概率论与数理统计4概览.pptVIP

* 第五章 大数定律和中心极限定理 关键词： 契比雪夫不等式（数学工具） 大数定律 中心极限定理 * §1 大数定律 背景 本章的大数定律，对第一章中提出的 “频率稳定性”，给出理论上的论证。 为了证明大数定理，先介绍一个重要不等式，切比雪夫不等式 * 大数定律、中心极限定理都是描述大量重复或“近似重复”的试验中的概率规律的定律。这两类定律从数学上严格证明了现实中的真实现象，例如“频率趋于概率”、“正态分布常见于各类误差的分布中”。 * 两个问题 问题5.1、设想一个人在淘宝上购物。 发现一件衣服的好评率为96%。试问， 是否可能顾客给这件衣服好评的概率小 于0.9？ 问题5.2、抛硬币1000次，有592次正 面朝上。是判断，硬币朝上的概率是否是 0.5？（如果硬币朝上的次数为800次 呢？）硬币朝上的次数为多少时我们可以 认为硬币朝上的概率不是0.5？ * 几个常见的大数定律 定理5.2（切比雪夫大数定律） * 几个常见的大数定律 定理5.2（切比雪夫大数定律的一般形式） 设 X1, X2, …是两两不相关的随机变量序列，它们都有有限的方差，并且方差有共同的上界，即 Var(Xi) ≤K，i=1, 2, …，则对任意小的 有 切比雪夫 （证明与之前条件较强的切比雪夫大数定律完全相同） 证明：显然此大数定律可以从切比雪夫大数定律直接推出。 只需在切比雪夫大数定律中，令 i=1,2,…,n 是事件A发生的频率 显然，E(Xi) = P(A)，Var(Xi) =P(A)(1-P(A))=1，满足定理5.1的条件。从而根据定理5.1的结论此大数定律成立。 * 例1：在n重贝努里试验中，若已知每次试验事件A 出现的概率为0.75，试利用契比雪夫不等式估 计n,使A出现的频率在0.74至0.76之间的概率不 小于0.90。 * 随机变量序列依概率收敛的定义 [辛钦大数定理（弱大数定理）] 设X1,X2,…,Xn…为独立、同分布的随机变量，且有相同的数学期望E（Xi）= ?（i=1,2,…）， 则对??0，有 依概率收敛于? 辛钦 辛勤大数定律中没有假设方差存在，但假设了Xi，相互独立同分布 * §2 中心极限定理 背景： 有许多随机变量，它们是由大量的相互独立的随机变量的综合影响所形成的，而其中每个个别的因素作用都很小，这种随机变量往往服从或近似服从正态分布，或者说它的极限分布是正态分布。 中心极限定理正是从数学上证明了这一现象的存在，它在长达两个世纪的时期内曾是概率论研究的中心课题。 * 中心极限定理的客观背景 例如：炮弹射击的落点与目标的偏差，就受着许多随机因素的影响. * 空气阻力所产生的误差， 对我们来说重要的是这些随机因素的总影响. 如瞄准时的误差， 炮弹或炮身结构所引起的误差等等. * 观察表明，如果一个量是由大量相互独立的随机因素的影响所造成，而每一个别因素在总影响中所起的作用不大. 则这种量一般都服从或近似服从正态分布. 自从高斯指出测量误差服从正态分布之后，人们发现，正态分布在自然界中极为常见. 设X1,X2,……Xn,……是一列独立同分布的随机变量。 满足， ， 令 则对任意固定的， 有： （其中Z是标准正态随机变量） 定理5.4表明，当n充分大时，n个具有期望和方差 的独立同分布的随机变量之和近似服从正态分布. * 中心极限定理对比大数定律 不严格的来说，中心极限定理显然蕴含大数定律。因为， 对任意A 成立 蕴含对任意小的 (请尝试自行证明) 因此假设Xi是相互独立且同分布的，则中心极限定理5.4的结论能推出关于Xi的大数定律。 中心极限定理不仅说明Xi的前n个的算数平均依概率收敛，还刻画了其收敛速度（注意到 ，从而 收敛到的速度为 ） * 二项分布和正态分布的关系 示意例图 * 例2：设某种电器元件的寿命服从均值为100小时的指 数分布，现随机取得16只，设它们的寿命是相互 独立的,求这16只元件的寿命的总和大于1920小 时的概率。 * 例3：某保险公司的老年人寿保险有1万人参加，每人每年交200 元, 若老人在该年内死亡，公司