概率论4.1研讨.ppt

概率论与数理统计 概率论与数理统计 第 四 章 大数定律与中心极限定理 概率论与数理统计 教学目的与要求 1.掌握三个大数定律的条件、结论； 2.了解随机变量序列的两种收敛性； 3.掌握独立同分布中心极限定理的条件、结论，并 会用来解决一些实际问题。 教学重点和难点 教学重点是讲清大数定律的条件、结论和中心极限定 理的条件、结论。 教学难点是随机变量序列的两种收敛性及大数定律和中心极限定理的应用。 概率论与数理统计 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 概率论与数理统计 主要内容 一、大数定律的意义 二、大数定律 §4.1 大数定律 概率论与数理统计是研究随机现象统计规律性的学科. 随机现象的规律性只有在相同的条件下进行大量重复试验时才会呈现出来. 也就是说，要从随机现象中去寻求必然的法则，应该研究大量随机现象. 问题的引入 研究大量的随机现象，常常采用极限形式，由此导致了对极限定理进行研究.极限定理的内容很广泛，其中最重要的有两种: 与 大数定律 中心极限定理 下面我们先介绍大数定律 大量的随机现象中平均结果(即频率)的稳定性 大数定律的客观背景 大量抛掷硬币 正面出现频率 字母使用频率 生产过程中的 废品率 …… 在第一章中引入概率的概念时曾经指出，频率是概率的反映，随着观测次数n的增加，频率将会逐渐稳定到概率。 详细地说：设在一次观测中事件A发生的概率 如果观测了n次（也就是一个n重伯努利试验）， A发生了 次， 则A在n次观测中发生的频率 当n充分大时，逐渐稳定到p。 若用随机变量的语言表述，就是：设 表示第 k次观测中事件A发生次数， 则 为一列独立随机变量，显然 一、大数定律的意义 从而有 因此 “ 稳定于p ”，又可表述为 n次观测结果的平均值稳定于p. 现在的问题是：“稳定”的确切含义是什么？ 稳定于p是否能写成 （1） 亦即，是否对 （2） 对所有的样本点都成立？ 实际上，我们发现事实并非如此，在个别场合下，事件 还是有可能发生的，不过当n很大时，事件 发生的可能性很小。 当n趋于无穷时，概率趋于0. 所以 “ 稳定于p ”，意为着 （３） 成立． （3）式可写成 一般地，设 a为常数，如果对任意 ，有 为一列独立随机变量， （４） 则称 稳定于a. 概率论中，一切关于大量随机现象之平均结果稳定性的定理，统称为大数定律。 定义：若 为一列随机变量序列， ，使对 ，有 成立，则称随机变量序列 服从大数定律。 如果存在常数列 若随机变量 具有数学期望 则大数定律的经典形式是： 这里常数列 注：本书只讨论经典形式的大数定律。 二、大数定律 本段介绍一组大数定律，设 为一列随机变量，我们总假定 存在. 定理（切比雪夫大数定律）设 界，即存在常数 为一列两两不相关的随机变量，又设它们的方差有 ，使有 则称随机变量序列 服从大数定律，即有 对 ，有 证明 利用切比雪夫不等式，有 因为 有界即可得到 两两不相关，且由它们的方差 从而有 从而 即 [例1] 设 ?????????????为独立同分布的随机变量,均服从参数为 ??的泊松分布.由以往的讨论知道, 因而满足切比雪夫大数定理的要求,则由定理的结论可知 解 独立性依题意可知, 检验是否具有数学期望？ 例1 说明每一个随机变量都有数学期望。 检验是否具有有限方差？ 说明离散型随机变量有有限方差, 故满足切比雪夫定理的条件. 推论（伯努利大数定律）:设 事件A出现的次数，又A在每次试验中出现的概率为 ，则对任意的 是n重伯努利试验中 ，有 证：设 显然 独立同分布（均服从二点分布） 且 都是常数，从而方差有界 由切比雪夫大数定律，有 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 . 伯努利(Bernoulli)大数定律的意义 这种稳定称为依概率稳定. 例2 设 为一列随机变量，如果 则 服从大数定律。 （*） 证明 : 表明对充分大的n， 的方差存在. 对 ，由切比雪夫不等式 两边取极限得 即 故 服从大数定律,此称为马尔可夫大数定律. （*）式称为马尔可夫条件。 例3 设 的分布列为： 且 相互独立，试证明 服从大数定律. 证： 故