Distribučná funkcia náhodnej premennej a jej vlastnosti.
distribučná funkcia náhodná premenná X sa nazýva funkcia F(X), ktorá vyjadruje pre každé x pravdepodobnosť, že náhodná premenná X nadobudne hodnotu menšiu ako x: F(x)=P(X
Funkcia F(x) niekedy tzv integrálna funkcia distribúcia resp zákon o integrálnej distribúcii.
Vlastnosti distribučnej funkcie:
1. Distribučná funkcia náhodnej premennej je nezáporná funkcia uzavretá medzi nulou a jednotkou:
0 ≤ F(x) ≤ 1.
2. Distribučná funkcia náhodnej veličiny je neklesajúca funkcia na celočíselnej osi.
3. V mínus nekonečne sa distribučná funkcia rovná nule, v plus nekonečne sa rovná jednej, t.j.: F(-∞)= , F(+∞)= .
4. Pravdepodobnosť, že náhodná premenná spadne do intervalu [x1,x2) (vrátane x1) sa rovná prírastku jej distribučnej funkcie na tomto intervale, t.j. P(x 1 ≤ X< х 2) = F(x 2) - F(x 1).
Markovova a Čebyševova nerovnosť
Markovova nerovnosť
Veta: Ak náhodná premenná X nadobúda iba nezáporné hodnoty a má matematické očakávanie, potom pre každé kladné číslo A platí rovnosť: P(x>A) ≤ .
Keďže udalosti X > A a X ≤ A sú opačné, nahradením P(X > A) vyjadríme 1 - P (X ≤ A), dospejeme k inému tvaru Markovovej nerovnosti: P(X ≥ A) ≥1 - .
Markovova nerovnosť k platí pre všetky nezáporné náhodné premenné.
Čebyševova nerovnosť
Veta: Pre každú náhodnú premennú s matematickým očakávaním a rozptylom platí Čebyševova nerovnosť:
P (|X - a| > ε) ≤ D(X) / ε 2 alebo P (|X - a| ≤ ε) ≥ 1 - DX / ε 2, kde a \u003d M (X), ε>0.
Zákon veľkých čísel "vo forme" Čebyševovej vety.
Čebyševova veta: Ak odchýlky n nezávislé náhodné premenné X1, X2,…. X n sú obmedzené rovnakou konštantou, potom s neobmedzeným nárastom počtu n aritmetický priemer náhodných premenných konverguje v pravdepodobnosti k aritmetickému priemeru ich matematických očakávaní a 1 ,a 2 ....,a n , t.j. .
Význam zákona veľkých čísel je, že priemerné hodnoty náhodných premenných majú tendenciu k ich matematickému očakávaniu, keď n→ ∞ v pravdepodobnosti. Odchýlka priemerných hodnôt od matematického očakávania sa stáva ľubovoľne malá s pravdepodobnosťou blízkou jednej, ak je n dostatočne veľké. Inými slovami, pravdepodobnosť akejkoľvek odchýlky prostriedku od a svojvoľne malý s rastom n.
30. Bernoulliho veta.
Bernoulliho veta: Frekvencia udalostí v n opakované nezávislé pokusy, v každom z nich môže nastať s rovnakou pravdepodobnosťou p, s neobmedzeným nárastom počtu n konvergovať v pravdepodobnosti k pravdepodobnosti p tejto udalosti v samostatnom pokuse: \
Bernoulliho veta je dôsledkom Čebyševovej vety, pretože frekvenciu udalosti možno vyjadriť ako aritmetický priemer n nezávislých alternatívnych náhodných premenných, ktoré majú rovnaký distribučný zákon.
18. Matematické očakávanie diskrétnej a spojitej náhodnej premennej a ich vlastnosti.
matematické očakávanie je súčet súčinov všetkých jeho hodnôt a im zodpovedajúcich pravdepodobností
Pre diskrétnu náhodnú premennú:
Pre spojitú náhodnú premennú:
Vlastnosti matematického očakávania:
1. Matematické očakávanie konštantnej hodnoty sa rovná samotnej konštante: M(S)=S
2. Konštantný faktor možno vyňať zo znaku očakávania, t.j. M(kX)=kM(X).
3. Matematické očakávanie algebraického súčtu konečného počtu náhodných premenných sa rovná rovnakému súčtu ich matematických očakávaní, t.j. M(X±Y)=M(X)±M(Y).
4. Matematické očakávanie súčinu konečného počtu nezávislých náhodných premenných sa rovná súčinu ich matematických očakávaní: M(XY)=M(X)*M(Y).
5. Ak sa všetky hodnoty náhodnej premennej zvýšia (znížia) o konštantu C, potom sa matematické očakávanie tejto náhodnej premennej zvýši (zníži) o rovnakú konštantu C: M(X±C)=M(X)±C.
6. Matematické očakávanie odchýlky náhodnej premennej od jej matematického očakávania je nulové: M = 0.
PREDNÁŠKA 5 Opakovanie minulostiAké je tajomstvo úspešných predajcov? Ak sledujete najlepších predajcov akejkoľvek spoločnosti, všimnete si, že majú jedno spoločné. Každý z nich sa stretáva s viacerými ľuďmi a robí viac prezentácií ako menej úspešní predajcovia. Títo ľudia chápu, že predaj je hra s číslami a čím viac ľuďom povedia o svojich produktoch alebo službách, tým viac obchodov uzavrú, to je všetko. Chápu, že ak budú komunikovať nielen s tými niekoľkými, ktorí im určite povedia áno, ale aj s tými, ktorých záujem o ich návrh nie je až taký veľký, tak zákon priemeru bude hrať v ich prospech.
Vaše zárobky budú závisieť od počtu predajov, no zároveň budú priamo úmerné počtu prezentácií, ktoré urobíte. Akonáhle pochopíte a začnete uvádzať do praxe zákon priemeru, úzkosť spojená so zakladaním nového biznisu alebo prácou v novom odbore začne klesať. A v dôsledku toho začne rásť pocit kontroly a dôvera v ich schopnosť zarábať. Ak len robíte prezentácie a zdokonaľujete svoje zručnosti v tomto procese, dôjde k dohodám.
Namiesto premýšľania o počte obchodov myslite na počet prezentácií. Nemá zmysel sa ráno zobudiť alebo prísť večer domov a začať premýšľať, kto si kúpi váš produkt. Namiesto toho je najlepšie naplánovať si každý deň, koľko hovorov musíte uskutočniť. A potom, bez ohľadu na to, urobte všetky tie hovory! Tento prístup vám uľahčí prácu – pretože ide o jednoduchý a konkrétny cieľ. Ak viete, že máte pred sebou veľmi konkrétny a dosiahnuteľný cieľ, bude pre vás jednoduchšie uskutočniť plánovaný počet hovorov. Ak počas tohto procesu budete niekoľkokrát počuť „áno“, tým lepšie!
A ak „nie“, tak večer budete mať pocit, že ste poctivo urobili všetko, čo ste mohli, a nebudú vás trápiť myšlienky na to, koľko peňazí ste zarobili, či koľko partnerov ste za deň získali.
Povedzme, že vo vašej spoločnosti alebo vo vašej firme priemerný predajca uzavrie jednu transakciu každé štyri prezentácie. Teraz si predstavte, že ťaháte karty z balíčka. Každá karta troch farieb - piky, káry a palice - je prezentáciou, kde profesionálne prezentujete produkt, službu alebo príležitosť. Robíte to najlepšie, ako viete, ale obchod stále neuzavriete. A každá srdcová karta je obchod, ktorý vám umožní získať peniaze alebo získať nového spoločníka.
Nechceli by ste si v takejto situácii potiahnuť čo najviac kariet z balíčka? Predpokladajme, že vám ponúknu, aby ste si potiahli toľko kariet, koľko chcete, pričom vám zaplatíme alebo navrhnete nového spoločníka zakaždým, keď si vytiahnete srdcovú kartu. Začnete nadšene ťahať karty a sotva si všimnete, v akej farbe bola karta práve vytiahnutá.
Viete, že v balíčku päťdesiatich dvoch kariet je trinásť sŕdc. A v dvoch balíčkoch - dvadsaťšesť srdcových kariet atď. Sklame vás kreslenie piky, diamanty alebo palice? Samozrejme, že nie! Budete si myslieť len to, že každá takáto „misska“ vás zbližuje – k čomu? Na kartu sŕdc!
Ale vieš čo? Túto ponuku ste už dostali. Ste v jedinečnej pozícii, aby ste zarobili toľko, koľko chcete, a vytiahli toľko kariet srdca, koľko chcete vo svojom živote potiahnuť. A ak budete len svedomito „ťahať karty“, zdokonaľovať sa a vydržať trochu rýľa, diamantu a palice, stanete sa vynikajúcim obchodníkom a uspejete.
Jedna z vecí, vďaka ktorým je predaj taký zábavný, je, že zakaždým, keď zamiešate balíček, karty sa zamiešajú inak. Niekedy všetky srdcia skončia na začiatku balíčka a po úspešnej sérii (keď sa nám už zdá, že nikdy neprehráme!) čakáme na dlhý rad kariet inej farby. A inokedy, aby ste sa dostali k prvému srdcu, musíte prejsť nekonečným množstvom pikov, palíc a tamburín. A niekedy karty rôznych farieb vypadnú striktne postupne. Ale v každom prípade, v každom balíčku päťdesiatich dvoch kariet, v určitom poradí, je vždy trinásť sŕdc. Stačí vytiahnuť karty, kým ich nenájdete.
Ak fenomén udržateľnosti stredná prebieha v realite, potom v matematickom modeli, s ktorým študujeme náhodné javy, musí existovať veta odrážajúca túto skutočnosť.
V podmienkach tejto vety zavádzame obmedzenia pre náhodné veličiny X 1 , X 2 , …, X n:
a) každá náhodná premenná Х i má matematické očakávania
M(Х i) = a;
b) rozptyl každej náhodnej premennej je konečný, alebo môžeme povedať, že rozptyly sú zhora ohraničené rovnakým číslom, napr. S, t.j.
D(Х i) < C, i = 1, 2, …, n;
c) náhodné premenné sú párovo nezávislé, t.j. ľubovoľné dve X i a Xj pri i¹ j nezávislý.
Potom očividne
D(X 1 + X 2 + … + X n)=D(X 1) + D(X 2) + ... + D(X n).
Formulujme zákon veľkých čísel v Čebyševovej forme.
Čebyševova veta: s neobmedzeným zvyšovaním počtu n nezávislé testy" aritmetický priemer pozorovaných hodnôt náhodnej premennej konverguje v pravdepodobnosti k jej matematickému očakávaniu “, teda za akékoľvek pozitívum ε
R(| –a| < ε ) = 1. (4.1.1)
Význam výrazu "aritmetický priemer = konverguje v pravdepodobnosti k" je to pravdepodobnosť, že sa bude ľubovoľne líšiť od a, sa blíži k 1 ako číslo n.
Dôkaz. Pre konečný počet n nezávislých testov, aplikujeme Čebyševovu nerovnosť pre náhodnú premennú = :
R(|–M()| < ε ) ≥ 1 – . (4.1.2)
S prihliadnutím na obmedzenia a - b vypočítame M( ) a D( ):
M( ) = = = = = = a;
D( ) = = = = = = .
Nahrádzanie M( ) a D( ) do nerovnosti (4.1.2), dostaneme
R(| –a| < ε )≥1 – .
Ak v nerovnosti (4.1.2) berieme ľubovoľne malú ε >0 a n® ¥, potom dostaneme
čo dokazuje Čebyševovu vetu.
Z uvažovanej vety vyplýva dôležitý praktický záver: neznámu hodnotu matematického očakávania náhodnej veličiny máme právo nahradiť aritmetickým priemerom získaným z dostatočne veľkého počtu experimentov. V tomto prípade, čím viac experimentov treba vypočítať, tým pravdepodobnejšie (spoľahlivejšie) možno očakávať, že chyba spojená s týmto nahradením ( - a) nepresiahne danú hodnotu ε .
Okrem toho sa dajú vyriešiť ďalšie praktické problémy. Napríklad podľa hodnôt pravdepodobnosti (spoľahlivosti) R=R(| – a|< ε ) a maximálnu povolenú chybu ε určiť požadovaný počet experimentov n; na R a P definovať ε; na ε a P určiť pravdepodobnosť udalosti | – a |< ε.
špeciálny prípad. Nechajte pri n pozorované pokusy n hodnoty náhodnej premennej X, mať matematické očakávania M(X) a rozptyl D(X). Získané hodnoty možno považovať za náhodné premenné X 1 ,X 2 ,X 3 , ... ,X n,. Malo by sa to chápať takto: séria P testy sa vykonávajú opakovane, takže v dôsledku toho i test, i= l, 2, 3, ..., P, v každej sérii testov sa objaví jedna alebo druhá hodnota náhodnej premennej X, vopred neznámy. teda i-e hodnota x i náhodná premenná získaná v i test sa náhodne zmení, ak prejdete z jednej série testov na druhú. Takže každá hodnota x i možno považovať za náhodné X i.
Predpokladajme, že testy spĺňajú nasledujúce požiadavky:
1. Testy sú nezávislé. To znamená, že výsledky X 1 , X 2 ,
X 3 , ..., X n testy sú nezávislé náhodné premenné.
2. Testy prebiehajú za rovnakých podmienok - to znamená z pohľadu teórie pravdepodobnosti, že každá z náhodných premenných X 1 ,X 2 ,X 3 , ... ,X n má rovnaký distribučný zákon ako pôvodná hodnota X, Preto M(X i) =M(X)a D(X i) = D(X), i = 1, 2, .... P.
Vzhľadom na vyššie uvedené podmienky dostaneme
R(| –a| < ε )≥1 – . (4.1.3)
Príklad 4.1.1. X sa rovná 4. Koľko nezávislých experimentov je potrebných, aby sa s pravdepodobnosťou aspoň 0,9 dalo očakávať, že aritmetický priemer tejto náhodnej premennej sa bude líšiť od matematického očakávania o menej ako 0,5?
Riešenie.Podľa stavu problému ε = 0,5; R(| – a|< 0,5) ≥ 0,9. Použitie vzorca (4.1.3) pre náhodnú premennú X, dostaneme
P(|–M(X)| < ε ) ≥ 1 – .
Zo vzťahu
1 – = 0,9
definovať
P= = = 160.
Odpoveď: je potrebné vykonať 160 nezávislých experimentov.
Za predpokladu, že ide o aritmetický priemer normálne rozdelené, dostaneme:
R(| – a|< ε )= 2Φ () ≥ 0,9.
Odkiaľ sa pomocou tabuľky Laplaceovej funkcie dostaneme ≥
≥
1,645 alebo ≥ 6,58 t.j. n ≥49.
Príklad 4.1.2. Rozptyl náhodnej premennej X sa rovná D( X) = 5. Uskutočnilo sa 100 nezávislých experimentov, podľa ktorých . Namiesto neznámej hodnoty matematického očakávania a prijatý . Určte maximálnu povolenú chybu v tomto prípade s pravdepodobnosťou najmenej 0,8.
Riešenie. Podľa zadania n= 100, R(| –a|< ε ) ≥0,8. Použijeme vzorec (4.1.3)
R(| –a|< ε ) ≥1 – .
Zo vzťahu
1 – = 0,8
definovať ε :
ε 2 = = = 0,25.
teda ε = 0,5.
Odpoveď: maximálna hodnota chyby ε = 0,5.
4.2. Zákon veľkých čísel v Bernoulliho forme
Hoci pojem pravdepodobnosti je základom každého štatistického záveru, len v niekoľkých prípadoch môžeme pravdepodobnosť udalosti určiť priamo. Niekedy môže byť táto pravdepodobnosť stanovená z úvah o symetrii, rovnosti príležitostí atď., ale neexistuje univerzálna metóda, ktorá by umožnila určiť jej pravdepodobnosť pre ľubovoľnú udalosť. Bernoulliho veta umožňuje aproximovať pravdepodobnosť, ak pre udalosť, ktorá nás zaujíma A možno vykonať opakované nezávislé testy. Nechajte vyrobiť P nezávislé testy, v každom z nich pravdepodobnosť výskytu nejakej udalosti A konštantné a rovnaké R.
Bernoulliho veta. S neobmedzeným nárastom počtu nezávislých pokusov P relatívna frekvencia výskytu udalosti A konverguje v pravdepodobnosti k pravdepodobnosti p výskyt udalosti A,T. e.
P(½ - p½≤ ε) = 1, (4.2.1)
kde ε je ľubovoľne malé kladné číslo.
Na finále n za predpokladu, že Čebyševova nerovnosť pre náhodnú premennú bude mať tvar:
P(| –p|< ε ) ≥ 1 – .(4.2.2)
Dôkaz. Aplikujeme Čebyševovu vetu. Nechaj X i– počet výskytov udalosti A v i test, i= 1, 2, . . . , n. Každé z množstiev X i môže nadobudnúť iba dve hodnoty:
X i= 1 (udalosť A stalo) s pravdepodobnosťou p,
X i= 0 (udalosť A nenastalo) s pravdepodobnosťou q= 1–p.
Nechaj Y n= . Sum X 1 + X 2 + … + X n sa rovná číslu m výskyty udalostí A v n testy (0 m n), čo znamená Y n= – relatívna frekvencia výskytu udalosti A v n testy. Matematické očakávanie a rozptyl X i sú rovnaké v tomto poradí:
M( ) = 1∙p + 0∙q = p,
Príklad 4.2.1. Na určenie percenta chybných produktov bolo testovaných 1000 jednotiek podľa schémy spätného odberu vzoriek. Aká je pravdepodobnosť, že absolútna hodnota miery odmietnutia určená touto vzorkou sa bude líšiť od miery odmietnutia celej šarže najviac o 0,01, ak je známe, že v priemere na každých 10 000 položiek pripadá 500 chybných položiek? ?
Riešenie. Podľa stavu problému, počtu nezávislých pokusov n= 1000;
p= = 0,05; q= 1 – p= 0,95; ε = 0,01.
Aplikovaním vzorca (4.2.2) dostaneme
P(| –p|< 0,01) ≥ 1 – = 1 – = 0,527.
Odpoveď: s pravdepodobnosťou minimálne 0,527 možno očakávať, že podiel chýb vzorky (relatívna frekvencia výskytu chýb) sa bude líšiť od podielu chýb všetkých výrobkov (od pravdepodobnosti chýb) najviac o 0,01 .
Príklad 4.2.2. Pri lisovaní dielov je pravdepodobnosť sobáša 0,05. Koľko dielov treba skontrolovať, aby sa s pravdepodobnosťou aspoň 0,95 dalo očakávať, že relatívna frekvencia chybných výrobkov sa bude líšiť od pravdepodobnosti chýb o menej ako 0,01?
Riešenie. Podľa zadania R= 0,05; q= 0,95; ε = 0,01;
P(| – p|<0,01) ≥ 0,95.
Od rovnosti 1 – = 0,95 nález n:
n= = =9500.
Odpoveď: Je potrebné skontrolovať 9500 položiek.
Komentujte. Odhady potrebného počtu pozorovaní získané aplikáciou Bernoulliho (alebo Čebyševovej) vety sú značne zveličené. Existujú presnejšie odhady navrhnuté Bernsteinom a Khinchinom, vyžadujú si však zložitejší matematický aparát. Aby sa predišlo zveličovaniu odhadov, niekedy sa používa Laplaceov vzorec
P(| – p|< ε ) ≈ 2Φ .
Nevýhodou tohto vzorca je nedostatok odhadu prípustnej chyby.
Zákon veľkých čísel v teórii pravdepodobnosti uvádza, že empirický priemer (aritmetický priemer) dostatočne veľkej konečnej vzorky z pevného rozdelenia je blízky teoretickému priemeru (očakávaniu) tohto rozdelenia. V závislosti od typu konvergencie sa rozlišuje slabý zákon veľkých čísel, kedy dochádza ku konvergencii pravdepodobne, a silný zákon veľkých čísel, kedy dochádza ku konvergencii takmer všade.
Vždy existuje konečný počet pokusov, pre ktoré je s akoukoľvek danou pravdepodobnosťou menej ako 1 relatívna frekvencia výskytu nejakej udalosti sa bude ľubovoľne málo líšiť od jej pravdepodobnosti.
Všeobecný význam zákona veľkých čísel: spoločné pôsobenie veľkého počtu rovnakých a nezávislých náhodných faktorov vedie k výsledku, ktorý v limite nezávisí od náhody.
Na tejto vlastnosti sú založené metódy odhadu pravdepodobnosti založené na analýze konečnej vzorky. Dobrým príkladom je predikcia výsledkov volieb na základe prieskumu na vzorke voličov.
1 / 5
✪ Zákon veľkých čísel
✪ 07 - Teória pravdepodobnosti. Zákon veľkých čísel
✪ 42 Zákon veľkých čísel
✪ 1 - Čebyševov zákon veľkých čísel
✪ 11. ročník, lekcia 25, Gaussova krivka. Zákon veľkých čísel
Poďme sa pozrieť na zákon veľkých čísel, ktorý je azda najintuitívnejším zákonom v matematike a teórii pravdepodobnosti. A keďže sa vzťahuje na toľko vecí, niekedy sa používa a nepochopí. Dovoľte mi najprv uviesť definíciu presnosti a potom budeme hovoriť o intuícii. Zoberme si náhodnú premennú, povedzme X. Povedzme, že poznáme jej matematické očakávanie alebo priemer populácie. Zákon veľkých čísel jednoducho hovorí, že ak si vezmeme príklad n-tého počtu pozorovaní náhodnej premennej a spriemerujeme počet všetkých tých pozorovaní... Zoberme si premennú. Nazvime to X s dolným indexom n a pomlčkou navrchu. Toto je aritmetický priemer n-tého počtu pozorovaní našej náhodnej premennej. Tu je môj prvý postreh. Urobím experiment raz a urobím toto pozorovanie, potom to urobím znova a urobím toto pozorovanie, urobím to znova a dostanem toto. Tento experiment spustím n-krát a potom ho vydelím počtom svojich pozorovaní. Tu je môj vzorový priemer. Tu je priemer všetkých pozorovaní, ktoré som urobil. Zákon veľkých čísel nám hovorí, že môj výberový priemer sa bude približovať k priemeru náhodnej premennej. Alebo môžem tiež napísať, že môj výberový priemer sa bude približovať k priemeru populácie pre n-té číslo idúce do nekonečna. Nebudem jasne rozlišovať medzi „aproximáciou“ a „konvergenciou“, ale dúfam, že intuitívne chápete, že ak tu vezmem dosť veľkú vzorku, dostanem očakávanú hodnotu pre populáciu ako celok. Myslím, že väčšina z vás intuitívne chápe, že ak urobím dostatok testov s veľkou vzorkou príkladov, nakoniec mi testy dajú hodnoty, ktoré očakávam, berúc do úvahy matematické očakávania, pravdepodobnosť a tak ďalej. Myslím si však, že často nie je jasné, prečo sa to deje. A skôr, ako začnem vysvetľovať, prečo je to tak, uvediem konkrétny príklad. Zákon veľkých čísel nám hovorí, že... Povedzme, že máme náhodnú premennú X. Tá sa rovná počtu hláv na 100 hodov správnej mince. V prvom rade poznáme matematické očakávanie tejto náhodnej premennej. Toto je počet hodov alebo pokusov vynásobený pravdepodobnosťou úspešného pokusu. Takže sa rovná 50. To znamená, že zákon veľkých čísel hovorí, že ak odoberieme vzorku, alebo ak spriemerujem tieto pokusy, dostanem. .. Keď robím test prvýkrát, hodím si 100-krát mincou, alebo vezmem krabicu so stovkou, zatrasiem ňou a potom spočítam, koľko hláv dostanem, a dostanem povedzme číslo 55. Toto bude X1. Potom znova zatrasiem krabicou a dostanem číslo 65. Potom znova - a dostanem 45. A toto urobím n-krát a potom to vydelím počtom pokusov. Zákon veľkých čísel nám hovorí, že tento priemer (priemer všetkých mojich pozorovaní) bude mať tendenciu k 50, zatiaľ čo n bude mať tendenciu k nekonečnu. Teraz by som chcel trochu hovoriť o tom, prečo sa to deje. Mnohí veria, že ak je môj výsledok po 100 pokusoch nadpriemerný, tak podľa zákonov pravdepodobnosti by som mal mať viac-menej hláv, aby som ten rozdiel takpovediac vyrovnal. Presne toto sa nestane. Toto sa často označuje ako „klam hráča“. Dovoľte mi ukázať vám rozdiel. Použijem nasledujúci príklad. Dovoľte mi nakresliť graf. Zmeňme farbu. Toto je n, moja os x je n. Toto je počet testov, ktoré vykonám. A moja os y bude vzorový priemer. Vieme, že priemer tejto ľubovoľnej premennej je 50. Dovoľte mi to nakresliť. Toto je 50. Vráťme sa k nášmu príkladu. Ak je n... Počas môjho prvého testu som dostal 55, čo je môj priemer. Mám len jeden vstupný bod údajov. Potom, po dvoch pokusoch, dostanem 65. Takže môj priemer by bol 65+55 delené 2. To je 60. A môj priemer sa trochu zvýšil. Potom som dostal 45, čo opäť znížilo môj aritmetický priemer. Do grafu nenapíšem 45. Teraz to musím všetko spriemerovať. Koľko sa rovná 45+65? Dovoľte mi vypočítať túto hodnotu, aby predstavovala bod. To je 165 delené 3. To je 53. Nie, 55. Takže priemer opäť klesá na 55. V týchto testoch môžeme pokračovať. Keď sme urobili tri pokusy a prišli s týmto priemerom, veľa ľudí si myslí, že bohovia pravdepodobnosti to urobia tak, že v budúcnosti dostaneme menej hláv, že niekoľko ďalších pokusov bude nižších, aby sa znížil priemer. Ale nie vždy to tak je. V budúcnosti zostáva pravdepodobnosť vždy rovnaká. Pravdepodobnosť, že budem valcovať hlavy, bude vždy 50%. Nie že by som na začiatku dostal určitý počet hláv, viac ako som čakal, a potom by mi zrazu mali vypadnúť chvosty. Toto je „klam hráča“. Ak získate neúmerný počet hláv, neznamená to, že v určitom bode vám začne padať neúmerné množstvo chvostov. Nie je to celkom pravda. Zákon veľkých čísel nám hovorí, že na tom nezáleží. Povedzme, že po určitom konečnom počte pokusov váš priemer... Pravdepodobnosť je dosť malá, ale napriek tomu... Povedzme, že váš priemer dosiahne túto známku - 70. Pomyslíte si: "Wow, prekonali sme naše očakávania." Ale zákon veľkých čísel hovorí, že nezáleží na tom, koľko testov vykonáme. Máme pred sebou ešte nekonečné množstvo skúšok. Matematické očakávania tohto nekonečného počtu pokusov, najmä v situácii, ako je táto, budú nasledovné. Keď prídete na konečné číslo, ktoré vyjadruje nejakú veľkú hodnotu, nekonečné číslo, ktoré s ním konverguje, opäť povedie k očakávanej hodnote. Toto je, samozrejme, veľmi voľná interpretácia, ale to nám hovorí zákon veľkých čísel. To je dôležité. Nehovorí nám, že ak dostaneme veľa hláv, šanca, že dostaneme chvosty, sa nejako zvýši, aby to kompenzovala. Tento zákon nám hovorí, že nezáleží na tom, aký bude výsledok s konečným počtom pokusov, pokiaľ máte pred sebou ešte nekonečný počet pokusov. A ak ich urobíte dostatok, opäť sa vrátite k očakávaniu. Toto je dôležitý bod. Zamyslite sa nad tým. To sa ale v praxi pri lotériách a kasínach nepoužíva denne, hoci je známe, že ak urobíte dostatok testov... Vieme to aj vypočítať... aká je pravdepodobnosť, že sa vážne odchýlime od normy? Ale kasína a lotérie fungujú každý deň na princípe, že ak zoberiete dostatok ľudí, samozrejme v krátkom čase, s malou vzorkou, tak pár ľudí trafí jackpot. Ale z dlhodobého hľadiska bude kasíno vždy ťažiť z parametrov hier, ktoré vás pozývajú hrať. Toto je dôležitý princíp pravdepodobnosti, ktorý je intuitívny. Aj keď niekedy, keď je vám to formálne vysvetlené pomocou náhodných premenných, to všetko vyzerá trochu mätúce. Tento zákon hovorí, že čím viac vzoriek bude, tým viac sa bude aritmetický priemer týchto vzoriek približovať k skutočnému priemeru. A aby som bol konkrétnejší, aritmetický priemer vašej vzorky sa bude zbližovať s matematickým očakávaním náhodnej premennej. To je všetko. Uvidíme sa v ďalšom videu!
Slabý zákon veľkých čísel sa tiež nazýva Bernoulliho veta podľa Jacoba Bernoulliho, ktorý to dokázal v roku 1713.
Nech existuje nekonečná postupnosť (po sebe idúce vyčíslenie) identicky rozdelených a nekorelovaných náhodných premenných. Teda ich kovariancia c o v (X i , X j) = 0 , ∀ i ≠ j (\displaystyle \mathrm (cov) (X_(i),X_(j))=0,\;\forall i\not =j). Nechaj . Označte vzorovým priemerom prvého n (\displaystyle n)členovia:
.
Potom X ¯ n → P μ (\displaystyle (\bar (X))_(n)\to ^(\!\!\!\!\!\!\mathbb (P) )\mu ).
Teda za každé pozitívum ε (\displaystyle \varepsilon )
lim n → ∞ Pr (| X ¯ n − μ |< ε) = 1. {\displaystyle \lim _{n\to \infty }\Pr \!\left(\,|{\bar {X}}_{n}-\mu |<\varepsilon \,\right)=1.}Nech existuje nekonečná postupnosť nezávislých identicky rozdelených náhodných premenných ( X i ) i = 1 ∞ (\displaystyle \(X_(i)\)_(i=1)^(\infty )) definované na jednom pravdepodobnostnom priestore (Ω , F , P) (\displaystyle (\Omega ,(\mathcal (F)),\mathbb (P))). Nechaj E X i = μ , ∀ i ∈ N (\displaystyle \mathbb (E) X_(i)=\mu ,\;\forall i\in \mathbb (N) ). Označiť podľa X¯n (\displaystyle (\bar(X))_(n)) vzorový priemer prvého n (\displaystyle n)členovia:
X ¯ n = 1 n ∑ i = 1 n X i , n ∈ N (\displaystyle (\bar (X))_(n)=(\frac (1)(n))\suma \limity _(i= 1)^(n)X_(i),\;n\in \mathbb (N) ).Potom X ¯ n → μ (\displaystyle (\bar (X))_(n)\to \mu ) takmer vždy.
Pr (lim n → ∞ X ¯ n = μ) = 1. (\displaystyle \Pr \!\left(\lim _(n\to \infty )(\bar (X))_(n)=\mu \ vpravo)=1.) .Ako každý matematický zákon, aj zákon veľkých čísel možno aplikovať na reálny svet len za známych predpokladov, ktoré možno splniť len s určitou mierou presnosti. Takže napríklad podmienky následných testov sa často nedajú udržiavať donekonečna a s absolútnou presnosťou. Okrem toho zákon veľkých čísel hovorí iba o nepravdepodobnosť významná odchýlka strednej hodnoty od matematického očakávania.