Дослідження розвитку теорії ймовірності
![]()
![]()
![]()
Зобразимо
можливі значення
величини
і її математичне
очікування
у вигляді крапок
на числовій
осі Ox.
Задамося
деяким значенням
і обчислимо
ймовірність
того, що величина
відхилиться
від свого
математичного
очікування
не менше ніж
на
:
.
Для цього
відкладемо
від крапки
вправо й уліво
по відрізку
довжиною
;
одержимо відрізок
.
Імовірність
є не що інше,
як імовірність
того, що випадкова
крапка
потрапить не
усередину
відрізка
,
а зовні його
(кінці відрізка
ми в нього не
включаємо):
.
Для того
щоб знайти цю
ймовірність,
потрібно підсумувати
імовірності
всіх тих значень
,
які лежать поза
відрізком
.
Це ми запишемо
в такий спосіб:
,
де запис
під знаком суми
означає, що
підсумовування
поширюється
на всі ті значення
,
для яких крапки
лежать поза
відрізком
.
З іншого
боку, напишемо
вираження
дисперсії
величини
по визначенню:
.
Тому що
всі члени суми
ненегативні,
вона може тільки
зменшитися,
якщо ми поширимо
її не на всі
значення
,
а тільки на
деякі, зокрема
на ті, які лежать
поза відрізком
:
.
Замінимо
під знаком суми
вираження
через
.
Тому що для
всіх членів
суми
,
то від такої
заміни сума
теж може тільки
зменшитися,
значить:
.
Але відповідно
до формули
сума, що коштує
в правій частині
цієї нерівності
є не що інше,
як імовірність
влучення випадкової
крапки зовні
відрізка
,
отже
,
звідки безпосередньо
випливає доказувана
нерівність.
2. У випадку
коли величина
безперервна,
доказ проводиться
аналогічним
образом із
заміною ймовірностей
елементом
імовірності,
а кінцевих сум
– інтегралами.
Дійсно,
,
де
–
щільність
розподілу
величини
.
Далі, маємо:
,
звідки й випливає нерівність Чебишева для безперервних величин.
Що й було потрібно довести.
Як наслідок зі своєї нерівності Чебишев одержує наступну теорему.
Теорема.
Якщо
математичні
очікування
величин
не перевершують
якої-небудь
кінцевої межі,
то ймовірність,
що середнє
арифметичне
N таких величин
від середніх
арифметичних
їхніх математичних
очікувань
відрізняється
менш чим на
яку-небудь дану
величину, зі
зростанням
числа N до
, приводиться
до одиниці.
Доказ.
Дійсно,
розглянемо
випадкову
величину
,
що представляє
собою середню
арифметичну
з даних випадкових
величин.
;
;
.
Якщо обмежені
математичні
очікування
випадкових
величин і їхніх
квадратів, то
обмежені також
і дисперсії,
тобто Всі
,
де c-деяке число.
Тоді
.
Застосуємо
тепер нерівність
Чебишева до
:
,
або
.
Переходячи до межі, одержуємо:
.
Що й було потрібно довести.
Це і є теорема Чебишева – закон більших чисел Чебишева. Ця теорема встановлює, що при досить більших n з імовірністю, близької до одиниці, можна думати, що середнє арифметичне випадкових величин як завгодно мало коливається біля деякого постійного числа-середніх їхніх математичних очікувань.
Теореми Пуассона й Бернуллі є окремими випадками закону більших чисел Чебишева.
Дійсно,
нехай в n випробуваннях,
подія A наступає
з ймовірностями
й не наступає
з ймовірностями
.
Розглянемо
випадкову
величину
–
число настань
події A в i-ом
випробуванні.
Тоді
;
;
,
задовольняє
умовам теореми
Чебишева, тобто
,
або
,
де -
середнє
арифметичне
з ймовірностей
настань подій
в окремих
випробуваннях.
А це і є теорема
Пуассона.
Якщо всі
,
те й
,
і ми одержимо
теорему Бернуллі:
.
Цікаво, що Чебишев не називав доведену теорему «законом більших чисел», хоча теорема Пуассона виходить із її як окремий випадок.
Знаючи, що теорема Бернуллі є часткою случаємо теореми Чебишева спробуємо довести її як прямий наслідок закону більших чисел Чебишева (тобто приведемо сучасний доказ теореми Бернуллі [3]). Повторимо сучасне формулювання теореми Бернуллі.
Теорема.
Нехай
виробляється
n незалежних
досвідів. Якщо
ймовірність
настання події
A у послідовності
незалежних
випробувань
постійна й
дорівнює p,
те, яке б не було
позитивне число
,
з імовірністю
як завгодно
близької до
одиниці, можна
затверджувати,
що при досить
великій кількості
випробувань
n різниця
по абсолютній
величині виявиться
меншої, чим
:
,
де -
будь-яке
мале число.
Доказ.
Розглянемо незалежні випадкові величини:
-
число
появ події A у
першому досвіді;
-
число
появ події A у
другому досвіді,
і т.д.
Всі ці величини переривані й мають той самий закон розподілу, що виражається поруч виду:
| 0 | 1 |
| q | p |
так як
подія A наступає
з імовірністю
p і не наступає
з імовірністю
q
.
Обчислимо
математичне
очікування
кожної з величин
:
,
дисперсію:
.
задовольняють
умовам теореми
Чебишева, тобто
можемо застосувати
нерівність
Чебишева:
.
Так як
,
,
а
,
то одержуємо вираження:
.
Звідси й треба справедливість доказуваної нерівності:
,
де -
мале
число при
.
Чте й було потрібно довести.
3.4 Закон більших чисел для залежних випадкових величин
А.А. Марков під цим законом розумів закон, «у силу якого з імовірністю, як завгодно близької до вірогідності, можна затверджувати, що середнє арифметичне з декількох величин, при досить великій кількості цих величин, буде довільно мало відрізнятися від середніх арифметичних їхніх математичних очікувань». При такому розумінні закону більших чисел і теорема Бернуллі й теорема Пуассона й теорема Чебишева будуть його різними формами. Таке розуміння тепер загальноприйняте.
Чебишев
поширив закон
більших чисел
на незалежні
випадкові
величини з
рівномірно
обмеженими
дисперсіями:
.
Марков розширив умови застосовності цього закону. У роботі «Поширення закону більших чисел на величини, що залежать друг від друга» Марков привів наступну теорему [1,6].
Теорема.
Якщо
послідовність
взаємно незалежних
випадкових
величин
така, що
,
те
.
Доказ.
Розглянемо величину
,
.
Очевидно,
що
й величина
обмежена
<c,
c-деяке число.
Застосуємо
тепер нерівність
Чебишева до
:
,
або
.
Переходячи до межі одержуємо:
.
Що й було потрібно довести.
У цій роботі
Марков доводить,
що закон більших
чисел застосуємо
до
,
якщо
й зв'язок величин
така, що збільшення
кожної з них
спричиняє
зменшення
математичних
очікувань
інших.
Марков
зауважує: «до
того ж висновку
про застосовність
закону більших
чисел не важко
прийти й у випадку,
коли математичне
очікування
при всякому
зменшується
зі збільшенням
суми
«.
Марков
розглядає
послідовність
випадкових
величин, зв'язаних
у ланцюг. Такі
ланцюги залежних
величин одержали
назву марковських
ланцюгів. У цій
роботі Марков
розглядає
простий ланцюг
(простий ланцюг
маркова –
послідовність
випадкових
величин, кожна
з яких може
приймати будь-яке
число рішень,
причому ймовірності
рішень при
-м
випробуванні
одержують певні
значення, якщо
відомо тільки
результат
-го
випробування),
причому всі
приймають
значення тільки
0 або 1. Він установлює,
що ці випадкові
величини також
підлеглі закону
більших чисел.
Потрібно відзначити,
що в роботі
Марков вимагав,
щоб для всіх
ймовірностей
переходу виконувалася
умова
.
Але висновки
Маркова залишаються
справедливими,
якщо замість
такого сильного
обмеження
вимагати тільки,
щоб ця умова
виконувалася
хоча б для однієї
ймовірності
при кожному
.
Наприкінці своєї роботи Марков робить висновок, що незалежність величин не становить необхідної умови для існування закону більших чисел.
У цей час використовується умову, аналогічна умові Маркова, але вже не тільки достатнє, але й необхідне для застосовності закону більших чисел до послідовності довільних випадкових величин [4].
Теорема.
Для того
щоб для послідовності
(як
завгодно залежних)
випадкових
величин при
будь-якому
позитивному
виконувалося
співвідношення
,
(3.4.1)
Необхідно й досить, щоб при
.
(3.4.2)
Доказ.
Припустимо
спочатку, що
(2) виконано, і
покажемо, що
в цьому випадку
виконано також
(1). Позначимо
через
функцію розподілу
величини
.
Легко перевірити наступний ланцюжок співвідношень:

Ця нерівність доводить достатність умови теореми.
Покажемо тепер, що умова (2) необхідно. Легко бачити, що

Таким чином,
.
Вибираючи
спочатку
як завгодно
малим, а потім
досить більшим,
ми можемо зробити
праву частину
останньої
нерівності
як завгодно
малої.
Що й було потрібно довести.
3.5 Посилення закону більших чисел. Поява необхідної й достатньої умов застосовності закону більших чисел
В 1923 р. А.Я. Хинчин установив закон повторного логарифма, що є своєрідним узагальненням і посиленням закону більших чисел[1]. Розглянемо отримані їм результати.
Відповідно
до теореми
Бернуллі, при
для будь-якого
![]()

В 1909 р. Борель
для
довів, що
,
тобто що
для
більших
із гнітючою
ймовірністю
повинна бути
мала в порівнянні
з