第五章大数定律与中心极限定理解析.pptVIP

4.4 大数定律与中心极限定理 大数定律 中心极限定理 二、几个常用的大数定律 5.3 中心极限定理 二、德莫佛-拉普拉斯定理(De Moivre-Laplace) * 随机变量序列的收敛性 定义4.7（依概率收敛）设 是随机变量序列，a是一个常数；若对任意ε0, 有: 则称 依概率收敛于a 记为： 1 大数定律 (1).切比雪夫大数定律 设随机变量序列X1,X2,…,Xn,…相互独立，每一个随机变量都有数学期望E(X1),E(X2),…,E(Xn),…和有限的方差D(X1),D(X2),…,D(Xn),…，并且D(Xn)≤C (i=1,2,…)，则任意正数?， 即 几个随机变量的均值依概率收敛于它的期望 证明 因为X1,X2,…,Xn,…相互独立， 由切比雪夫不等式可得 该定理表明：相互独立的随机变量的算数平均值 与数学期望的算数平均值的差在n充分大时是一个无穷小量，这也意味着在n充分大时，经算术平均后得到的随机变量 的值将比较紧密地聚集在它的数学期望 的附近。 切比雪夫大数定律的特殊情况:独立同分布大数定律 设随机变量序列X1,X2,…,Xn,…相互独立，且具有相同的数学期望μ和相同的方差σ2，记前n个随机变量的算术平均为Yn， 则随机变量序列Y1,Y2,…,Yn,…依概率收敛于μ，即 证明 切比雪夫大数定律 (2).贝努利大数定律 设进行n次独立重复(贝努利)实验,每次试验中事件A发生的概率为p，记nA为n次试验中事件A发生的次数.则 证明（由切比雪夫不等式可直接证明） 即 (3)辛钦(Khinchine)大数定律：设 为独立且同分布的随机变量序列， 则 前面我们的讨论中讲过正态分布在随机变量的一切可能分布中占有特殊地位。在客观世界中，我们遇到的许多随机现象都是服从或近似服从正态分布的，为什么大量的随机变量都服从正态分布？ 俄国数学家李亚普诺夫(Ляпуров)证明了在某些非常一般的充分条件下，独立随机变量的和的分布，当随机变量的个数无限增加时，是趋于正态分布的. 在概率论中，把大量独立的随机变量和的分布以正态分布为极限的这一类定理统称为中心极限定理。它反映的随机变量的特点是：对随机现象起作用的因素众多，但无突出的因素，诸因素的影响微小而均匀，随机变量ξ可以看作是各微小因素叠加的结果。 ξ =?i ξi，和的分布常常是正态的。 我们这里给出的两个最常用的中心极限定理。 设随机变量X1,X2,…,Xn,…相互独立同分布，且E(Xi)=?，D(Xi)=σ2 (σ2 0)(i=1,2,…)，记前n个变量的和的标准化变量为 一、独立同分布的中心极限定理(Lindeberg- Levy林德贝格-列维) 则Yn的分布函数Fn(x)对任意的x∈(-∞,+∞)都有 该定理说明，当n充分大时， Yn近似地服从标准正态分布，Yn~N(0,1)， 随机变量 近似地服从于正态分布 中心极限定理可以解释如下： 假设被研究的随机变量可以表示为大量独立的随机变量的和，其中每个随机变量对于总和的作用都很微小，则可以认为这个随机变量实际上是服从正态分布的。 在实际工作中，只要n足够大，便可把独立同分布的随机变量之和当作正态变量。 例5.4 将一颗骰子连掷100次，则点数之和不少于500的概率是多少？ 解 设 Xk为第k 次掷出的点数，k=1,2,…,100，则 X1,X2,…,X100独立同分布，而且 由中心极限定理 在n重贝努利试验中，每次试验中事件A发生的概率为p(0p1)，记Xn为n次试验中事件A发生的次数，则对任何区间[a,b](a≤b)，有 其中q=1-p 即Xn~B(n,p)，则 此定理表明，正态分布是二项分布的极限分布。当n充分大时，服从二项分布的随机变量的概率计算可以转化为正态随机变量的概率计算。 一般地，当n较大，而p较小时 证明：将Xn分解为n个0-1分布Yi之和，Yi~B(1,p), 再用独立同分布中心极限定理即得. 计算时常用.泊松分布也可用于近似计算,但要求n很大,p很小,本定理无此要求.