概率51-52研讨.ppt

第5章 §5.1 大数定律及中心极限定理 第*页 第5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 本章概述 大数定律和中心极限定理就是使用极限方法研究大量随机现象统计规律性的。 阐明大量重复试验的平均结果具有稳定性的一系列定律都称为大数定律。 论证随机变量（试验结果）之和渐进服从某一分布的定理称为中心极限定理。 ⒈ 人们在长期的实践中发现，频率以及大量测量值的算术平均值具有稳定性，也就是说，无论个别测量值如何，其平均结果实际上与个别测量值的特征无关，几乎不再是随机的了。这种稳定性问题如何从理论上给出解释？这正是大数定律要解决的问题。 ⒉ 长期观察表明，如果一个量是由大量的相互独立的随机因素的影响造成的，而每一个个别因素在总影响中所起的作用都很微小，则这种量通常都服从或近似服从正态分布。这个结论的理论依据就是中心极限定理。 ⒊ 总之，大数定律是描述频率稳定性的理论(理解), 中心极限定理在概率论的理论研究中占据重要地位(会用)。 2.不等式的其它(等价)形式 5.1 大数定律 1.切比雪夫不等式 切比雪夫不等式的用途： （1）证明大数定律；（2）估计事件的概率。 切比雪夫不等式只利用随机变量的数学期望及方差 就可对事件的概率分布进行估计。 从切比雪夫不等式还可以看出, 对于给定的? 0, 当方差越小时，事件{|X-E(X)|≥?}发生的概率也越小，即X的取值越集中在E(X)附近．这进一步说明方差确实是一个描述随机变量与其期望值离散程度的一个变量． 当D(X)已知时，切比雪夫不等式给出了X与E(X)的偏差小于? 的概率的估计值． 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 ) 例2 设电站供电网有10000盏电灯，夜晚每盏灯开灯的概率均为0.7，假定灯的开、关是相互独立的，使用切比雪夫不等式估计夜晚同时开着的灯数在6800到7200盏之间的概率。 解 令X表示在夜晚同时开着的灯数目，则X服从n=10000，p=0.7的二项分布，这时 由切贝雪夫不等式可得: 练习 若在每次试验中，A发生的概率为0.5，进行1000次独立试验，估计 A 发生 400～600 次之间的概率。 解 因X～B(1000, 0.5)，E(X)=500，D(X)=250 所以 P{ 400 X 600 } = P{ | X-500 | 100 } 得 P{ | X-500 | 100 } 由 量的算术平均 则对于任意?＞0，有 定理2（切比雪夫大数定律）如果 X1, X2, …, Xn, …是相互独立的随机变量序列，且具有相同的数学期望和方差： 作前n个随机变 依概率1成立。 3.大数定律 切贝雪夫大数定律表明, 相互独立的随机变量的算术 平均值 与其数学期望的差, 在n充分大时是一个无穷小量,这意味着在n充分大时， 的值将比较紧密地聚集在它的数学期望 附近． 算术 均值 数学 期望 近似代替 可被 依概率收敛于 ， 定理2（切比雪夫大数定律）如果 X1, X2, …, Xn, …是相互独立的随机变量序列，且具有相同的数学期望和方差： 则序列 定义1(依概率收敛) 设Y1, Y2, …, Yn, …是一个互相独立的随机变量序列，a是一个常数，若对于任意正数?，有 则称序列Y1, Y2, …, Yn, …依概率收敛于a . 这是以频率定义概率的合理性依据。 定理3 (伯努利大数定律) n重伯努利试验中事件A发生nA次, 每次试验A发生的概率为p，则对任意?＞0, 有 在概率的统计定义中, 事件A 发生的频率 “依概率”收敛于事件A 发生的概率. 伯努利(Bernoulli)大数定律的意义 它揭示了“事件发生的频率具有稳定性”. 定理4（辛钦大定律） 设随机变量X1, X2, X3, …