Реферат

Реферат Центральная предельная теорема и ее доказательство через ряды Тейлора

Работа добавлена на сайт bukvasha.net: 2015-10-28

Поможем написать учебную работу

Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.

Предоплата всего

от 25%

Подписываем

договор

Выберите тип работы:

Скидка 25% при заказе до 8.11.2024



Прежде чем приступить к рассмотрению центральной предельной теоремы, я считаю нужным сказать о слабой сходимости.

Пусть задана последовательность случайных величин (далее с. в.) $\{\xi_n\}$, задано некоторое распределение $\cal F$с функцией распределения $F_\xi$и $\xi$ —  произвольная с. в., имеющая распределение $\cal F$.

Определение.

Говорят, что последовательность с. в. $\{\xi_n\}$при $n\to\infty$сходится слабо  или по распределению  к с. в. $\xi$ и пишут:   $\xi_n\Rightarrow\xi$,  или   $F_{\xi_n}\Rightarrow F_\xi$,  или  $\xi_n\mbox{ $\Rightarrow$\space }\cal F$,
если для любого $x$такого, что функция распределения $F_\xi$непрерывна в точке $x$, имеет место сходимость  $F_{\xi_n}(x)\to F_\xi(x)$  при  $n\to\infty$.

Иначе говоря, слабая сходимость  —  это поточечная сходимость функций распределения во всех точках непрерывности предельной функции распределения.

Свойство 1.

Если $\xi_n\Rightarrow\xi$, и функция распределения $F_\xi$непрерывна в точках $a$и $b$, то

 $\mathsf P(\xi_n\in[a,b])\to
\mathsf P(\xi\in[a,b])$  и т.д. (продолжить ряд).

Наоборот, если во всех точках $a$и $b$непрерывности функции распределения $F_\xi$имеет место, например, сходимость $\mathsf P(\xi_n\in[a,b])\to
\mathsf P(\xi\in[a,b])$, то $\xi_n\Rightarrow\xi$.

Следующее важное свойство уточняет отношения между сходимостями.

Свойство 2.

1. Если $\xi_n\buildrel {\rm p} \over \longrightarrow\xi$, то $\xi_n\Rightarrow\xi$.

2. Если $\xi_n\Rightarrow c=\text{const}$, то $\xi_n\buildrel {\rm p} \over \longrightarrow c$.

Свойство 3.

1. Если $\xi_n\buildrel {\rm p} \over \longrightarrow c=\text{const}$и $\eta_n\Rightarrow\eta$, то $\xi_n\cdot\eta_n\Rightarrow c\eta$.

2. Если $\xi_n\buildrel {\rm p} \over \longrightarrow c=\text{const}$и $\eta_n\Rightarrow\eta$, то $\xi_n+\eta_n\Rightarrow c+\eta$.

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 $\xi_1,\xi_2,\ldots$ —  независимые и одинаково распределенные случайные величины с конечной и ненулевой дисперсией: $0<\mathsf D\,\xi_1\ <\infty $. Обозначим через $S_n$сумму первых $n$случайных величин: $S_n=\xi_1+\ldots+\xi_n$.

Тогда последовательность случайных величин $\dfrac{S_n-n\,\mathsf E\,\xi_1}{\sqrt{n\,\mathsf D\,\xi_1}}$ слабо сходится к стандартному нормальному распределению.

Доказательство.

Пусть $\xi_1,\xi_2,\ldots$ —  последовательность независимых и одинаково распределенных случайных величин с конечной и ненулевой дисперсией. Обозначим через $a$математическое ожидание $\mathsf E\xi_1$и через $\sigma^2$ —  дисперсию $\mathsf D\xi_1$. Требуется доказать, что

\begin{displaymath}
\dfrac{S_n-na}{\sigma\sqrt{n}}=
\dfrac{\xi_1+\dots+\xi_n-na}{\sigma\sqrt{n}}\mbox{ $\Rightarrow$\space }\mathbf N_{0,1}.\end{displaymath}

Введем стандартизированные случайные величины $\zeta_i=\dfrac{\xi_i-a}{\sigma}$ —  независимые с.в. с нулевыми математическими ожиданиями и единичными дисперсиями. Пусть $Z_n$есть их сумма $Z_n=\zeta_1+\dots+\zeta_n=(S_n-na)/\sigma$. Требуется доказать, что

                                                                       \begin{displaymath}
\dfrac{Z_n}{\sqrt{n}}\mbox{ $\Rightarrow$\space }\mathbf N_{0,1}.\end{displaymath}

Характеристическая функция величины ${Z_n}/{\sqrt{n}}$равна

\begin{equation}
\varphi_{Z_n/\sqrt{n}}(t)
\,
{\buildrel{{\boldsymbol{\varphi3}}...
 ...\left(\varphi_{\zeta_1}\left(\dfrac{t}{\sqrt{n}}\right)\right)}^n.\end{equation}

Характеристическую функцию с.в. $\zeta_1$можно разложить в ряд Тейлора, в коэффициентах которого использовать известные моменты $\mathsf E\zeta_1=0$, $\mathsf E{\zeta_1}^2=\mathsf D\zeta_1=1$. Получим

\begin{displaymath}
\varphi_{\zeta_1}(t)
\,
{\buildrel{{\boldsymbol{\varphi6}}}\...
 ...t^2}{2}\,
\mathsf E{\zeta_1}^2 +o(t^2)=1-\dfrac{t^2}{2}+o(t^2).\end{displaymath}

Подставим это разложение, взятое в точке $t/\sqrt{n}$, в равенство и устремим $n$к бесконечности. Еще раз воспользуемся замечательным пределом:

\begin{displaymath}
\varphi_{Z_n/\sqrt{n}}(t)=
{\left(\varphi_{\zeta_1}\left(\df...
 ...t\{-\dfrac{t^2}{2}\right\} \quad \text{ при } \quad n\to\infty.\end{displaymath}

В пределе получили характеристическую функцию стандартного нормального закона. По теореме о непрерывном соответствии можно сделать вывод о слабой сходимости :

     \begin{displaymath}
\dfrac{Z_n}{\sqrt{n}}=\dfrac{S_n-na}{\sigma\sqrt{n}}
\mbox{ $\Rightarrow$\space }\mathbf N_{0,1}\end{displaymath}

распределений стандартизованных сумм к стандартному нормальному распределению, что и утверждается в ЦПТ.

Пользуясь определением и свойствами слабой сходимости, и заметив, что функция распределения $\Phi_{a,\sigma^2}(x)$любого нормального закона непрерывна всюду на $\mathbb R$, утверждение ЦПТ можно сформулировать любым из следующих способов:

Следствие.

Пусть $\xi_1,\xi_2,\ldots$ —  независимые и одинаково распределенные случайные величины с конечной и ненулевой дисперсией. Следующие утверждения эквивалентны друг другу и равносильны утверждению ЦПТ.

·                     Для любых вещественных $x<y$при $n\to\infty$имеет место сходимость

\begin{displaymath}
\mathsf P \left(x<\dfrac{S_n-n\,\mathsf E\,\xi_1}{\sqrt{n\,\...
 ...0,1}(x)=
\int\limits_x^y ~\frac{1}{\sqrt{2\pi}}~e^{-t^2/2}\,dt;\end{displaymath}

·                     Для любых вещественных $x<y$при $n\to\infty$имеет место сходимость

\begin{displaymath}
\mathsf P \left(x\le\dfrac{S_n-n\,\mathsf E\,\xi_1}{\sqrt{n\...
 ...0,1}(x)=
\int\limits_x^y ~\frac{1}{\sqrt{2\pi}}~e^{-t^2/2}\,dt;\end{displaymath}

·                     Для любых вещественных $x<y$при $n\to\infty$имеет место сходимость

\begin{displaymath}
\mathsf P \left(x\le\dfrac{S_n-n\,\mathsf E\,\xi_1}{\sqrt{n}...
 ...,\xi_1}}
\int\limits_x^y ~\frac{1}{\sqrt{2\pi}}~e^{-t^2/2}\,dt;\end{displaymath}

·                     Если $\eta$ —  произвольная с. в. со стандартным нормальным распределением, то

\begin{displaymath}
\dfrac{S_n-n\,\mathsf E\,\xi_1}{\sqrt{n\,\mathsf D\,\xi_1}}\...
 ...subset$}$\!\!\!\!\! =$\space }{\mathbf N}_{0,\mathsf D\,\xi_1}.\end{displaymath}



Следствием из ЦПТ является предельная теорема Муавра-Лапласа.

Предельная теорема Муавра  —  Лапласа.

Пусть $A$ —  событие, которое может произойти в любом из $n$независимых испытаний с одной и той же вероятностью $p=\mathsf P(A)$. Пусть $\nu_n(A)$ —  число осуществлений события $A$в $n$испытаниях. Тогда $\dfrac{\nu_n(A)-np}{\sqrt{np(1-p)}}\mbox{ $\Rightarrow$\space }
\mathbf N_{0,1}$.

Иначе говоря, для любых вещественных $x<y$при $n\to\infty$имеет место сходимость

\begin{displaymath}
\mathsf P \left(x\le\dfrac{\nu_n(A)-np}{\sqrt{np(1-p)}}
\le ...
 ...0,1}(x)=
\int\limits_x^y ~\frac{1}{\sqrt{2\pi}}~e^{-t^2/2}\,dt;\end{displaymath}

Доказательство.

По-прежнему $\nu_n(A)$есть сумма независимых, одинаково распределенных с. в., имеющих распределение Бернулли с параметром, равным вероятности успеха $p=\mathsf P(A)$:

\begin{displaymath}
\nu_n(A)=\xi_1+\dots+\xi_n, \quad \xi_i=I_i(A)=\begin{cases}...
 ... } A \text{ не произошло в } i-\text{м испытании}; \end{cases} \end{displaymath}



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 $\mathsf P\left(\left\vert\dfrac{\nu_n}{n}-\dfrac12\right\vert\gt{,}01\right)$, где $n={10}^4$, $\nu_n=\sum_{i=1}^n\xi_i=S_n$ —  число выпадений герба, а $\xi_i$ —  независимые с. в., имеющие одно и то же распределение Бернулли с параметром 1/2. Домножим обе части неравенства под знаком вероятности на $\sqrt{n}=100$и поделим на корень из дисперсии $\sqrt{\mathsf D\,\xi_1}=1/2$одного слагаемого.

\begin{multline*}
\mathsf P\left(\left\vert\dfrac{\nu_n}{n}-\dfrac12\right\vert\...
 ...\left\vert\dfrac{S_n}{n}-\mathsf E\,\xi_1\right\vert\le 2\right).\end{multline*}

Согласно ЦПТ или предельной теореме Муавра  —  Лапласа, последовательность

\begin{displaymath}
\dfrac{\sqrt{n}}{\sqrt{\mathsf D\,\xi_1}}
\left(\dfrac{S_n}{...
 ...t)=
\dfrac{S_n-n\,\mathsf E\,\xi_1}{\sqrt{n\,\mathsf D\,\xi_1}}\end{displaymath}

слабо сходится к стандартному нормальному распределению. Рассмотрим произвольную с. в. $\eta$, имеющую распределение ${\mathbf N}_{0,1}$.

\begin{multline*}
1-\mathsf P\left(\dfrac{\sqrt{n}}{\sqrt{\mathsf D\,\xi_1}}
\le...
 ...=1-(1-2\Phi_{0,1}(-2))=2\Phi_{0,1}(-2)
=2\cdot 0{.}0228=0{.}0456.\end{multline*}

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:

Т
r
= [(
Т
0
*
a
)/(<
N
>
*
<
Q
>)]
*
(<
N
>
*
D
Q
+ <
Q
>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.



1. Реферат Поняття ліквідності банку показники ліквідності
2. Контрольная работа Право інтелектуальної власності 2
3. Реферат Доктринальные источники права
4. Реферат Основания прекращения трудового договора
5. Реферат Ликвидность, платежеспособность
6. Реферат на тему Литература - Акушерство токсикозы беременных
7. Доклад на тему Трансмиссия
8. Реферат Принцип мімезису в античній естетиці
9. Сочинение на тему Социальные мотивы преступления Раскольникова в романе Достоевского Преступление и наказание
10. Кодекс и Законы Теория предельной полезности 2