1大数定律教程.pptVIP

数理统计 勒贝格积分-----测度论 设 * 一个常数，若对于任给的正数?0, 总成立 随机变量序列依概率收敛于常数 定义 设 是一个随机变量序列， a 是 则称 随机变量 序列 依概率收敛于a， 记为 几乎处处收敛 第一节 大数定律 概率论中用来阐明大量随机现象平均结果的稳定性的一系列定理，称为大数定律 定积分的定义 1.定义 是可测集E上的可测函数，对于 的情况， 是任意一个满足 的简单函数 让 变动，有： 性质 1.设 ，g（x）是连续 函数，则 2.设 g（x , y）是二元连续函数，则 设n重贝努里试验中事件A发生的次数为μn，A在每次试验中发生的概率为 p ，则对任给的ε0，总成立 定理1（贝努利大数定律） 即： 三个常见的大数定律 贝努里大数定律的意义 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 大时可以用频率近似代替 p . 是小概率事件, 因而在 n 足够 贝努里大数定律提供了通过试验来确定事件概率的方法. 定理2（契比雪夫大数定律的特殊情形） 设随机变量序列X1,X2, …相互独立，并且具有相同的数学期望和方差，E(Xi)=μ，D(Xi)=σ2,i=1,2, …,则对任给的ε0，总成立 即 定理2的意义 具有相同数学期望和方差的独立随机变量序列的算术平均值依概率收敛于数学期望.当 n 足够大时, 实验结果的算术平均几乎是一常数. 因此，在实际应用中，当试验次数足够大时,可用独立重复试验结果的算术平均数来估计随机变量的数学期望.----大样本 定理3（契比雪夫大数定律的一般情形） 设随机变量序列X1,X2, …相互独立，它们都具有数学期望：E(Xi)=μi，并且都具有被同一常数C所限制的方差：D(Xi)= C,i=1,2, …,则对任给的ε0，总成立 即 接近于其数学期望的算术平均的概率接近于1. 即当n充分大时， 差不多不再是随机的了，取值 定理3的意义 定理表明，独立随机变量序列{Xn}，如果方差有共 与其数学期望 小的概率接近于1. 同的上界，则 偏差很 设随机变量序列X1,X2, …相互独立，服从同一分布，具有相同的数学期 望E(Xi)=μ, i=1,2,…， 则对于任给正数ε 0 ，总成立 定理4 （辛钦大数定律） 即 推论 设随机变量序列X1,X2, …相互独立，服从同一分布，且具有相同的k 阶矩 则对任给正数ε0，总成立 即 这一节我们介绍了大数定律 大数定律以严格的数学形式表达了随机现象最根本的性质之一： 它是随机现象统计规律的具体表现.在理论和实际中都有广泛的应用. 平均结果的稳定性 第二节 中心极限定理 客观背景：客观实际中，许多随机变量是由大量 相互独立的偶然因素的综合影响所形成，每一个微小 因素，在总的影响中所起的作用是很小的，但总起来， 却对总和有显著影响，这种随机变量往往近似地服从 正态分布。-----用于回归分析 概率论中有关论证独立随机变量的和的极限分布是正态分布的一系列定理称为中心极限定理。 由于无穷个随机变量之和可能趋于∞，故我们不研究n个随机变量之和本身而考虑它的标准化的随机变量 的极限分布. 下面介绍常用的三个中心极限定理。 定理1（独立同分布下的中心极限定理） 设X1,X2, …是独立同分布的随机变量序列，且E(Xi)=μ，D(Xi)=σ2，i=1,2,…，则 定理表明：当n充分大时，标准化随机变量 近似服从标准正态分布. 由此可知：对于独立的随机变量序列 ，不管 服从什么分布，只要它们是同分布，且有有限的数学期望和方差，那么，当n充分大时，这些随机变量之和 近似地服从正态分布 (1) 至少命中180发炮弹的概率; (2) 命中的炮弹数不到200发的概率. 例1.炮火轰击敌方防御工事 100 次, 每次轰击命中的炮弹数服从同一分布, 其数学期望为 2 , 均方差为1.5. 若各次轰击命中的炮弹数是相互独立的, 求100 次轰击中 解：设 X k 表示第 k 次轰击命中的炮弹数， 设 X 表示100次轰击命中的炮弹数,则 由独立同分布中心极限定理, 有 则 相互独立， 又 (1) (2) 例2.一食品店有三种蛋糕出售，由于售出哪一种蛋糕是随机的，因而售出一只蛋糕的价格是一个随机变量，它取1(元)，1.2 (元)，1.5(元)各值的概率分别为0.3，0.2，0.5.某天售出300只蛋糕.求这天的收入至少达400 (元)的概率 解：设第i只蛋糕的价格为Xi，i=1,2,…,300,则Xi的