Matematyka - Praca semestralna Twierdzenia graniczne, WSEI, SEMESTR 2, Matematyka


TWIERDZENIA GRANICZNE

W twierdzeniach granicznych rozpatruje się ciągi zmiennych losowych {Xn}, których rozkłady - przy wzroście wskaźnika n do nieskończoności - mogą być zbieżne do pewnego rozkładu nazywanego rozkładem granicznym (asymptotycznym) ciągu zmiennych losowych {Xn}.

Lokalne twierdzenia graniczne - twierdzenia mówiące o zbieżności ciągu funkcji prawdopodobieństwa lub funkcji gęstości.

Integralne twierdzenia graniczne - twierdzenia mówiące o zbieżności ciągu dystrybuant.

TWIERDZENIE DE MOIVRE`A - LAPLACE`A

Twierdzenie (integralne)

Niech {Xn} będzie ciągiem zmiennych losowych o rozkładzie dwumianowym z parametrami n i 0<p<1 oraz niech {Un} będzie ciągiem wystandaryzowanych zmiennych 0x01 graphic
:

0x01 graphic

Wtedy dla ciągu dystrybuant 0x01 graphic
zmiennych losowych Un zachodzi:

0x01 graphic

dla każdej wartości u.

Wniosek

Ciąg dystrybuant zmiennych losowych {Xn} o rozkładzie dwumianowym z parametrami n i p (niestandaryzowanych) jest zbieżny do rozkładu normalnego 0x01 graphic
.

Wniosek

Jeśli rozpatrzymy ciąg zmiennych 0x01 graphic
, to z twierdzenia de Moivre'a-Laplace'a wynika, że zmienna ta ma asymptotyczny rozkład normalny 0x01 graphic
.

CENTRALNE TWIERDZENIE GRANICZNE

LINDEBERGA-LEVY`EGO

Założenia

Rozpatrujemy ciąg niezależnych zmiennych losowych {Xn} o jednakowym rozkładzie (identycznych wartościach oczekiwanych 0x01 graphic
oraz wariancjach 0x01 graphic
)

Oznaczamy przez 0x01 graphic
zmienną określoną wzorem: 0x01 graphic
o wartości oczekiwanej i wariancji:

0x01 graphic

Oznaczamy wystandaryzowaną zmienną 0x01 graphic
przez:

0x01 graphic

Twierdzenie (centralne)

Jeśli 0x01 graphic
jest ciągiem niezależnych zmiennych losowych o identycznych rozkładach i skończonej wariancji, to ciąg dystrybuant 0x01 graphic
zmiennych losowych 0x01 graphic
spełnia warunek:

0x01 graphic
dla każdej wartości t.

Wniosek

Zmienna losowa 0x01 graphic
ma asymptotyczny rozkład normalny 0x01 graphic
.

Wniosek

Jeśli dla określonych wyżej zmiennych losowych Xk rozpatrzymy zmienną 0x01 graphic
, której wartością oczekiwaną i wariancją są odpowiednio:

0x01 graphic

to z twierdzenia Lindeberga-Lévy'ego otrzymujemy, że ciąg zmiennych {Vn} jest zbieżny do rozkładu normalnego 0x01 graphic
.

2. Twierdzenia graniczne

Twierdzenia graniczne mówią o zbieżności ciągów zmiennych losowych do pewnych rozkładów, które nazywamy rozkładami granicznymi. Poniżej zostaną omówione dwa twierdzenia:

twierdzenia graniczne twierdzenie Moivre'a-Laplace'a

0x01 graphic

2.1 Centralne twierdzenie graniczne Lindeberga-Levy'ego

Jest to najważniejsze twierdzenie statystyki matematycznej, dotyczy zbieżności sum niezależnych zmiennych o takich samych rozkładach (rozkład nie musi być znany) z rozkładem normalnym. W zasadzie pod pojęciem "centralne twierdzenie graniczne" kryje się kilka twierdzeń. Jako pierwsze pojawiło się twierdzenie Abrahama de Moivre'a mówiące o zbieżności rozkładu dwumianowego do rozkładu normalnego gdy → ∞ (rozkład normalny jako rozkład graniczny rozkładu dwumianowego przy → ∞). Ogólniejszą wersję centralnego twierdzenia granicznego podał na początku XX wieku Liapunow. Obecnie korzysta się z twierdzenia w formie zaproponowanej w 1922 roku przez Lindebegra i Levy'ego. Dowód tego twierdzenia podał w 1935 Feller.

Załóżmy, że dany jest ciąg X1X2, ..., Xn niezależnych zmiennych losowych o jednakowym rozkładzie (oznacza to, że zmienne posiadają jednakowe rozkłady prawdopodobieństwa, wartości oczekiwane i wariancje), tzn.:

E(X1) = E(X2) = E(X3) = ... = E(Xn) = m

V(X1) = V(X2) = V(X3) = ... = V(Xn) = σ2

Przez Zn oznaczamy następującą zmienną losową:

Zn = X+ X+ ... + Xn

Wartość oczekiwana i wariancja zmiennej Zn:

E(Zn) = nm

V(Zn) = nσ2

Centralne twierdzenie graniczne mówi, że jeśli n jest duże, to rozkład zmiennej losowej Zn można przybliżyć rozkładem normalnym z wartością oczekiwaną nm i odchyleniem standardowym σn1/2, czyli

Zn ~ N(nmn1/2)

Centralne twierdzenie graniczne Lindeberga-Levy'ego dla wartości oczekiwanej z próby

Załóżmy, że ciąg niezależnych zmiennych losowych X1X2, ..., Xn, spełnia założenia centralnego twierdzenia granicznego.

Definiujemy zmienną (średnia z próby):

0x01 graphic

o wartości oczekiwanej 0x01 graphic
i wariancji 0x01 graphic
.

Z centralnego twierdzenia granicznego wynika, że Zn = X+ X+ ... + Xn ma w przybliżeniu

rozkład normalny, stąd 0x01 graphic
ma również rozkład normalny.

Przy dużych wartościach n rozkład zbliżony jest do rozkładu:

0x01 graphic

twierdzenia graniczne centralne twierdzenie graniczne

0x01 graphic

2.2 Twierdzenie Moivre'a-Laplace'a

Twierdzenie Moivre'a-Laplace'a jest szczególnym przypadkiem centralnego twierdzenia granicznego, dotyczy zbieżności rozkładu dwumianowego do rozkładu normalnego dla dużych n.

Niech Xn będzie zmienną losową o rozkładzie dwumianowym B(n,p) (n - liczba doświadczeń, p - prawdopodobieństwo sukcesu) i niech X będzie zmienną losową o rozkładzie normalnym z wartością oczekiwaną m = np i odchyleniem standardowym σ = (npq)1/2, czyli N(np,(npq)1/2).

Oznaczmy przez Fn(x) oznacza wartość dystrybuanty zmiennej losowej Xn w punkcie x i przez F(x) wartość dystrybuanty zmiennej losowej X w punkcie x.

Między dystrybuantami Fn(x) i F(x) zachodzi związek:

0x01 graphic

Korzystając z definicji dystrybuanty:

0x01 graphic

Wiadomo, że liczba doświadczeń jest zawsze skończona, stąd

0x01 graphic

gdzie

0x01 graphic
0x01 graphic

Oznacza to, że jeżeli liczba prób jest duża, to rozkład zmiennej losowej Xn o rozkładzie B(n,p) można przybliżyć rozkładem N(np,(npq)1/2, przybliżenie to jest tym lepsze, im n jest większe (praktycznie n > 30).

Twierdzenie Moivre'a-Laplace'a dla wartości oczekiwanej z próby

Rozpatrzmy zmienną losową Yn = X/ n (częstość), gdzie Xn jest zmienną losową o rozkładzie dwumianowym z parametrami n i p. Jeżeli zmienna losowa Xn przyjmuje wartości 0, 1, 2, ..., n, to Yn = 0, 1/n, 2/n, ..., 1.

Rozkład zmiennej losowej Yn:

0x01 graphic

k = 1, 2, ..., n.

Wynika stąd, że zmienna Yn przyjmuje swoje wartości z prawdopodobieństwami określonymi przez rozkład dwumianowy.

Wartość oczekiwana i wariancja zmiennej losowej Yn:

0x01 graphic

Z centralnego twierdzenia granicznego wynika, że zmienna losowa Yn przy dużych wartościach n ma rozkład zbliżony do normalnego z wartością oczekiwaną równą p i odchyleniem standardowym równym (pq/n)1/2, czyli

0x01 graphic

twierdzenia graniczne centralne twierdzenie graniczne twierdzenie Moivre'a-Laplace'a

III.          Proces gaussowski: Centralne Twierdzenie Graniczne

III.1.       Średnia z kwadratu całkowitego przemieszczenia makrocząsteczki

Wykażemy, że ruchy Browna można traktować jako proces gaussowski. Obserwujemy błądzenie przypadkowe makrocząsteczki na płaszczyźnie (Rys.III.1.1).

0x01 graphic

Rys.III.1.1 Przykładowa, dwuwymiarowa trajektoria makrocząsteczki zawieszonej w płynie.

 

Wektory 0x01 graphic
, oznaczają kolejne przypadkowe, pojedyncze przemieszczenia makrocząsteczki (gdzie 0x01 graphic
jest całkowitą liczbą przemieszczeń). Pojedyncze przemieszczenie jest zdefiniowane jako wektor łączący kolejne punkty zwrotne (kolejnymi jednakowo zorientowanymi przemieszczeniami nie zajmujemy się gdyż ich prawdopodobieństwo wystąpienia znika). Wypadkowe przemieszczenie makrocząsteczki wyraża się wzorem:

 

0x01 graphic
(III.1.1)

 

Zarówno pojedyncze jak też sumaryczne przemieszczenia traktujemy jako (wektorowe) niezależne zmienne losowe, tzn. podlegające określonym rozkładom prawdopodobieństwa. Ponadto zakładamy, że pojedyncze przemieszczenia podlegają identycznemu rozkładowi, co wynika z jednorodności i izotropowości ośrodka znajdującego się w stanie równowagi termodynamicznej.

Na początku wyznaczamy dwie następujące wielkości: 1) średnie sumaryczne przemieszczenie 0x01 graphic
oraz 2) średni kwadrat tego przemieszczenia 0x01 graphic
. Ponieważ rozpatrujemy ruch pojedynczej makrocząsteczki, więc 0x01 graphic
oznacza tutaj średnią tylko po zespole statystycznym 0x01 graphic
podobnych doświadczeń. Stąd,

 

0x01 graphic
, (III.1.2)

gdzie 0x01 graphic
, jest wektorem sumarycznego przemieszczenia wyznaczonego w doświadczeniu o numerze 0x01 graphic
. Dla dostatecznie dużej liczby 0x01 graphic
doświadczeń, możemy z dobrym przybliżeniem przyjąć, że:

 

0x01 graphic
, (III.1.3)

 

gdyż przestrzeń jest izotropowa (tzn. nie występuje żadna systematycznie działająca siła ani żaden systematyczny prąd). Innymi słowy, dla dostatecznie dużej liczby doświadczeń całkowite przemieszczenie uzyskane po 0x01 graphic
krokach w danym doświadczeniu, posiada (z dobrym przybliżeniem) w jakimś innym doświadczeniu (należącym do zespołu statystycznego) odpowiadające mu przemieszczenie skierowanie przeciwnie.

Stąd otrzymujemy, że średni kwadrat całkowitego (sumarycznego) przemieszczenia makrocząsteczki jest równoważny dyspersji tego (wypadkowego) przemieszczenia:

 

0x01 graphic
. (III.1.4)

 

Wyprowadzimy teraz związek pomiędzy dyspersją 0x01 graphic
wypadkowego przemieszczenia 0x01 graphic
, a dyspersją 0x01 graphic
pojedynczego przemieszczenia 0x01 graphic
:

 

0x01 graphic

0x01 graphic
, (III.1.5)

 

tutaj 0x01 graphic
oznacza iloczyn skalarny wektorów 0x01 graphic
oraz 0x01 graphic
; Ponieważ pojedyncze przemieszczenia makrocząsteczki 0x01 graphic
i 0x01 graphic
są statystycznie niezależne (nie mają na siebie wpływu, czyli są nieskorelowane), więc możemy skorzystać z własności średniej która mówi, że średnia iloczynu niezależnych zmiennych losowych jest równa iloczynowi ich średnich:

 

0x01 graphic
. (III.1.6)

 

W oparciu o argumentację analogiczną do podanej przy analizie dyspersji całkowitego przemieszczenia makrocząsteczki możemy stwierdzić, że (z dobrym przybliżeniem) średnia pojedynczego przemieszczenia makrocząsteczki jest równa zeru:

 

0x01 graphic
. (III.1.7)

 

Ostatecznie:

 

0x01 graphic
, (III.1.8)

gdzie 0x01 graphic
(niezależnie od numeru 0x01 graphic
pojedynczego przemieszczenia, co wynika z jednorodności czasu i przestrzeni).

Przyjmując, że średni czas potrzebny makrocząsteczce na pokonanie pojedynczego przemieszczenia wynosi 0x01 graphic
można, dla dostatecznie długich czasów 0x01 graphic
, przepisać wyrażenie (III.1.8) w postaci słusznej także dla czasu ciągłego 0x01 graphic
, a więc dla sytuacji bardziej realistycznej:

 

0x01 graphic
; (III.1.9)

 

zauważmy, że czas dyskretny jest mierzony, po prostu, liczbą pojedynczych przemieszczeń cząsteczki Browna 0x01 graphic
. W kontekście zjawiska dyfuzji (które omówiono poniżej) zależność (III.1.9) można wyrazić następująco:

 

0x01 graphic
, (III.1.10)

 

gdzie 0x01 graphic
oznacza wymiar przestrzeni (tutaj 0x01 graphic
) natomiast

 

0x01 graphic
, (III.1.11)

 

jest współczynnikiem dyfuzji występującym w równaniu Ficka, o czym mowa jest poniżej.

Zależność (III.1.8) stanowi pierwszy punkt tezy Centralnego Twierdzenia Granicznego (CTG) twierdzenia, którego rolę w klasycznym rachunku prawdopodobieństwa i statystyce matematycznej oraz ich niezliczonych zastosowaniach wprost trudno przecenić.

III.2.       Statystyka sumarycznych przemieszczeń makrocząsteczki w czasie ciągłym

III.2.1.       Równość łańcuchowa Bacheliera - proces Markowa

W niniejszym rozdziale przedstawiono drugi (i ostatni) punkt tezy Centralnego Twierdzenia Granicznego w sformułowaniu ogólniejszym od podawanego tradycyjnie, tzn. dopuszczając bardziej realistyczny scenariusz rozgrywający się w czasie ciągłym (a nie dyskretnym).

Drugi punkt CTG odpowiada na pytanie: jaki jest chwilowy rozkład prawdopodobieństwa 0x01 graphic
wektorowej zmiennej losowej 0x01 graphic
, czyli jest pytaniem dotyczącym statystyki sumarycznych przemieszczeń makrocząsteczki po upływie czasu 0x01 graphic
Aby odpowiedzieć na to pytanie skorzystamy z równania łańcuchowego Bocheliera:

 

0x01 graphic

0x01 graphic
(III.2.1)

 

gdzie 0x01 graphic
jest tzw. elementem przejścia, czyli prawdopodobieństwem warunkowym znalezienia cząsteczki Browna w położeniu 0x01 graphic
w chwili 0x01 graphic
, pod warunkiem, że we wcześniejszej chwili 0x01 graphic
makrocząsteczka była w położeniu 0x01 graphic
.

Ponieważ element ten nie zależy od jeszcze wcześniejszych położeń cząsteczki Browna to mówimy, że mamy do czynienia z procesem Markowa. Dzięki równaniu łańcuchowemu możemy znaleźć równanie różniczkowo-różnicowe na gęstość prawdopodobieństwa 0x01 graphic
  znalezienia makrocząsteczki w położeniu 0x01 graphic
w chwili 0x01 graphic
2).

III.2.2.       Równanie Markowa-Kołmogorowa

Ponieważ makrocząsteczka w danym, krótkim przedziale czasu 0x01 graphic
może albo pozostać w określonym położeniu 0x01 graphic
(które zajmowała na początku tego przedziału czasu, czyli w chwili 0x01 graphic
) albo przemieścić się o wektor 0x01 graphic
, więc spełniony jest następujący warunek normalizacyjny:

 

0x01 graphic
, (III.2.2)

 

z którego wyznaczamy element przetrwania makrocząsteczki 0x01 graphic
w położeniu 0x01 graphic
w przedziale czasu 0x01 graphic
i wstawiamy do równania łańcuchowego, otrzymując:

 

0x01 graphic
(III.2.3)

skąd dzieląc stronami przez 0x01 graphic
uzyskujemy wygodną postać pośrednią równania łańcuchowego Bacheliera:

 

0x01 graphic
(III.2.4)

 

Wykonując w powyższym równaniu przejście 0x01 graphic
, uzyskujemy prospektywne równanie różniczkowo-różnicowe Kołmogorowa-Markowa[4]:

 

0x01 graphic
, (III.2.5)

 

gdzie (jednokrokowe) prawdopodobieństwo warunkowe na jednostkę czasu przemieszczenia makrocząsteczki na odległość 0x01 graphic
, zwane intensywnością procesu Markowa, wynosi 0x01 graphic
. Niniejsza postać intensywności procesu wynika bezpośrednio z jednorodności i izotropowości przestrzeni oraz jednorodności czasu co wynika z faktu, że układ znajduje się w stanie równowagi termodynamicznej (statystycznej).

III.2.3.       Równanie dyfuzji Ficka - rozkład Gaussa

Rozwiązanie równania Kołmogorowa-Markowa znajdujemy dla sytuacji asymptotycznej (gdy 0x01 graphic
). W pierwszym kroku rozwijamy 0x01 graphic
w szereg Taylora w punkcie 0x01 graphic
:

 

0x01 graphic
(III.2.6)

 

gdzie 0x01 graphic
jest składową wektora przemieszczenia 0x01 graphic
, tutaj 0x01 graphic
ponieważ rozpatrujemy ruch płaski cząsteczki Browna. Następnie, rozwinięcie (III.2.6) podstawiamy do równania (III.2.5) otrzymując po prostych przekształceniach:

 

0x01 graphic
. (III.2.7)

 

Korzystając z własności izotropowości przestrzeni możemy stwierdzić, że 0x01 graphic
oraz 0x01 graphic
; sprowadza to równanie (III.2.7) do następującej postaci:

 

0x01 graphic
, (III.2.8)

 

gdyż 0x01 graphic
, gdzie przyjęliśmy 0x01 graphic
, (oraz 0x01 graphic
). Jest to równanie dyfuzji Fick'a wyprowadzone dla rozkładu prawdopodobieństwa 0x01 graphic
(a nie koncentracji zawiesiny). Czynnik występujący po prawej stronie równania (III.2.8) jest, w istocie rzeczy, współczynnikiem dyfuzji zdefiniowanym w rozdziale III.1 za pomocą relacji (III.1.11). Stąd równanie (III.2.8) można zapisać następująco[4]:

 

0x01 graphic
. (III.2.9)

 

Rozwiązaniem równania dyfuzji jest rozkład Gaussa (co można łatwo sprawdzić poprzez dokonanie odpowiedniego cząstkowego różniczkowania):

 

0x01 graphic
, (III.2.10)

 

gdzie  0x01 graphic
. (III.2.11)

Jest to rozkład opisujący statystykę sumarycznego przemieszczenia 0x01 graphic
po upływie czasu 0x01 graphic
. Tym samym znaleźliśmy odpowiedź na pytanie postawione na wstępie rozdziału III.2.1.

III.3.       Centralne Twierdzenie Graniczne w ujęciu Lindeberga-Lévy'ego

Szczególnie popularnym, prostym i precyzyjnym ujęciem CTG jest sformułowanie podane przez matematyków J.W Lindeberga i P. Lévy'ego - przytoczymy je tutaj (bez dowodu) dla jednowymiarowych zmiennych losowych (jedynie dla kompletności naszych rozważań).

III.3.1.       Twierdzenie Lindeberga-Lévy'ego

Niech dany będzie ciąg niezależnych (jednowymiarowych) zmiennych losowych 0x01 graphic
, (czyli pojedynczych przemieszczeń makrocząsteczki) o tym samym rozkładzie prawdopodobieństwa i skończonym odchyleniu standardowym (dyspersji). Wówczas ciąg dystrybuant 0x01 graphic
standardowych zmiennych losowych 0x01 graphic
spełnia dla każdego 0x01 graphic
następującą równość:

 

0x01 graphic
, (III.3.1)

 

gdzie dystrybuanta (tutaj standardowej zmiennej losowej) jest zdefiniowana następująco:

 

0x01 graphic
, (III.3.2)

 

natomiast sama standardowa zmienna losowa wyraża się wzorem:

 

0x01 graphic
, (III.3.3)

 

gdzie wartość średnia 0x01 graphic
, (w naszym przypadku 0x01 graphic
), oraz wariancja 0x01 graphic
; w obu wyrażeniach 0x01 graphic
oznacza średnią z rozkładem pojedynczej zmiennej losowej 0x01 graphic
. Bezpośrednią konsekwencją powyższego twierdzenia jest ważny wniosek.

Wniosek. Niech 0x01 graphic
oraz 0x01 graphic
będą dwiema dowolnymi liczbami, przy czym 0x01 graphic
. Z zależności (III.1.3) i (III.3.2) wynika, że

 

0x01 graphic
, (III.3.4)

 

lub zapisując powyższą równość w postaci przybliżonej dla 0x01 graphic
, otrzymujemy:

 

0x01 graphic
; (III.3.5)

 

Czyli standardowa zmienna losowa 0x01 graphic
posiada rozkład asymptotycznie normalny (o jednostkowej dyspersji i zerowej wartości średniej). Stąd wynika (po prostej zamianie zmiennych zgodnie z definicją (III.3.3) zachowującą normalizację rozkładu), że także sumaryczna zmienna losowa, 0x01 graphic
, posiada rozkład asymptotycznie normalny o dyspersji 0x01 graphic
i wartości średniej 0x01 graphic
, co właśnie stanowi treść Centralnego Twierdzenia Granicznego w sformułowaniu rozważanym w rozdziale III.1 i rozdziale III.2.

III.4.       Zjawisko rozmywania się rozkładu Gaussa - dyfuzja

Rzucającą się w oczy cechą rozkładu Gaussa (III.2.10) jest wzrost jego szerokości i malenie wysokości w miarę upływu czasu - własności te są scharakteryzowane zależną od czasu wariancją (III.2.11). Mówimy, że rozkład Gaussa rozmywa się w miarę upływu czasu - jest to podstawowa cecha procesu dyfuzji, którą przedstawiamy schematycznie na rysunku poniżej. Rozmycie to oznacza, że w miarę upływu czasu wzrasta prawdopodobieństwo znalezienia makrocząsteczki coraz dalej od początku układu współrzędnych, gdzie w chwili początkowej znajdowała się z całą pewnością. Tym samym, w miarę upływu czasu prawdopodobieństwo znalezienia makrocząsteczki w początku układu współrzędnych maleje. Efekty te są znakomicie widoczne w przeprowadzonym przez nas doświadczeniu numerycznym.

 

0x01 graphic

Rys.III.4.1 Rozmywanie się rozkładu Gaussa w miarę upływu czasu t - dyfuzja.

Twierdzenie. ( CENTRALNE TWIERDZENIE

GRANICZNE = twierdzenie Lindeberga-Levy'ego)

Niech 0x01 graphic
będzie prostą próbą losową z rozkładu o średniej 0x01 graphic
i wariancji 0x01 graphic
. Wówczas dla dużych liczności próby n rozkład prawdopodobieństwa standaryzowanej średniej jest bliski standardowemu rozkładowi normalnemu 0x01 graphic
, dokładniej, dla dowolnych 0x01 graphic
zachodzi

0x01 graphic
0x01 graphic

przy 0x01 graphic
. Równoważnie rozkład średniej 0x01 graphic
jest bliski rozkładowi normalnemu 0x01 graphic
.

Uwaga. Przy założeniach centralnego twierdzenia granicznego rozkład prawdopodobieństwa standaryzowanej sumy 0x01 graphic
jest w przybliżeniu rozkładem normalnym, tzn.

0x01 graphic
, przy 0x01 graphic
.

Równoważnie rozkład 0x01 graphic
jest bliski 0x01 graphic
.

Wystarczy zauważyć:

0x01 graphic

Uwaga. Przybliżenie na ogół można stosować gdy

0x01 graphic
.

Wniosek. ( Twierdzenie Moivre'a - Laplace'a)

Jeśli 0x01 graphic
, to przy 0x01 graphic

0x01 graphic
.

D. 0x01 graphic
, gdzie 0x01 graphic
jest prostą próbą losową z rozkładu Bernoulli'ego 0x01 graphic
. Zatem 0x01 graphic
. Po podstawieniu otrzymujemy tezę.

Uwaga. Przybliżenie można stosować gdy

0x01 graphic
.

Przykład. Załóżmy, że rozkład codziennego dojazdu do pracy jest w przybliżeniu rozkładem jednostajnym na przedziale [0,5 godz., 1 godz. ] i że czasy dojazdów w różne dni są niezależne. Obliczyć przybliżone prawdopodobieństwo zdarzenia, że średni dzienny dojazd w ciągu 30 dni przekroczy 0,8 godz.

Niech 0x01 graphic
oznacza czas dojazdu w i-tym dniu , 0x01 graphic
.

0x01 graphic
, 0x01 graphic
.

0x01 graphic
, 0x01 graphic

0x01 graphic
= 0x01 graphic
0x01 graphic

0x01 graphic
.

Zadanie. Codzienne opóźnienie pociągu ( w minutach ) na pewnej trasie jest zmienną losową ciągłą o gęstości

0x01 graphic
dla 0x01 graphic
.

a) Wyznaczyć stałą C.

b) Wyznaczyć dystrybuantę0x01 graphic
.

c) Obliczyć prawdopodobieństwa 0x01 graphic
, 0x01 graphic
.

d) Obliczyć wartość oczekiwaną i wariancję codziennego opóźnienia pociągu.

e) Obliczyć przybliżone prawdopodobieństwo, że łączne opóźnienie pociągu na tej trasie w ciągu 90 dni przekroczy 600 minut, jeśli opóźnienia w kolejnych dniach są niezależnymi zmiennymi losowymi.

  1. 0x01 graphic
    50 = 1. C = 1/50.

b) 0x01 graphic
= 0x01 graphic
dla 0x01 graphic
,

Zatem

0x01 graphic
dla 0x01 graphic
.

  1. 0x01 graphic
    = 1 - F(5) = 1- 25/100 = 0,75.

0x01 graphic
= F(7) - F(5) = 0,49 - 0,25 = 0,24.

d) 0x01 graphic
= 0x01 graphic
= 20/3,

0x01 graphic

0x01 graphic
= 50.

0x01 graphic
0x01 graphic
- 0x01 graphic
= 50 - 400/9 = 50/9.

e) Niech 0x01 graphic
oznacza łączny czas opóźnienia w ciągu 90 dni. 0x01 graphic
jest prostą próbą losową z rozkładu o gęstości takiej jak gęstość zmiennej X. 0x01 graphic
= opóźnienie i-go dnia.

0x01 graphic
.

Var(0x01 graphic
= 0x01 graphic
.

Z Centralnego Twierdzenia Granicznego rozkład

0x01 graphic
jest bliski rozkładowi 0x01 graphic
.

0x01 graphic
0x01 graphic
=

0x01 graphic
= 1 - 0,5 = 0,5.

Poprawka w przybliżeniu normalnym

Jeśli zmienne losowe 0x01 graphic
w prostej próbie losowej przyjmują jedynie wartości całkowite, to otrzymamy lepsze przybliżenie rozkładem normalnym stosując Centralne Twierdzenie Graniczne ( w szczególności twierdzenie Moivre'a - Laplace'a ) z tzw. poprawką uwzględniającą fakt, że rozkład dyskretny przybliżamy rozkładem ciągłym, dokładniej zauważmy iż dla całkowitych a i b mamy:

0x01 graphic
= 0x01 graphic

(1) 0x01 graphic
=

0x01 graphic
0x01 graphic

0x01 graphic
- 0x01 graphic
.

Równoważnie mamy:

(2) 0x01 graphic
0x01 graphic

= 0x01 graphic
- 0x01 graphic

Przykład. Załóżmy, że nowa szczepionka będzie testowana na 100 osobach. Producent ocenia jej skuteczność na 80 %. Znaleźć przybliżone prawdopodobieństwo, że

  1. pożądaną odporność uzyskają mniej niż 74 osoby,

  2. co najmniej 74 osoby i co najwyżej 85 osób uzyska odporność po zastosowaniu szczepionki.

Niech 0x01 graphic
będzie liczbą osób spośród 100 testowanych, które uzyskają odporność, gdzie 0x01 graphic
jest prostą próbą losową z rozkładu Bernoulli'ego 0x01 graphic
. Stąd 0x01 graphic
, 0x01 graphic
,

0x01 graphic

(a) Wstawiając we wzorze (1) 0x01 graphic
, 0x01 graphic
n =100 mamy: 0x01 graphic

0x01 graphic
0x01 graphic

0x01 graphic
= 0x01 graphic
= 1 - 0,9474 =

= 1 - 0x01 graphic
= 1 - 0,9474 = 0,0526.

(b)0x01 graphic
=

= 0x01 graphic
=

= 0x01 graphic
= 0,9147 - 1 + 0,9484 =

= 0,8631.

Rozkład częstości

Niech X będzie zmienną losową o rozkładzie

Bernoulli'ego, tzn.

0x01 graphic
i 0x01 graphic
.

W zastosowaniach często 0x01 graphic
% oznacza procent elementów badanej populacji posiadających określoną własność. Wówczas p nazywamy proporcją lub wskaźnikiem struktury.

0x01 graphic

0x01 graphic

Niech 0x01 graphic
będzie prostą próbą losową z rozkładu X. ( 0x01 graphic
(0) jeśli i-ty wylosowany element ma ( nie ma ) określoną własność ).

0x01 graphic
= 0x01 graphic
= 0x01 graphic
nazywamy częstością wystąpienia (elementów o danej własności ) w prostej próbie losowej.

0x01 graphic
, Var(0x01 graphic
) = 0x01 graphic
.

Z Centralnego Twierdzenia Granicznego dla średniej z próby losowej mamy:

0x01 graphic
,

gdy 0x01 graphic
, oraz na mocy wzoru (2)

0x01 graphic
0x01 graphic

= 0x01 graphic
- 0x01 graphic
.

Twierdzenie. Dla dowolnych 0x01 graphic

0x01 graphic
, gdy 0x01 graphic
.

Zadanie. W populacji dorosłych Polaków 39 % ma kłopoty ze snem. Oszacować prawdopodobieństwo, że wśród 100 losowo wybranych dorosłych Polaków częstość osób mających kłopoty ze snem nie przekroczy 0,33.

0x01 graphic
0x01 graphic
=

= 0x01 graphic
0x01 graphic

0x01 graphic

1/22



Wyszukiwarka