Принцип практичної впевненості. Формулювання закону

Великих чисел

Якщо подія має дуже малу ймовірність (відмінну від нуля), то в одиничному випробуванні ця подія може наступити й не наступити. Але так міркуємо ми тільки теоретично, а на практиці вважаємо, що подія, яка має малу імовірність, не наступить, і тому нехтуємо нею. Однак, у рамках математичної теорії не можна відповісти на запитання, якою повинна бути верхня границя імовірності, щоб можна було назвати «практично неможливими» події, імовірності яких не будуть перевищувати знайденої верхньої границі. Нехай, наприклад, робітник виготовляє на верстаті 100 виробів, з яких один в середньому виявляється бракованим. Очевидно, що імовірність браку дорівнює 0,01, але нею можна зневажити й вважати робітника непоганим фахівцем. Але якщо будівельники будуть будувати будинки так, що з 100 будинків (у середньому) в одному будинку буде мати місце руйнування даху, то навряд чи можна зневажити імовірністю такої події. Таким чином, у кожному окремому випадку варто виходити з того, наскільки важливі наслідки в результаті настання події.

Імовірність, якою можна зневажити в даному дослідженні, називається рівнем значимості.

Сформулюємо принцип практичної впевненості: «Якщо випадкова подія має малу ймовірність (наприклад, р < 0,01), то при одиничному випробуванні можна практично вважати, що ця подія не відбудеться, а якщо подія має ймовірність, близьку до одиниці (р > 0,99), то практично при одиничному випробуванні можна вважати, що ця подія відбудеться напевно».

Основною закономірністю масових випадкових явищ є властивість усталеності середніх результатів. У широкому значенні слова під «законом великих чисел» розуміють відому із глибокої стародавності властивість усталеності масових випадкових явищ, що полягає в тому, що середній результат великої кількості випадкових явищ практично перестає бути випадковим і може бути передвіщений з достатньою визначеністю.

У вузькому значенні слова під «законом великих чисел» розуміють сукупність теорем, у яких встановлюється факт наближення середніх характеристик явища до деяких постійних величин у результаті великої кількості спостережень. Розглянемо деякі з них.

1. Лема Маркова. Якщо випадкова величина X не приймає від’ємних значень, то для будь-якого позитивного числа справедлива нерівність:

(7.1)

Доказ.

1) Нехай X — дискретна випадкова величина, задана рядом розподілу, причому 0 £ х₁ < х₂ <…<х_n.

xi	x1	x2	…	xn
pi	p1	p2	…	pn

 

Всі значення випадкової величини розіб'ємо на дві групи. До першої групи віднесемо значення, менші a (нехай це будуть х₁, x₂,..., х_k), до другої - всі інші значення більші або рівні a (x_k+1, х_k+2,..., х_n).

Як відомо, математичне сподівання дискретної випадкової величини визначається за формулою:

M[X]=x₁p₁ + x₂p₂ +... + x_kp_k + x_k+lp_k+l +... + х_nр_n.

Відкинемо в правій частині формули перші k доданків. Оскільки р_i > 0, х_i- ³0 і, крім того, при х_i ³ a, i ³ k+l, буде мати місце наступна нерівність: M[X] ³ x_k+lp_k+l +... + х_nр_n. ³ a(p_k+l +... + р_n).

З того, що

p_k+l +... + р_n = P{X=x_k+1}+…+P{X=x_n}=P{X³a},

слідкує, що:

M[X] ³ a P{X³ a}.

Розділимо обидві частини останньої нерівності на a і дістанемо нерівність (7.1).

2) Нехай X - безперервна випадкова величина. Оскільки за умовою X не приймає невід'ємних значень, то її щільність імовірності f(х) = 0 при всіх х < 0. Тому

,

розділимо на ³ a, дістанемо нерівність (7.1). Лему доведено.

 

2. Нерівність Чебишева. Імовірність того, що відхилення випадкової величини Х від її математичного сподівання за абсолютною величиною буде менше деякого додатного числа e, обмежена знизу величиною

або . (7.2)

Доказ.

Нехай маємо випадкову величину (Х-M[X])². Оскільки вона приймає тільки додатні значення, до неї можна вжити лему Маркова, покладаючи в ній a=e², дістанемо:

.

Зазначимо, що , а також урахуємо, що ймовірність дорівнює ймовірності . На цій підставі можемо записати:

.

3. Теорема Чебишева. При необмеженому збільшенні числа n незалежних випробувань середня арифметична спостережуваних значень випадкової величини сходиться за імовірністю до її математичного сподівання, тобто для любого додатного e

. (7.3)

Ця теорема встановлює зв'язок між середньою арифметичною спостережуваних значень випадкової величини X і її математичним сподіванням М[X].

Доказ.

Спостережувані значення Х (х₁, х₂,…,х_n) у силу незалежності дослідів можна розглядати як незалежні випадкові величини, що мають однаковий розподіл (таке ж, як в X) з однаковими параметрами – математичним сподіванням а = М[Х] і дисперсією D[X]. За властивостями математичного сподівання й дисперсії можна записати:

.

.

Скористаємося нерівністю Чебишева для випадкової величини Х і підставимо в нього отримані параметри:

(7.4)

Якщо тепер в отриманій нерівності взяти як завгодно мале додатне e і необмежено збільшити n, дістанемо

,

що й доводить теорему Чебишева.

З теореми Чебишева випливає важливий практичний висновок: невідоме значення математичного сподівання випадкової величини ми вправі замінити середнім арифметичним значенням, отриманим за досить великою кількістю дослідів. При цьому, чим більше проведено дослідів, тим з більшою ймовірністю можна чекати, що пов'язана із цією заміною помилка () не перевершить задану величину e. При відомому значенні дисперсії D[X], наприклад, за заданим значенням імовірності й максимальній припустимій помилці e, визначити число необхідних дослідів n; або по заданим P і n визначити e; а також, по заданим e і n визначити границю ймовірності події .

4. Теорема Бернуллі. При необмеженому зростанні числа незалежних випробувань n відносна частота появи події А сходиться за імовірністю до його ймовірності Р, тобто

, (7.5)

За допомогою цієї теореми встановлюється зв'язок між відносною частотою події і її ймовірністю. Вона була доведена Я. Бернуллі (опублікована в 1713р.) і поклала початок теорії ймовірностей як науки.

Доказ.

Відносна частота є випадковою величиною, а отже характеризується математичним сподіванням і дисперсією:

;

Запишемо нерівність Чебишева для випадкової величини :

.

Остаточно дістанемо:

. (7.6)

Як би малим не було число e, при n®¥ величина дробі ®0, а .

З теореми Бернуллі витікає, що при досить великій кількості випробувань відносна частота появи події практично втрачає свій випадковий характер, наближаючись до постійної величини Р — імовірності даної події. У цьому й складається принцип практичної впевненості.

Незважаючи на те, що при необмеженому зростанні числа незалежних випробувань різниця може виявитися як завгодно малою, все ж таки не можна сказати, що . Таке твердження було б невірним, тому що в даному питанні не виконуються необхідні умови, що входять до складу визначення поняття границі. Справді, може статися, що подія А буде відбуватися при всіх наступних випробуваннях, починаючи з деякого номера n > N і тоді , але не виключений і той випадок, коли починаючи з деякого номера n > N, подія А не буде відбуватися при жодному випробуванні, і тоді .

Таким чином, при необмеженому числі незалежних випробувань може статися, що р, але цього може й не статися. Тоді виникає запитання про те, яка ж імовірність того, що р? З теореми Бернуллі відповіді на це запитання не випливає, але в більш глибоких дослідженнях з теорії ймовірностей доводиться, що при n®¥ . Отже, ®р, не за типом границі, а за ймовірністю.

Змістовий модуль 3