第6章极限定理分解.ppt

第六章 极限定理 §6.1 大数定律 贝努利大数定律 例 例2 设X表示一年内死亡的人数，则X~B(n,p)，其中 n= 10000，p=0.6%， np=60， npq=59.64 设Y表示保险公司一年的利润，则 Y=10000?12-1000X 于是由中心极限定理 解 (1) P(Y?0)=P(10000?12-1000X?0) =1?P(X?120) ?1 ? ?(7.769)=0 * * 为研究随机现象的统计规律, 进行大量重复实验中, 当实验次数n→∞时, 频率fn在某种收敛意义下(依概率收敛)收敛于某一定数, 这是大数定律所描述的内容. 而其概率分布近似于某一分布(如正态分布), 这称为中心极限定理. §6.1.1 切比雪夫不等式 定理6.1 设随机变量X的数学期望与方差都存在，则对任意的 有 或者等价的形式 切比雪夫(Chebyshev)不等式 证明：我们就连续型的情形证明 给出了在随机变量X的分布未知时,概率 的一个上限. 切比雪夫不等式 可见，当E(X), D(X)已知时，可对事件 发生的概率进行估计. D(X)=0, 则P(X=EX)=1. 证明:(反证法) 方差性质(5)必要性的证明 假设P(X=EX)1, 有 但由切比雪夫不等式,对任意 矛盾. 则对于某一个数 一机床制造长度为50cm的工件, 由于随机扰动, 工件长度总有一定误差. 统计表明, 长度的均方差为2.5mm. 若工件实际长度在49.25~50.75cm之间算合格, 请估计该机床制造工件的合格率. 例 解：设X表示工件长度, 则由题意有 由切比雪夫不等式，有合格率为 练习 已知某种股票每股价格X的平均值为 1元, 标准差为0.1元, 求a, 使股价超过 1+a元或低于1-a元的概率小于10%. 答案: 随机变量序列的收敛性 定义6.1 (依概率收敛)设 是随机变量序列, a是一个常数; 若对任意ε0, 有: 则称 依概率收敛于a. 记为： 意思是：当 a Xn落在 内的概率越来越大 与 的区别 时， 但并不排除 的发生,只不过它发生的可能 性极小而已 而 意思是： ,当 定理6.2 随机变量序列 切比雪夫不等式的应用 若 存在,且 满足 证：由切比雪夫不等式 两边取极限即可. 定理6.3(切比雪夫大数定律)对独立的随机变量序列{Xk}, 若满足 大数定律 (1) 都存在； (2) 方差有限, 即存在常数C ,使得 则有 该定理表明：在n充分大时, 相互独立的随机变量的算数平均值 将比较紧密地聚集在它的数学期望的算数平均值 的附近. 独立同分布大数定律 推论1 则 注: 设{Xk}是独立的随机变量序列, 且 推论2 在n次贝努利试验中, 事件A发生 且A发生的概率为 p=P(A), 则 的频率为 注: 此定理说明了频率的稳定性. 例 证明:随机变量序列{Yn}依概率收敛于 . X1,X2,…,Xn独立同分布, 证明： 需证 §6.2 中心极限定理 在客观世界中，我们遇到的许多随机现象都是服从或近似服从正态分布的，为什么大量的随机变量都服从正态分布？ 俄国数学家李亚普诺夫证明了在某些非常一般的充分条件下，独立随机变量的和的分布，当随机变量的个数无限增加时，是趋于正态分布的. 在概率论中，把大量独立的随机变量和的分布以正态分布为极限的这一类定理统称为中心极限定理. 设随机变量序列 独立同分布，且 记 则对任意 ，有 定理6.4 (林德伯格—列维) 定理含义(渐近正态性) 独立同分布的随机变量之和 将Sn标准化: 得到新的 随机变量Yn. Yn的分布函数的极限函数是标准正态分布. 也就是说，可近似地认为： 或 将一颗骰子连掷100次，则点数之和不少于500的概率是多少？ 解： 设Xk为第k 次掷出的点数， k=1,2,…,100，则 X1, X2,…, X100独立同分布，而且 由独立同分布的中心极限定理 棣莫佛－拉普拉斯定理 定理6.5 设随机变量{Xn}服从参数为n, p(0p1)的二项分布，则对任意x，有 此定理表明,正态分布是二项分布的极限分布.当n充分大时,服从二项分布的随机变量的概率计算可以转化为正态随机变量的概率计算. 推论 X~B(n,p), n充分大时，有 计算