Презентация "Закон больших чисел"
презентация к уроку

Слайд 1

Слайд 2

Вспомним : Основными понятиями теории вероятностей являются понятия случайного события и случайной величины . При этом предсказать заранее результат испытания, в котором может появиться или не появиться то или иное событие или какое-либо определенное значение случайной величины, невозможно, так как исход испытания зависит от многих случайных причин, не поддающихся учету. Однако при неоднократном повторении испытаний наблюдаются закономерности, свойственные массовым случайным явлениям. Эти закономерности обладают свойством устойчивости . Суть этого свойства состоит в том, что конкретные особенности каждого отдельного случайного явления почти не сказываются на среднем результате большой массы подобных явлений, а характеристики случайных событий и случайных величин, наблюдаемых в испытаниях, при неограниченном увеличении числа испытаний становятся практически не случайными.

Слайд 3

Пусть производится большая серия однотипных опытов . Исход каждого отдельного опыта является случайным, неопределенным. Однако, несмотря на это, средний результат всей серии опытов утрачивает случайный характер, становится закономерным. Для практики очень важно знание условий, при выполнении которых совокупное действие очень многих случайных причин приводит к результату, почти не зависящему от случая, так как позволяет предвидеть ход явлений. Эти условия и указываются в теоремах, носящих общее название закона больших чисел. Под законом больших чисел не следует понимать какой-то один общий закон, связанный с большими числами. Закон больших чисел - это обобщенное название нескольких теорем, из которых следует, что при неограниченном увеличении числа испытаний средние величины стремятся к некоторым постоянным . К ним относятся теоремы Чебышева и Бернулли. Теорема Чебышева является наиболее общим законом больших чисел, теорема Бернулли - простейшим.

Слайд 4

Неравенство Чебышева В основе доказательства теорем, объединенных термином "закон больших чисел", лежит неравенство Чебышева, по которому устанавливается вероятность отклонения от ее математического ожидания: Неравенство Чебышева : Вероятность того, что отклонение случайной величины Х от ее математического ожидания по абсолютной величине меньше положительного числа ε , не меньше, чем 1 – D(X)/ ε 2

Слайд 5

Пример 1. Устройство состоит из 100 независимо работающих элементов. Вероятность отказа каждого элемента за время Т равна 0,03. Оценить вероятность того, что абсолютная величина разности между числом (математическом ожиданием) отказов за время Т окажется: а) меньше двух; б) не меньше двух. Решение . а). Обозначим через Х число отказавших элементов за время Т . Тогда М[Х]= np =100 ∙ 0,03 =3 и D [Х]= npq =100 ∙ 0,03 ∙ 0,97 =2,91. Воспользуемся неравенством Чебышева: подставив в него М[Х] = 3, D [Х] = 2,91, ξ = 2, получим

Слайд 6

Пример 1. Устройство состоит из 100 независимо работающих элементов. Вероятность отказа каждого элемента за время Т равна 0,03. Оценить вероятность того, что абсолютная величина разности между числом (математическом ожиданием) отказов за время Т окажется: а) меньше двух; б) не меньше двух. Решение . б) События противоположны, поэтому сумма их вероятностей равна единице. Следовательно,

Слайд 7

Теорема Чебышева. В теореме Чебышева утверждается, что если рассматривается достаточно большое число независимых случайных величин, имеющих ограниченные дисперсии, то почти достоверным можно считать событие, состоящее в том, что отклонение среднего арифметического случайных величин от среднего арифметического их математических ожиданий будет по абсолютной величине сколь угодно малым. Формулируя теорему Чебышева, мы предполагали, что случайные величины имеют различные математические ожидания. На практике часто бывает, что случайные величины имеют одно и то же математическое ожидание. Очевидно, что если вновь допустить, что дисперсии этих величин ограничены, то к ним будет применима теорема Чебышева.

Слайд 8

Пример 2. Обычно для измерения некоторой физической величины производят несколько измерений и их среднее арифметическое принимают в качестве искомого размера. При каких условиях этот способ измерения можно считать правильным? Решение . Ответ на этот вопрос даст теорема Чебышева (ее частный случай). Рассмотрим результаты каждого измерения как случайные величины X 1 , X 2 , ...X n . К этим величинам можно применить теорему Чебышева, если: 1) они попарно независимы; 2) имеют одно и то же математическое ожидание; 3) дисперсии их ограничены. Первое требование выполняется, если результат каждого измерения не зависит от результатов остальных. Второе требование выполняется, если измерения проведены без систематических (одного знака) ошибок. В этом случае математические ожидания всех случайных величин одинаковы и равны истинному размеру . Третье требование выполняется, если прибор обеспечивает определенную точность измерений. Хотя при этом результаты отдельных измерений различны, но рассеяние их ограничено.

Слайд 9

Пример 2. Обычно для измерения некоторой физической величины производят несколько измерений и их среднее арифметическое принимают в качестве искомого размера. При каких условиях этот способ измерения можно считать правильным? Решение .. Если все указанные требования выполнены, мы вправе применить к результатам измерений теорему Чебышева: при достаточно большом n вероятность неравенства как угодно близка к единице. Другими словами, при достаточно большом числе измерений почти достоверно, что их среднее арифметическое как угодно мало отличается от истинного значения измеряемой величины. Итак , теорема Чебышева указывает условия, при которых описанный способ измерения может быть применен. Однако, ошибочно думать, что увеличивая число измерений, можно достичь сколь угодно большой точности. Дело в том, что сам прибор дает показания лишь с точностью ; поэтому каждый из результатов измерений, а следовательно, и их среднее арифметическое будут получены лишь с точностью, не превышающей точности прибора.

Слайд 10

На теореме Чебышева основан широко применяемый в статистике выборочный метод, суть которого состоит в том, что по сравнительно небольшой случайной выборке судят обо всей совокупности (генеральной совокупности) исследуемых объектов. Пусть производится n независимых испытаний, в каждом из которых вероятность появления события A равна p . Можно ли предвидеть, какова примерно будет относительная частота появлений события? Положительный ответ на этот вопрос дает теорема, доказанная Якобом Бернулли (опубликована в 1713 г.), которая получила название "закона больших чисел" и положила начало теории вероятностей как науке. Доказательство Бернулли было сложным; простое доказательство дано П.Л. Чебышевым в 1846 г.

Слайд 11

Теорема Бернулли. Если в каждом из n независимых испытаний вероятность p появления события A постоянна, то как угодно близка к единице вероятность того, что отклонение относительной частоты от вероятности по абсолютной величине будет сколь угодно малым, если число испытаний достаточно велико. Другими словами, если сколь угодно малое положительное число, то при соблюдении условий теоремы имеет место равенство При доказательстве теоремы Бернулли получаем оценку Как видим, теорема Бернулли объясняет, почему относительная частота при достаточно большом числе испытаний обладает свойством устойчивости и оправдывает статистическое определение вероятности

Слайд 12

Пример 3. Оценим вероятность того, что при подбрасывании игральной кости 300 раз относительная частота появления шести очков отклонится от вероятности этого события не более чем на 0,01. Решение . Для оценки события применим неравенство из доказательства теоремы Бернулли где

Слайд 13

Пример 4. Вероятность того, что деталь не прошла проверку ОТК, равна 0,1. Найти вероятность того, что среди 200 случайно отобранных деталей окажется непроверенных от 10 до 30 деталей. Решение . Воспользуемся неравенством Чебышева, определив М[Х] и ε . М[Х] = np = 200∙0,1 = 20 и откуда ε = 10. Следовательно,