Ugaon2 (обсуждение | вклад) (Содержимое страницы заменено на «'''{{PAGENAME}}''' - пассивный педераст. Категория:Жопа») Метка: sourceedit |
м (Откат правок Ugaon2 (обсуждение) к версии Tac14) |
||
Строка 1: | Строка 1: | ||
+ | == Теорема Ляпунова == |
||
− | '''{{PAGENAME}}''' - пассивный педераст. |
||
+ | Часто приходится иметь дело с такими случайными величинами, которые являются суммами большого числа независимых случайных величин. При некоторых весьма общих условиях оказывается, что эта сумма имеет распределение, близкое к нормальному, хотя каждое из слагаемых может не подчиняться нормальному [[закон распределения вероятностей|закону распределения вероятностей]]. Эти условия были найдены [[Ляпунов, Александр Михайлович|Ляпунов]]ым и составляют содержание [[теорема|теоремы]], названной его именем. Приведём без доказательства только следствие из теоремы Ляпунова. |
||
+ | Пусть с <math>\xi_1,\xi_2,...,\xi_n </math>,… последовательность попарно независимых случайных величин с математическими ожиданиями M<math>(\xi_i)=\alpha_i</math> и дисперсиями D<math>(\xi_i)=\sigma_i^2</math> , причём эти величины обладают следующими двумя свойствами: |
||
⚫ | |||
+ | |||
+ | 1) Cуществует такое число L, что для любого i имеет место [[неравенство]] <math>\mid \xi_i - M(\xi_i)\mid<L</math>, т, е. все значения случайных величин, как говорят, равномерно ограничены, относительно математических ожиданий; |
||
+ | |||
+ | 2) Сумма <math>\sum_{i=1}^n\sigma_i^2</math> неограниченно растёт при <math>n \to \infty</math> |
||
+ | |||
+ | Тогда при достаточно большом n сумма <math>\xi=\xi_1+\xi_2+...+\xi_n </math> имеет распределение, близкое к нормальному. |
||
+ | |||
+ | Пусть <math>\alpha</math> и <math>\sigma</math> математическое ожидание и [[Дисперсия случайной величины|дисперсия]] случайной величины <math>\xi=\xi_1+\xi_2+...+\xi_n </math>. Тогда |
||
+ | |||
+ | <center> |
||
+ | <math>\alpha = M(\xi)=M(\xi_1+\xi_2+...+\xi_n)=M(\xi_1)+M(\xi_2)+...+M(\xi_n)=\sum_{i=1}^n\alpha_i</math> |
||
+ | |||
+ | <math>\sigma = D(\xi)=D(\xi_1+\xi_2+...+\xi_n)=D(\xi_1)+D(\xi_2)+...+D(\xi_n)=\sum_{i=1}^n\sigma_i</math> |
||
+ | |||
+ | |||
+ | <math>P(x_1<\xi_1+\xi_2+...+\xi_n <x_2)\approx \phi \left( \frac{x_2-\alpha}{\sigma} \right) - \phi \left( \frac{x_1-\alpha}{\sigma} \right)</math> |
||
+ | </center> |
||
+ | Где <math>\phi</math> - [[интервал вероятности]].Ξερω/ |
||
+ | |||
⚫ | |||
+ | [[Категория:Теория вероятностей]] |
Текущая версия от 04:29, 11 марта 2017
Теорема Ляпунова
Часто приходится иметь дело с такими случайными величинами, которые являются суммами большого числа независимых случайных величин. При некоторых весьма общих условиях оказывается, что эта сумма имеет распределение, близкое к нормальному, хотя каждое из слагаемых может не подчиняться нормальному закону распределения вероятностей. Эти условия были найдены Ляпуновым и составляют содержание теоремы, названной его именем. Приведём без доказательства только следствие из теоремы Ляпунова.
Пусть с ,… последовательность попарно независимых случайных величин с математическими ожиданиями M и дисперсиями D , причём эти величины обладают следующими двумя свойствами:
1) Cуществует такое число L, что для любого i имеет место неравенство , т, е. все значения случайных величин, как говорят, равномерно ограничены, относительно математических ожиданий;
2) Сумма неограниченно растёт при
Тогда при достаточно большом n сумма имеет распределение, близкое к нормальному.
Пусть и математическое ожидание и дисперсия случайной величины . Тогда
Где - интервал вероятности.Ξερω/