Granične teoreme

23. novembar 2020

1 / 10
Nejednakost Čebiševa

Teorema
Neka je X nenegativna slučajna promenljiva, tj. X(ω) ≥ 0, za svako
ω ∈ Ω, za koju postoji E(X 2 ). Za svako  > 0 važi

E(X 2 )
P (X ≥ ) ≤ .
2

Sledeći oblik nejednakosti Čebiševa, koji važi za svaku slučajnu

promenljivu X za koju postoji D(X), ima veliku primenu u
praktičnim problemima

D(X)
P (|X − E(X)| ≥ ) ≤ ,
2
 > 0.
2 / 10
Nejednakost Čebiševa
Ako je X diskretnog tipa, imamo
X X
2 P (X ≥ ) = 2 p(xi ) = 2 p(xi )
i:xi ≥ i:xi ≥
X X X
≤ x2i p(xi ) + x2i p(xi ) = x2i p(xi ) = E(X 2 ).
i:xi ≥ i:xi < i

Ako je X neprekidnog tipa, tada

Z Z
2 2
 P (X ≥ ) =  ϕX (x)dx = 2 ϕX (x)dx
x≥ x≥
Z Z
≤ x2 ϕX (x)dx + x2 ϕX (x)dx
x≥ x<
Z ∞
= x2 ϕX (x)dx = E(X 2 ).
−∞

3 / 10
Zakoni velikih brojeva

Zakoni velikih brojeva razmatraju konvergenciju niza slučajnih

promenljivih ka nekoj konstanti. Iz konvergencije niza slučajnih
promenljivih ka konstanti proizilazi da zakoni velikih brojeva daju
uslove pod kojima ukupno dejstvo slučajnih uticaja dovodi do
rezultata koji skoro ne zavisi od slučaja.

4 / 10
Zakoni velikih brojeva

Neka je X1 , X2 , . . . , Xn , . . . niz slučajnih promenljivih. Formiramo niz

slučajnih promenljivih Y1 , Y2 , . . . na sledeći način

Y1 = X1 − E(X1 )  
1 1
Y2 = (X1 + X2 ) − E (X1 + X2 )
2 2
... !
n n
1X 1X
Yn = Xr − E Xr
n r=1 n r=1
...

Posmatramo slabe zakone velikih brojeva.

U teoriji verovatnoće postoje četri vrste konvergencije niza slučajnih
promenljivih i oni prevazilaze okvire ovog kursa.
5 / 10
Zakoni velikih brojeva
Teorema (Bernulijev zakon velikih brojeva)
Neka su slučajne promenljive Xi , i ∈ N nezavisne i sve imaju
Bernulijevu raspodelu. Za svako  > 0 je
  !
1 X n 
P  Xr − p ≥  → 0 kad n → ∞.
 
 n r=1 

tj. za niz slučajnih promenljivih Xi ,važi slabi zakon velikih brojeva.

Teorema (Zakon velikih brojeva Hinčina)
Neka su slučajne promenljive Xi , i ∈ N nezavisne sa istom
raspodelom i konačnim matematičkim očekivanjem E(Xi ) = m. tada
za ovaj niz važi slabi zakon velikih brojeva, tj. za svako  > 0 je
  !
1 X n 
P  Xr − m ≥  → 0 kad n → ∞.
 
 n r=1 
6 / 10
Zakoni velikih brojeva

Teorema (Zakon velikih brojeva Čebiševa)

Ako su nezavisne slučajne promenljive X1 , X2 , . . . , postoji C > 0
tako da je D(Xr ) ≤ C, r = 1, 2, . . . , tada važi slabi zakon velikih
brojeva, tj. za svako  > 0
  !
1 X n n
1 X 
P  Xr − E(Xr ) ≥  → 0 kad n → ∞.
 
 n r=1 n r=1 

7 / 10
Centralne granične teoreme

Normalna raspodela je ”granična forma”mnogih raspodela.

Prva od teorema iz ove klase daje aproksimaciju binomne slučajne

promenljive normalnom.

Teorema (Muavr-Laplasova teorema)

Neka je X binomna B(n, p) slučajna promenljiva. Za svako x ∈ R
kad n → ∞ je
  Z x
X − np 1 t2
P √ <x → √ e− 2 dt kad n → ∞.
npq 2π −∞

8 / 10
Centralne granične teoreme

Teorema
Neka je X1 , X2 , . . . niz nezavisnih slučajnih promenljivih sa istom
raspodelom za koju postoji disperzija. Tada za svako x ∈ R je
 n n 
P P
 r=1 Xr − E(r=1 Xr )
Z x

→ √ 1 2
− t2
P  r P n
< x e dt, kad n → ∞.
 2π −∞
D( Xr )
r=1

Obratiti pažnju da imamo nezavisnost slučajnih promenljivih i one

imaju istu raspodelu!
Muavr-Laplasova teorema je specijalan slučaj navedene teoreme jer se
binomna B(n, p) raspodela može napisati kao zbir Bernulijevih
raspodela sa istim parametrom p.
9 / 10
Centralne granične teoreme
Teorema
Ako je X1 , X2 , . . . , Xn , . . . niz nezavisnih slučajnih promenljivih za
koje postoji disperzija. Ako je

max D(Xi )
1≤i≤n
lim Pn = 0,
n→∞
D(Xi )
i=1

onda za svako x ∈ R je
 n n 
P P
 r=1 Xr − E(r=1 Xr )
Z x

→ √1 2
− t2
P r n
< x e dt, kad n → ∞.
 P  2π −∞
D( Xr )
r=1
Obratiti pažnju da imamo nezavisnost slučajnih promenljivih, ali da
one više ne moraju da imaju istu raspodelu!
10 / 10