1概率论复习..ppt

伯努利试验场合的极限定理 我们已得到 E(μn /n)=P(A)=p D(μn /n)=pq/n 作为随机变量 如何表述它的极限行为? 　　回忆: 在伯努利试验中 　事件A发生的概率P(A) 　以 μn 记试验中A出现的次数　　　　 　　　n→∞　频率 μn /n 趋近于常数 P(A) 依概率收敛(convergence in probability) 进一步研究 μn 的极限行为 标准化 中心极限定理 几个常见的大数定律 定理（车贝晓夫大数定律） 设 X1,X2, …是相互独立的随机变量序列，它们都有有限的方差，并且方差有共同的上界，即 D(Xi) ≤C，i=1,2, …， 车贝晓夫 则对任意的ε0， 证明车贝晓夫大数定律主要的数学工具是车贝晓夫不等式. 设随机变量X有期望E(X)和方差 ， 则对于任给 0, 因为X1,X2, …相互独立 1 车贝晓夫大数定律表明，独立随机变量序列{Xn}，如果方差有共同的上界，则 与其数学期望 偏差很小的 概率接近于1. 随机的了，取值接近于其数学期望的概率接近于1. 即当n充分大时， 差不多不再是 车贝晓夫大数定律给出了 平均值稳定性的科学描述 作为车贝晓夫大数定律的特殊情况，有下面的定理. 定理（独立同分布下的大数定律） 设X1,X2, …是独立同分布的随机变量 序列，且E(Xi)= ，D(Xi)= ， i=1,2,…, 则对任给 0, 下面给出的伯努利大数定律，是前定理的一种特例. 贝努利 设μn是n重伯努利试验中事件A发生的次数，p是事件A发生的概率， 引入 i=1,2,…,n 则 是事件A发生的频率 于是有下面的定理： 设μn是n重伯努利试验中事件A发生的 次数，p是事件A发生的概率，则对任给的ε 0， 定理（伯努利大数定律） 或 贝努利 　伯努利大数定律表明，当重复试验次数n充分大时，事件A发生的频率μn/n与事件A的概率p有较大偏差的概率很小. 贝努里大数定律提供了通过试验来确定事件概率的方法.（理论保障） 任给ε0， 下面给出的独立同分布下的大数定律，不要求随机变量的方差存在. 设随机变量序列X1,X2, …独立同分布，具有有限的数学期E(Xi)=μ, i=1,2,…， 则对任给ε 0 ， 定理（辛钦大数定律） 辛钦 由于无穷个随机变量之和可能趋于∞，故我们不研究n个随机变量之和本身而考虑它的标准化的随机变量 的分布函数的极限. 的分布函数的极限. 可以证明，满足一定的条件，上述极限分布是标准正态分布. 考虑 中心极限定理 这就是下面要介 绍的 在概率论中，习惯于把和的分布收敛于正态分布这一类定理都叫做中心极限定理. 我们只讨论几种简单情形. 下面给出的独立同分布随机变量序列的中心极限定理，也称林德贝格－莱维（ Lindberg －Levy）定理. 定理（独立同分布下的中心极限定理） 它表明，当n充分大时，n个具有期望和方差 的独立同分布的r.v之和近似服从正态分布. 设X1,X2, …是独立同分布的随机 变量序列，且E(Xi)= ，D(Xi)= ， i=1,2,…，则 虽然在一般情况下，我们很难求出X1+X2+ …+Xn 的分布的确切形式，但当n很大时，可以求出近似分布. 棣莫弗－拉普拉斯定理（二项分布的正态近似）是上述定理的特殊情况. 　棣莫弗－拉普拉斯极限定理（二项分布的正态近似） 定理：设μn是 n 次伯努利试验中事件A出现的次数,0p1,则对任意有限区间[a,b]： 标准化渐近分布积分极限定理 * 第一节 概率空间 * 第二节 随机变（向）量及其分布 * 1、2条性质简单证明。 * 这两条性质是判定一个函数 f(x)是否为某r.vX的概率密度函数的充要条件 * 在某点密度曲线的高度反映了概率集中在该点附近的程度. * 任何一个一般的正态分布都可以通过线性变换转化为标准正态分布 * 不仅与及有关，而且还依赖于这两个随机变量的相互关系 * 不仅与及有关，而且还依赖于这两个随机变量的相互关系 * 不仅与及有关，而且还依赖于这两个随机变量的相互关系 * 第三节 随机变量的独立性 3 二维随机向量函数的数学期望 这里要求广义二重积分是绝对收敛的。 方差刻划了随机变量的取值 若X 的取值比较集中，则方 差较小