий N

Предельный переход при N → ∞ Вынесем общий множитель, не содержащий N

Слайд 4

a = N p

Параметр распределения Пуассона равен произведению параметров распределения Бернулли:

Вывод: при

a = N p Параметр распределения Пуассона равен произведению параметров распределения Бернулли:
большом значении параметра N и малом значении параметра p распределение Бернулли совпадает с распределением Пуассона

Слайд 5

a = Np = 2

a = Np = 2

Слайд 6

a = Np = 20

a = Np = 20

Слайд 7

a = Np = 2

a = Np = 2

Слайд 8

Хорошее совпадение распределения Бернулли с распределением Пуассона наблюдается при значении параметра N

Хорошее совпадение распределения Бернулли с распределением Пуассона наблюдается при значении параметра N
> 100 , и параметра распределения Пуассона a не сильно отличающегося от единицы.

Слайд 9

Теорема Муавра – Лапласа

Биномиальная случайная величина с параметрами N и p.
Вероятность

Теорема Муавра – Лапласа Биномиальная случайная величина с параметрами N и p.
того, что значение этой случайной величины k находится в интервале [k1, k2]

Рассмотрим предельный переход при N → ∞

Слайд 10

где: μ = Np, σ2 = Np(1– p)

Согласно теореме Муавра – Лапласа,

где: μ = Np, σ2 = Np(1– p) Согласно теореме Муавра –
справедлив следующий предельный переход:

Слайд 11

Это означает, что при очень больших значениях параметра N и при большом

Это означает, что при очень больших значениях параметра N и при большом
значении произведения параметров Np распределение Бернулли может заменятся нормальным (гауссовым) распределением.
Сумма вероятностей биномиальной случайной величины заменяется интегралом от плотности вероятности нормальной случайной величины.

Параметр μ (математическое ожидание) равен произведению Np

Параметр σ2 (дисперсия) равен Np(1– p)

Слайд 12

N = 100 ; p = 0,4.
Вертикальные черточки – вероятности для биномиального

N = 100 ; p = 0,4. Вертикальные черточки – вероятности для
распределения.
Кружки – значения плотности нормальной случайной величины.

μ = Np = 40; σ2 = Np(1 – p) = 24

Слайд 13

Как вычислить определенный интеграл в правой части теоремы Муавра-Лапласа?

Замена переменной: z

Как вычислить определенный интеграл в правой части теоремы Муавра-Лапласа? Замена переменной: z
= (x – μ) / σ

Слайд 14

Функция Лапласа

Интеграл с переменным верхним пределом от нормированной функции Гаусса

Это плотность гауссовой

Функция Лапласа Интеграл с переменным верхним пределом от нормированной функции Гаусса Это
случайной величины с параметрами μ = 0 и σ = 1

Слайд 15

Свойства функции Лапласа

Φ(x=0) = 0
2. Φ(−x) = − Φ(x).
3. Функция Лапласа быстро

Свойства функции Лапласа Φ(x=0) = 0 2. Φ(−x) = − Φ(x). 3.
стремится к 0,5.
Φ(x = 3) = 0,49865; Φ(x = 5) = 0,49999997.

Слайд 17

График функции Лапласа

График функции Лапласа

Слайд 18

k - значение биномиальной случайной величины с параметрами N и p.

где

k - значение биномиальной случайной величины с параметрами N и p. где
Ф – функция Лапласа, x1 и x2 – её аргументы:

Слайд 19

Центральная предельная теорема

Центральная предельная теорема

Слайд 20

i ; (i = 1, …, N ) – случайные величины

Если N

i ; (i = 1, …, N ) – случайные величины Если
→ ∞, то при весьма общих условиях случайная величина ζN имеет нормальное (гауссово) распределение вероятностей.

Слайд 21

Теорема 1

i ; (i = 1, …, N ) – попарно

Теорема 1 i ; (i = 1, …, N ) – попарно
независимые случайные величины, имеющие одинаковые распределения.
Математические ожидания M(ξi) = a
Дисперсии D(ξi) = d

Случайная величина

при N→∞ приобретает нормальное распределение с плотностью вероятности

Слайд 22

Теорема 2 (теорема Ляпунова)

i ; (i = 1, …, N )

Теорема 2 (теорема Ляпунова) i ; (i = 1, …, N )
– независимые случайные величины.
Математические ожидания M(ξi) = ai
Дисперсии D(ξi) = bi2
Конечные третьи моменты M⎪ξi – ai⎪3 = ci


Обозначения:

Слайд 23

Если

то при N→∞

где:

Если то при N→∞ где:

Слайд 24

Нормированная сумма любых независимых случайных величин при N→∞ имеет нормальное распределение.

На

Нормированная сумма любых независимых случайных величин при N→∞ имеет нормальное распределение. На
следующих слайдах показаны графики распределений нормированных сумма равномерно распределенных непрерывных случайных величин при различном количестве слагаемых N.
Видно, что с ростом N распределение приближается к нормальному распределению.

Слайд 27

N = 10000

N = 10000
Имя файла: Предельные-теоремы.pptx
Количество просмотров: 46
Количество скачиваний: 0