При изучении нормального закона распределения отмечают, что непрерывная случайная величина формируется под воздействием очень большого числа независимых случайных факторов. Причем сила воздействия каждого отдельного фактора мала и не может превалировать среди остальных, а характер воздействия - аддитивный (т. е. при воздействии случайного фактора F на величину а получается величина а + D(F), где случайная “добавка” D(F) мала и равновероятна по знаку).
Центральная предельная теорема устанавливает условия образования в пределе нормального закона распределения. Она была открыта Лапласом[8] (опубликована в 1812 г.). Состоит она в следующем.
Рассмотрим сумму S = независимых случайных величин. Предположим, что все эти случайные величины имеют одинаковое распределение и принимают целочисленные значения 0; ±1; ±2;... Распределение = P () каждой из величин можно изобразить следующим образом. Нарисуем на каждом значении m прямоугольник, середина основания которого есть точка m, длина основания равна 1,0, а площадь есть . Получится ряд прямоугольников (с высотами ), сумма площадей которых равна 1 (рис. 5.1).
|
|
Рис. 5.1
Попытаемся изобразить таким же образом вероятности отдельных значений суммы = при довольно большом числе n. При этом обнаружим, что даже если случайные величины , i = 1,..., n принимали всего лишь два значения 0 и 1, то значениями суммы могут быть числа от 0 до n. Следовательно, эти значения при большом числе n просто не поместятся в прежнем масштабе на рис. 5.1. Мы вынуждены будем изменить масштаб, т. е. вместо значений случайной величины
=
будем откладывать значения величины
= ( - ),
где и – некоторые числа, зависящие от n.
Лаплас открыл, что получится нечто замечательное, если положить
= M () = nа, где а = M ();
= = , где = D ().
Случайную величину
мы будем называть нормированной суммой.
Очевидно, что M () = 0, D() = 1 и значениями величины являются числа
= ,
причем для любого целого m
P ( = m) = P ( = ) = P ( = ).
Отложим по оси абсцисс значения и изобразим вероятности
P ( = )
этих значений прямоугольниками, середины оснований которых лежат в точках , длины оснований равны расстоянию
- =
между соседними точками, а площади равны P ( = ). Высоты этих прямоугольников равны
∙ P ( = ).
При этом произойдет следующее: верхние основания этих прямоугольников почти точно лягут на некоторую кривую, задаваемую уравнением
f (x) = ,
которое является плотностью нормального распределения.
При имеем
P ( = ) ® .
В таком случае нам известно, что
P (a b)» F (b) – F (a).
Рассмотрим общую часть центральной предельной теоремы в любой ее форме. Пусть , … – последовательность независимых случайных величин с математическими ожиданиями M () и дисперсиями D () = , , …. Введем новые случайные величины:
|
|
= ,
для которых
M () = ; D () = ; σ () = .
Тогда при определенных условиях справедливо равенство
P (½ ½< z) = = 0,5 + F (),
утверждающее, что закон распределения нормированных отклонений суммы при стремится к стандартному нормальному распределению вне зависимости от типа распределения слагаемых. В таком случае говорят, что подчиняется асимптотически нормальному распределению.
Различные формы центральной предельной теоремы отличаются друг от друга ограничениями, налагаемыми на последовательность , при которых выполняется утверждение теоремы. Так, в теореме Муавра[9]–Лапласа
в качестве рассматриваются частоты при i -том испытании в модели Бернулли. Более общим является условие одинакового распределения всех при существовании конечного математического ожидания M () = a и дисперсии D () = .
А. М. Ляпунов[10], создав специальный метод характеристических функций, используемый в доказательстве различных предельных теорем, показал, что требование одинакового распределения можно заменить условием их равномерной малости (удельный вес каждого отдельного слагаемого должен стремиться к нулю при увеличении числа слагаемых). Это условие Ляпунова математически выражается так:
= 0, где аi = M ½ – M ()½3.