近似.pptVIP

示意图 例1 设x是掷一颗骰子所出现的点数, 若给定e=1,2, 实际计算P(|x-Ex|?e), 并验证切贝谢夫不等式成立.解 因P(x=k)=1/6, (k=1,2,3,4,5,6) 正态分布的概率密度的图形 二项分布的随机变量可看作许多相互独立的0-1分布的随机变量之和, 下面是当x-B(20,0.5)时, x的概率分布图 普阿松分布相当于二项分布中p很小n很大的分布, 因此, 参数l=np当很大时也相当于n特别大, 这个时候普阿松分布也近似服从正态分布, 下面是l=30时的普阿松概率分布图. 例1 设有一大批种子，其中良种占1/6. 试估计 在任选的6000粒种子中，良种所占比例与 1/6比较上下不超过1%的概率. 解 设 X 表示6000粒种子中的良种数 , 则 X ~ B(6000,1/6) 近似 比较几个近似计算的结果 用中心极限定理 用二项分布(精确结果) 用Poisson 分布 用Chebyshev 不等式 例2 某车间有200台车床，每台独立工作，开工 率为0.6. 开工时每台耗电量为 r 千瓦. 问供 电所至少要供给这个车间多少电力, 才能以 99.9% 的概率保证这个车间不会因供电不足 而影响生产？ 解 设至少要供给这个车间 a 千瓦的电力 设 X 为200 台车床的开工数. X ~ B(200,0.6) , 问题转化为求 a , 使 X ~ N (120, 48) (近似) 课件制作：应用数学系 概率统计课程组 概率论与数理统计 第五章 大数定律与中心极限定理 本章要解决的问题 为何能以某事件发生的频率 作为该事件的 概率的估计？ 为何能以样本均值作为总体 期望的估计？ 为何正态分布在概率论中占 有极其重要的地位？ 大样本统计推断的理论基础 是什么？ ANSWER 大数 定律 中心极 限定理 设非负随机变量 X 的期望 E( X )存在， 则对于任意实数 ? 0, 马尔可夫（Markov） 不等式 证 仅证连续型随机变量的情形 重要不等式 5.1 大数定律 设随机变量 X 的k阶绝对原点矩 E( |X |k)存在， 则对于任意实数 ? 0, 推论 1 设随机变量 X 的方差 D ( X )存在， 则对于任意实数 ? 0, 推论 2 ——切贝雪夫（ chebyshev ）不等式 或 Ex Ex+e Ex-e j(x) x ?Dx/e2 例2 设有一大批种子，其中良种占1/6. 试估计 在任选的 6000 粒种子中, 良种所占比例与 1/6 比较上下小于1%的概率. 解 设 X 表示 6000 粒种子中的良种数 , X ~ B (6000,1/6 ) 实际精确计算： 用Poisson 分布近似计算： 取? = 1000 例3 设每次试验中，事件 A 发生的概率为 0.75, 试用 Chebyshev 不等式估计, n 多大时, 才 能在 n 次独立重复试验中, 事件 A 出现的 频率在0.74 ~ 0.76 之间的概率大于 0.90? 解 设 X 表示 n 次独立重复试验中事件 A 发生 的次数 , 则 X ~ B(n,0.75) 要使 ，求 n 即 即 由 Chebyshev 不等式，? = 0.01n ,故 令 解得 若 E(X ) = ? , D(X ) = ? 2, 类似于正态分布的3? 原理，由 Chebyshev 不等式可估计 由 Chebyshev 不等式，可看出 D (X) 反映了 X 偏离 E(X ) 的程度. 固定? ， ? 较小者， 较小. Chebyshev 不等式对于 ? 2?? 2 无实际意义 大数定律 贝努里（Bernoulli） 大数定律 设 nA 是 n 次独立重复试验中事件 A 发生的 次数, p 是每次试验中 A 发生的概率，则 有 或 证 引入随机变量序列{Xk} 设 则 相互独立， 记 由Chebyshev 不等式 故 在概率的统计定义中，事件 A 发生的频率 “ 稳定于”事件 A 在一次试验中发生的概率是 指： 频率 与 p 有较大偏差 是 小概率事件, 因而在 n 足够大时, 可以用频率 近似代替 p . 这种稳定称为依概率稳定. 贝努里（Bernoulli） 大数定律的意义： 定义 a 是一常数， (或 则称随机变量序列 依概率收敛 于常数 a , 记作 故 是一系列随机变量， 设 有 若 在 Bernoulli 定理的证明过程中， Y n 是相