قانون اعداد بزرگ: تفاوت میان نسخهها
جز افزودن عنوان ها |
جز تغییرات در بخش شکل های قانون |
||
خط ۲۰: | خط ۲۰: | ||
== شکل های قانون اعداد بزرگ == |
== شکل های قانون اعداد بزرگ == |
||
دو شکل متفاوت برای '''قانون اعداد بزرگ''' وجود دارد که در زیر به بررسی آنها پرداخته شده است: ''قانون ضعیف اعداد بزرگ'' و '''''قانون قوی''' اعداد بزرگ''.<ref>{{Cite book|title=A Course in Mathematical Statistics and Large Sample Theory|last1=Bhattacharya|first1=Rabi|last2=Lin|first2=Lizhen|last3=Patrangenaru|first3=Victor|date=2016|publisher=Springer New York|isbn=978-1-4939-4030-1|series=Springer Texts in Statistics|location=New York, NY|doi=10.1007/978-1-4939-4032-5}}</ref><ref name=":0">{{Cite book|title=A Modern Introduction to Probability and Statistics|url=https://archive.org/details/modernintroducti00fmde|url-access=limited|last=Dekking|first=Michel|publisher=Springer|year=2005|isbn=9781852338961|pages=[https://archive.org/details/modernintroducti00fmde/page/n191 181]–190}}</ref> برای دنباله نامتناهی ''X''<sub>1</sub>, ''X''<sub>2</sub>, ... که شامل [[متغیرهای تصادفی مستقل با توزیع یکسان|متغیر های تصادفی مستقل با توزیع یکسان]] و با امید ریاضی های برابر ( E(''X''<sub>1</sub>) = E(''X''<sub>2</sub>) = ...= ''µ )'' باشد، هر دو شکل قانون - با قطعیتی نسبی - بیان میدارد که میانگین نمونه |
|||
دو شکل متفاوت برای '''قانون اعداد بزرگ''' وجود دارد که در زیر به بررسی آنها پرداخته شده است: قانون ضعیف اعداد بزرگ و قانون قوی اعداد بزرگ. |
|||
میتوان قانون اعداد بزرگ را به صورت خلاصه شده به شکل زیر نوشت: |
میتوان قانون اعداد بزرگ را به صورت خلاصه شده به شکل زیر نوشت: |
نسخهٔ ۱۳ ژانویهٔ ۲۰۲۲، ساعت ۱۷:۱۳
بخشی از مجموعه مباحث درباره آمار |
نظریهٔ احتمالات |
---|
اصول احتمال |
فضای احتمالی * فضای نمونه * پیشامد ابتدایی * پیشامد * اندازه احتمالاتی |
پیشامد مکمل * توزیع احتمال توأم * توزیع حاشیهای * احتمال شرطی |
متغیرهای تصادفی مستقل * مستقل شرطی * قانون احتمال کامل * قانون اعداد بزرگ * قضیه بیز * نابرابری بول |
نمودار ون * نمودار درختی |
در نظریهٔ احتمالات، قانون اعداد بزرگ قضیهای است که نتیجهٔ انجام یک آزمایش مشابه را برای چندین بار توصیف میکند. طبق این قانون، میانگین نتایج بهدستآمده از تعداد زیادی آزمایش، باید به مقدار مورد انتظار (امید ریاضی) نزدیک باشد و با انجام آزمایشهای بیشتر به مقدار مورد انتظار نزدیکتر میشود.[۱]
نکتهٔ مهم دربارهٔ قانون اعداد بزرگ این است که این قانون - همانطور که از نامش پیداست - تنها زمانی اعمال میشود که تعداد زیادی مشاهدات در نظر گرفته شود. هیچ اصلی وجود ندارد که تعداد کمی از مشاهدات با مقدار مورد انتظار منطبق شود.[۲]
همچنین مهم است که توجه داشته باشید که قانون اعداد بزرگ فقط برای میانگین اعمال میشود. صورت ریاضی آن بدین شکل است:
فرمولهای دیگری که مشابه به نظر میرسند قابل قبول نیستند. مانند انحراف معیارِ "نتایج نظری":
مثال ها
به عنوان یک مثال، وقتی یک تاس ششوجهی را یک بار بریزیم، یکی از عددهای ۱، ۲، ۳، ۴، ۵ یا ۶ به دست خواهد آمد. اگر این آزمایش را تکرار کنیم، هر دفعه یکی از این اعداد به دست میآیند و اگر تاس نااریب باشد، احتمال دیده شدن این اعداد با هم برابر است. در نتیجه امید ریاضی عددی که با ریختن هر بار تاس به دست میآید طبق این فرمول:
برابر با ۳٫۵ است. طبق قانون اعداد بزرگ، هرگاه آزمایش ریختن تاس را به دفعات زیاد تکرار کنیم، میانگین اعدادی که به دست میآید تدریجاً به ۳٫۵ نزدیک خواهد شد.[۴] بهطور مثال میتوان به آزمایش پرتاب سکه اشاره کرد. همانطور که میدانیم نتیجه این آزمایش توزیع برنولی دارد. اگر فقط یک بار آزمایش را انجام دهیم احتمال رو آمدن سکه برابر ۱/۲ است، طبق قانون اعداد بزرگ اگر تعداد پرتابها زیاد باشد نسبت تعداد رو آمدنها به تعداد کل پرتابها به ۱/۲ میل میکند[۴] مشخص است که اختلاف تعداد روها و پشتها با زیاد شدن تعداد آزمایشها افزایش پیدا میکند. پس احتمال کوچک بودن اختلاف روها و پشتها به سمت عدد صفر میل میکند. هم چنین میتوان نتیجه گرفت که نسبت اختلاف روها و پشتها به تعداد کل پرتابها نیز به سمت صفر میروند. از این حقیقت در مییابیم که با وجود رشد اختلاف بین تعداد روها و پشتها در انجام این آزمایش به دفعات زیاد، سرعت این رشد از سرعت افزایش تعداد کل پرتابها کمتر است.[۴]
محدودیت ها
تاریخچه
اثبات قانون ضعیف
شکل های قانون اعداد بزرگ
دو شکل متفاوت برای قانون اعداد بزرگ وجود دارد که در زیر به بررسی آنها پرداخته شده است: قانون ضعیف اعداد بزرگ و قانون قوی اعداد بزرگ.[۵][۶] برای دنباله نامتناهی X1, X2, ... که شامل متغیر های تصادفی مستقل با توزیع یکسان و با امید ریاضی های برابر ( E(X1) = E(X2) = ...= µ ) باشد، هر دو شکل قانون - با قطعیتی نسبی - بیان میدارد که میانگین نمونه
میتوان قانون اعداد بزرگ را به صورت خلاصه شده به شکل زیر نوشت:
که در آن دنبالهای از متغیرهای تصادفی مستقل با توزیع یکسان و میانگین هستند.
(Gerolamo Cardano (۱۵۰۱–۱۵۷۶ جیرولامو کاردانو ریاضیدان ایتالیایی بدون اثبات ریاضی بر این باور بود که دقت نتایج تجربی در امار با افزایش تعداد دفعات آزمایش بیشتر میشود[۸] این فرضیه بعدها تحت عنوان قانون اعداد بزرگ اثبات شد و مورد توجه قرار گرفت. حالت خاصی از این قانون برای متغیرهای برنولی برای نخستین بر توسط Jacob Bernoulli ژاکوب برنولی اثبات شد.[۹] او این قانون را قضیه طلایی نامید، ولی بعدها با نام قانون اعداد بزرگ مشهور شد. در سال ۱۸۳۵ سیمون دنیز پواسون Siméon Denis Poisson این قانون را با نام قانون اعداد بزرگ توضیح داد. هماکنون این قضیه با هر دو نام ذکر شده شناخته میشود.[۱۰] بعد از برنولی و پواسون ریاضیدانان دیگری مانند مارکف، چبیشف، بورل و کولموگرف برای بهبود این تعریف و اثبات آن تلاش کردند و در نهایت الکساندر کینچین برای هر متغیر تصادفی دلخواه آن را اثبات کرد. این تلاشها منجر به پیدایش دو حالت مختلف از این قانون شد. این دو قسمت عبارت است از قانون ضعیف و قوی. قانون ضعیف و قوی اعداد بزرگ دو قانون متفاوت نیستند. در بلکه این دو قانون از دو دیدگاه متفاوت موضوع همگرایی احتمال وقتی تعداد دفعات آزمایش زیاد است به مقدار میانگین را توضیح میدهند. همچنین میتوان قانون ضعیف را از قانون قوی نتیجه گرفت.[۱۱]
گفتنی است نصرا... اعتمادی (1324 ش - ...)(1945 م - ...) احتمال دان ایرانی اثباتی بدیغ برای قانون اعداد بزرگ در سال 1981 م ارائه داد که هم اکنون در بسیاری از کتابهای نظریه احتمال مانند کتاب P. Billingsley) Probability and Measure) درج شده است. در این اثبات، شرط استقلال توام متغیرهای تصادفی به شرط استقلال دو به دو کاهش یافته است و افزون اینکه از شیوه ای بدیع در اثبات استفاده شده است.
منابع
- ↑ Dekking, Michel (2005). "A Modern Introduction to Probability and Statistics" (به انگلیسی).
- ↑ "Law of large numbers". Wikipedia (به انگلیسی). 2022-01-02.
- ↑ "Law of large numbers". Wikipedia (به انگلیسی). 2022-01-02.
- ↑ ۴٫۰ ۴٫۱ ۴٫۲ http://en.wikipedia.org/w/index.php?title=Law_of_large_numbers&oldid=437185925
- ↑ Bhattacharya, Rabi; Lin, Lizhen; Patrangenaru, Victor (2016). A Course in Mathematical Statistics and Large Sample Theory. Springer Texts in Statistics. New York, NY: Springer New York. doi:10.1007/978-1-4939-4032-5. ISBN 978-1-4939-4030-1.
- ↑ Dekking, Michel (2005). A Modern Introduction to Probability and Statistics. Springer. pp. 181–190. ISBN 9781852338961.
- ↑ شلدون راس، "مبانی احتمال" مترجمین: دکتر احمد پارسیان و دکتر علی همدانی
- ↑ Mlodinow, L. The Drunkard's Walk. New York: Random House, 2008. p. 50.
- ↑ Jakob Bernoulli, Ars Conjectandi: Usum & Applicationem Praecedentis Doctrinae in Civilibus, Moralibus & Oeconomicis, 1713, Chapter 4, (Translated into English by Oscar Sheynin)
- ↑ Hacking, Ian. (1983) "19th-century Cracks in the Concept of Determinism"
- ↑ http://en.wikipedia.org/w/index.php?title=Probability_theory&action