第四章 大数定律 5.ppt

第四章大数定律与中心极限定理第一节大数定律一、切比雪夫不等式与切比雪夫大数定律1.切比雪夫(Chebshev)不等式第三章已学了随机变量的数字特征:期望,方差.什么叫方差?设随机变量X的数学期望E(X)存在,则函数的数学期望称为随机变量X的方差,记作一个随机变量离差平方的数学期望就是方差.方差反映了什么?随机变量X的方差D(X)表明X在其数学期望E(X)的周围取值的分散程度.引入:对于任意正数的概率与D(X)有关.下面的切比雪夫不等式从数学上严格地表述了关系.定理4.1设随机变量X的数学期望E(X)与D(X)方差存在,则对任意下列不等式成立.或显然,(4.1)与(4.2)是等价的.证明:设X是连续随机变量,其概率密度为f(x),则有第一步:将概率用密度函数f(x)在区间第二步,利用随机变量取值满足的不等式将被积函数放大,以产生概率不等式.于是第三步:因被积函数非负,将积分区间扩至将积分再次放大,使积分化为随机变量X的方差的表达式,既得证的不等式.因为事件与事件是对立的,2.设X为离散型随机变量,其分布列为则切比雪夫不等式的重要性注意:切比雪夫不等式只能给出估计值,精确值要用别的方法计算.它的作用大体有4个方面:1)估计概率,可以根据公式直接计算.2)当E(X),D(X)及概率确定时,估计所需要的区间的长度(也就是确定3)估计试验此数,在n重伯努利试验中,频率与试验次数有关,在已知E(X),D(X)和P时,可用切比雪夫不等式确定n.4)它是导出其他定理的依据.利用切比雪夫不等式估算随机事件的概率步骤:1)按题意选择随机变量X,求出E(X),D(X).2)将化为或者3)由切比雪夫不等式作出例1设随机变量则解:例1设随机变量则解:例2设随机变量X的数学期望E(X)=14,方差D(X)=8,则不等式解:看书148页例4.1,例4.2例3在一次试验中,事件A发生的概率为0.5,利用切比雪夫不等式,估计是否可以用大于0.97的概率确信,在1000次独立试验中,事件A发生的次数在400到600的范围内.解:用X表示1000次独立重复试验中事件A发生的次数,于是由切比雪夫不等式,有因此,可以用大于0.975的概率确信,在1000次试验中,事件A发生的次数在400次到600次之间.例4某保险公司对该市投保商业医疗保险的人数进行估计,假设每个人投保的概率为0.7,且各人投保与否相互独立,该市共有人口10000人,试估计投该保险的人数在6800---7200人之间的概率.解:设X表示该市投该项保险的人数,则X由切比雪夫不等式估计而按二项分布的相应公式(精确)计算,显见,用切比雪夫不等式估计的精确度不高.例5如果随机变量的方差为0(D(X)=0),则随机变量X以概率1取值为E(X),即证:由切比雪夫不等式及D(X)=0,知对任意的因此得到例6设X是连续型随机变量,且存在,证明:证:设X的概率密度为f(x),则大数定律大数定律以严格的数学形式表示,并证明了在一定条件下,大量重复出现的随机现象呈现的统计规律性,即频率的稳定性与结果的稳定性.介绍随机变量序列依概率收敛的概念.频率具有稳定性,很重要的一点,是因为1.随机变量序列依概率收敛定义设为一随机变量序列,若存在随机变量X,对任意等价地有则称随机变量序列依概率收敛于随机变量X.记作显然思考:依概率收敛与高等数学中的收敛有何不同.高等数学中为确定性变量,都有而绝对不会有在概率论中,是非确定性变量(随机变量),当n充分大时,事件发生的概率很大,接近1,但并不排除事件只不过它发生的可能性很小而己.因此,依概率收敛的条件比高等数学中的收敛条件要弱,具有某种不确定性.2.大数定律的定义设为随机变量序列,数学期望若对任意或则称随机变量序列服从大数定律.3.几个常用的大数定律(1)切比雪夫大数定律定理4.2设独立随机变量序列的数学期望与方差都存在,并且方差是一致有上界,即存在常数C,使得则对任意条件:相互独立.期望,方差都存在相等,方差一致有上界.n个相互独立随机变量的“算术平均”与其数学期望之差依概率收敛于零,这样,切比雪夫大数定律给出了关于平均值稳定性的科学描述.证明:利用数学期望与方差的性质,可得又因为是相互独立的,所以根据切比雪夫不等式有,故于是定理得证.看书150页第一段----第二段.作为切比雪夫大数定律的特殊情形,我们给出伯努利大数定律,该定律是历史最早的一个大数定律.(2)伯努利大数定律:定理4.3在独立试验序列中,设事件A的概率P(A)=p,则对于任意的正数当试验的次数或条件:不近相互独立同分布,而且要求它们都服从同参数的0--1分布.定理说明了A发生的频率依概率收敛于概率p.证明:引入随机变量显然有由于只依赖于第i次试验,而各次试验是独立的,因此,是相互独立的随机变量,又因为服从(0--1)分布,