chap5大数定律讲课.pptVIP

高尔顿钉板 每周一题12 考试要求 1．了解切比雪夫不等式． 2．了解切比雪夫大数定律、伯努利大数定律和 辛钦大数定律(独立同分布随机变量序列的大 数定律) 3. 了解棣莫弗-拉普拉斯定理(二项分布以正态 分布为极限分布)和列维-林德伯格定理(独立 同分布随机变量序列的中心极限定理) 一本书有 1 000 000 个印刷符号, 排版时每个符号被排错的概率为千分 之一. 校对时, 每个排版错误被改正的 概率为0.99. 求在校对后错误不多于 15 个的概率. 第12周 问 题 第五章 大数定律和中心极限定理 切比雪夫（Chebyshev）不等式　 切比雪夫大数定律　 伯努利（Bernoulli)大数定律　 辛钦（Khinchine）大数定律　 棣莫弗－拉普拉斯（De Moivre－laplace） 中心极限定理 列维－林德伯格（Levy-Lindberg）中心极 限定理 　考试内容 * * 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？ 答复 大数 定律 中心极 限定理 §5.1 大数定律 设随机变量 X 的方差 D ( X )存在，则对于任意实数 ? 0, 切贝雪夫( chebyshev)不等式 证 切比雪夫 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2 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 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 大数定律 贝努里 证 引入 r.v. 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 r.v. 序列 依概率收敛于常数 a , 记作 故 是一系列 r.v. 设 有 若 在 Bernoulli 定理的证明过程中，Y n 是相互独立的服从 (0 , 1) 分布的 r.v. 序列{Xk} 的算术平均值, Y n 依概率收敛于其数学期望 p . 结果同样适用于服从其它分布的独立r.v. 序列. 辛钦大数定律 相互独立， (指任意给定 设 r.v. 序列 n 1, 相互独立)且具有相同的数学期望和方差 则 有 或 辛钦 具有相同数学期望和方差的独立 r.v.序列的算术平均值依概率收敛于数学期望.当 n 足够大时, 算术平均值几乎是一常数. 定理的意义 具有相同数学期望和方差的独立 r.v.序列的算术平均值依概率收敛于数学期望.当 n 足够大时, 算术平均值几乎是一常数. 算术 均值 数学 期望 近似代替 可被 注 不一定有相同的数学期望与 方差，可设 有 Chebyshev 大数定律 §5.2 中心极限定理 定 理 一 林德伯格-列维中心极限定理 [ 独立同分布的中心极限定理 ] 定 理 二 棣莫弗-拉普拉斯中心极限定理 [ 二项分布以正态分布为极限分布 ] (Lindberg-levi) (De Moivre-Laplace) 独立同分布的中心极限定理 设随机变量序列