第3章 随机向量3-5大数定理.pptVIP

§3.5大数定理 大数定律的概念 例1. 掷一颗骰子, 出现1点的概率是1/6, 在掷的次数比较少时, 出现1点的频率可能与1/6相差很大, 但是在掷的次数很多时, 出现1点的频率接近1/6是必然的. 例2. 测量一个长度a, 一次测量的结果不见得就等于a, 量了若干次, 其算术平均值仍不见得等于a, 但当测量次数很多时, 算术平均值接近于a几乎是必然的. 算术平均数 在相同条件下对某一个随机变量进行反复地试验, 计划试验n次, 就试验方案而言, 这样的试验将产生出相互独立且同样分布的n个随机变量x1, x2 , ..., xn. 将这n个随机变量加起来除以n称做这n个随机变量的算术平均值, 算术平均数 虽然n个随机变量的算术平均值仍然是随机变量, 人们相信当试验次数n无限增大的时候, 此随机变量将趋向于常数, 即数学期望, 这就是大数定律. 因此, 人们就尝试其它的定义有关随机变量的极 限的办法. 比如说均方收敛. 大家知道当一个随机变量的方差为0时, 这个随 机变量实际上就是一个常数. 那么, 可以知道,一组相互独立同分布的期望为m 方差为s2随机变量, 它们的n个变量的算术平均 值的期望和方差为 由此可见当随着试验次数增加, n次试验的算术 平均值的数学期望将保持不变, 而其方差则随着 n的增加而减少, 趋向于0, 因此可以认为算术平 均值将趋向于一个常数, 即随机变量的期望. 由此定义出, 当一列随机变量的方差趋向于0的 时候, 如果它们的数学期望不变为m, 则称为这 组随机变量均方收敛于数学期望m, 记作 而切贝谢夫不等式又建立了方差与概率的关系, 将不等式中的x 替换为hn得 大数定理 定义 设随机变量序列{Xn}，如果存在一个常 数a，使得对任意的 ε0，有 切比雪夫大数定律 切比雪夫大数定律:设随机变量序列{Xn}相互独立，且均存在数学期望E(Xn)=un，方差D(Xn)=σ2n k (n=1,2,...), 其中常数k与n 无关，则对任意的ε0 ，有 推论 推论: 设{Xn}为相互独立的随机变量序列，且有 相同的期望与方差： E(Xn)=u，D(Xn)=σ2 (n=1,2,...), 则对任意的ε0 ，有 辛钦大数定律 定理 (辛钦大数定律): 如果x1,x2,...是相互独立 并且具有相同分布的随机变量, 有Exi=a (i=1,2,...), 则有 贝努里利大数定律 定理（贝努里利大数定律） 设每次实验中事件A发生的概率为p，n次重复独立实验中事件A发生的次数为un，则对任意的ε0 ，事件的频率 un /n ，有 贝努里利大数定律的注解 这个定理说明在试验条件不变的情况下, 重复进行多次试验时, 任何事件A发生的频率将趋向于概率. * 浙江财经学院本科教学课程 ----经济数学(三) 概率统计 这就让人想到极限的概念. 但是, 传统的极限定义在这里遇到了麻烦. 传统的一个数列{an}的极限是定义为, 任给一个非常小的实数e, 存在着一个正数N, 当nN时, |an-a|e. 但概率不行. 比如说虽然掷硬币试验次数增加时频率将趋于0.5, 但无论试验多少回, 次次正面向上的机会都是存在的. 由此可见, 如果Dhn趋向于0, 则hn落在其期望m周围的任意一个小区间(m-e,m+e)内的概率就趋向于1, 因此人们就将这样的情况称做依概率收敛. 则称依概率收敛于a,记作 注: 这个定理说明我们应当相信只要反复 试验, 则一个随机变量的算术平均值 将趋向于常数, 通常就是数学期望.