Введение в теорию вероятностей: от случайности к стабильности: закон больших чисел

Добро пожаловать на границу, где хаос встречается с порядком. На этом вводном слайде мы переходим от области индивидуальной неопределённости к коллективной предсказуемости. Закон больших чисел является основой для всех теорем о пределах, объясняя, как увеличение размера выборки «вымывает» индивидуальную нестабильность, превращая хаотическую последовательность в устойчивый, детерминированный сигнал.

Отношение сигнала к шуму (ОСШ)

Чтобы количественно оценить стабильность случайного процесса, мы определяем отношение сигнала к шуму измерений как:

$$r = \frac{|\mu|}{\sigma}$$

При суммировании $n$ независимых наблюдений относительное влияние стандартного отклонения ($\sigma$) уменьшается. Это позволяет базовому среднему значению ($\mu$) проявиться из шума. В инженерии именно поэтому усреднение показаний датчиков даёт «чистый» сигнал из «грязных» данных.

Обоснование теоремы Вейерштрасса

Почему мы можем ожидать такой стабильности? Теорема Вейерштрасса анализа предоставляет глубокое теоретическое обоснование. Она показывает, что любую непрерывную функцию можно равномерно аппроксимировать полиномами. Конкретно, полиномы Бернштейна строится по той же логике биномиальных средних, демонстрируя, что совокупное поведение случайных колебаний сходится к исходной гладкой функции.

Математическое выражение стабильности

Стабильность выражается через сходимость долей. По мере того как число испытаний $n$ стремится к бесконечности, отношение между испытаниями и накопленной суммой $S_n$ стабилизируется:

$$r = \lim_{n \to \infty} \frac{n}{S_n} = \frac{1}{\mu}$$

Пример: мониторинг химического реактора

Рассмотрим датчик, измеряющий температуру химического реактора. Одно измерение сильно «шумное» из-за тепловых колебаний и электронных помех. Однако, когда преподаватель вычисляет среднее значение из 1000 измерений, индивидуальные ошибки (случайность) взаимно компенсируются. Этот процесс эффективно повышает ОСШ, переходя от «случайной» точки данных к «устойчивому» представлению истинной температуры.

🎯 Ключевой принцип

Закон больших чисел гарантирует, что хотя отдельные события непредсказуемы, среднее значение большого числа независимых событий чрезвычайно предсказуемо. Шум временный; среднее — постоянное.

ВОПРОС 1

Что происходит с относительным влиянием шума по мере увеличения числа независимых наблюдений ($n$)?

Он растёт линейно с $n$.

Он уменьшается, позволяя среднему значению проявиться.

Он остаётся постоянным независимо от $n$.

Он становится более нестабильным по мере роста $n$.

ВОПРОС 2

Какая теорема обеспечивает обоснование стабильности через полиномиальную аппроксимацию?

Теорема Байеса

Вейерштрасса анализа

Теорема Пифагора

Основная теорема интегрального и дифференциального исчисления

ВОПРОС 3

Каково предельное значение отношения $n/S_n$ при $n \to \infty$?

$\mu$

$1/\mu$

$\sigma$

$0$

ВОПРОС 4

Как определяется отношение сигнала к шуму измерений (ОСШ) в данном контексте?

$r = \sigma / \mu$

$r = |\mu| / \sigma$

$r = \mu^2 + \sigma^2$

$r = \sqrt{\mu \sigma}$

ВОПРОС 5

В аналогии с датчиком химического реактора что фактически «компенсирует» случайные электронные помехи?

Увеличение температуры реактора.

Вычисление среднего значения многих показаний.

Использование одного, очень дорогого показания датчика.

Отбрасывание всех показаний, которые не соответствуют ожидаемому значению.

Исследование: стабильность суммы при бросании кубиков

Применение закона больших чисел к дискретным системам

Даже при небольших размерах выборки «стабильность» вокруг среднего начинает проявляться. Давайте протестируем закон больших чисел, используя классический пример бросания правильных кубиков.

Вопрос 1

Если 10 правильных кубиков бросают, найдите приближённую вероятность того, что полученная сумма будет находиться между 30 и 40 включительно. Приведите подробные шаги расчёта с использованием нормальной аппроксимации.

Пошаговое решение:
1. Характеристики одного кубика: Среднее $\mu = 3.5$. Дисперсия $\sigma^2 = \frac{(6^2-1)}{12} \approx 2.92$.
2. Сумма для 10 кубиков: $E[S_{10}] = 10(3.5) = 35$. $Var(S_{10}) = 10(2.92) = 29.2$. Стандартное отклонение $\sigma_{sum} = \sqrt{29.2} \approx 5.40$.
3. Коррекция непрерывности: Поскольку кубики дискретны, мы находим $P(29.5 \le S_{10} \le 40.5)$.
4. Z-оценки: $Z_1 = \frac{29.5 - 35}{5.40} \approx -1.02$. $Z_2 = \frac{40.5 - 35}{5.40} \approx +1.02$.
5. Вероятность: $P(-1.02 \le Z \le 1.02) = \Phi(1.02) - \Phi(-1.02) \approx 0.8461 - 0.1539 = 0.6922$.
Ответ: Приблизительно 0.692 (69,2%). Это показывает, что почти 70% результатов попадают в узкую полосу вокруг среднего даже при наличии всего 10 выборок.

Вопрос 2

Если 10 правильных кубиков бросают, найдите приближённую вероятность того, что полученная сумма будет находиться между 30 и 40 включительно. (Примечание: используйте прямые среднее/СКО без коррекции непрерывности для быстрой оценки).

Решение:
Используя $\mu_{sum} = 35$ и $\sigma_{sum} = 5.4$:
Целевой диапазон составляет $\pm 5$ от среднего.
$Z = \frac{\pm 5}{5.4} \approx \pm 0.925$.
После поиска $Z = 0.925$ в таблице стандартного нормального распределения получаем $\Phi(0.925) \approx 0.8225$.
Вероятность $\approx 0.8225 - (1 - 0.8225) = 0.645$.
Ответ: Приблизительно 0.645. Хотя менее точно, чем версия с коррекцией непрерывности, она иллюстрирует стабильность вокруг ожидаемого значения.