概率统计第五章大数定律解说.pptVIP

* * 第五章 大数定律与中心极限定理 5.1 大数定律 5.2 中心极限定理 5.1 大数定律 第一章引入概率概念时，曾经指出，事件发生的频率在一、二次或少数次试验中具有随机性的，但随着试验次数n的增大，频率将会逐渐稳定且趋近于概率。特别，当n很大时，频率与概率会非常“接近”的。这个非常“接近”是什么意思？这与高等数学中的极限概念有否联系？本章将从理论上讨论这一问题。 定理1 设随机变量的数学期望E?=? ，方差D? =? 2，则对任意的正数?，不等式 (1.1) 成立。这个不等式称为契贝雪夫(Cheby shev)不等式。 证 我们仅就连续型随机变量情形加以证明。 设 的概率密度为 f(x)，于是 证毕。 式(1.1)表明当D 很小时，概率 更小。这就是说在上述条件下，随机变量 落入 的 邻域之外的可能性很小，落入 的 邻域内可能性很大。由此说明 的取值比较集中，也即离散程度较小，这正是方差的意义所在。契贝雪夫不等式在理论研究和实际应用中都有很重要的价值。 例1 已知正常男性成人血液中，每一毫升血液中白细胞的平均数是7300，均方差是700。试估计每毫升血液中白细胞数在5200～9400之间的概率。 解 设每一毫升血液中白细胞数为 ，则由上式有 契贝雪夫不等式也可以写成如下等价形式 定理2 （伯努利(Bernoulli)大数定律）设 是n次独立重复试验中事件A发生的次数，p是事件A在每次试验中发生的概率，则对任意正数 0，有 或 证 令 则?1， ?2，…， ?n是n个相互独立的随机变量，且 易知 于是 由契贝雪夫不等式得 又由?1， ?2，…， ?n 的独立性可知 从而有 证毕 上述伯努利大数定律从理论上给出了频率“接近”概率这种“现象”的更加确切的含意，它反映了大数次重复试验下随机现象所呈现的客观规律性。 设 1， 2，…， n，…是一个随机变量序列，a是一个常数，若对任意的正数 ，有 则称随机变量序列{ }依概率收敛于a，记作 定理2′ 是n次独立重复试验中事件A发生的次数，p是事件A在每次试验中发生的概率，则 定理3（契贝雪夫大数定律）设?1， ?2，…， ?n，…是相互独立的随机变量序列，又设它们的方差有界，即存在常数c0，使得 则对任意的 0，有 证明（略） 或 伯努利大数定律是契贝雪夫大数定律的特例, 在它们的证明中, 都是以契贝雪夫不等式为基础的, 所以要求随机变量具有方差。但进一步的研究表明，方差存在这个条件并不是必要的。下面我们介绍独立同分布的辛钦大数定律。 定理4 (辛钦(ХИНЧИН)大数定律)设?1， ?2，…，?n，…是相互独立的随机变量序列，且数学期望存在: 则对任意的 0，有 证明（略） 这就为寻找随机变量的期望值提供了一条实际可行的途径。 伯努利大数定律说明了当n很大时，事件发生的频率会非常“接近”概率，而这里的辛钦大数定律则表明，当n很大时，随机变量?在n次观察中的算术平均值 也会“接近”它的期望值，即 5.2 中心极限定理 在第二章介绍正态分布时曾经特别强调了它在概率论与数理统计中的地位与作用，为什么会有许多随机变量遵循正态分布？仅仅是经验猜测还是确有理论根据？这当然是一个需要弄清的问题。 实践表明，客观实际中有很多随机变量，它们往往是由大量的相互独立的随机因素的综合作用所形成的。而其中每一个别因素在总的影响中所起的作用是微小的。 下面将要介绍的中心极限定理从理论上阐明了这样的随机变量总是近似地服从正态分布的。 定理5（独立同分布的林德贝尔格-勒维(Lindeberg－Levy)中心极限定理）设?1， ?2，…，?n，…是相互独立，且服从同一分布的随机变量序列，并具有数学期望和方差： 则对任意的x有 证明（略） 两点说明： 1°无论随机变量?1， ?2，…，?n，…服从同一分布的情况如何，只要{?i}满足定理的条件，则随机变量序列： 当n无限增大时，总以标准正态分布为其极限分布。或者说，当n充分大时，?n近似服从标准正态分布。根据这一点，在实际应用中，只要n充分大，我们便可把n个独立同分布的随机变量的和当作正态随机变量。 2°因为对 中每一被加项 有 故有 即 ?n中每一被加项对总和的影响都很微小，但它们迭加的和却以标准正态分布作为