《概率论与数理统计》5.ppt

第五章 大数定律与中心极限定理 §5.1大数定律的概念 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,但当测量的次数很多时,算术平均值接近于a几乎是必然的. 这两个例子说明： 在大量随机现象中,不仅看到了随机事件的频率具有稳定性,而且还看到大量测量值的平均结果也具有稳定性。这种稳定性就是本章所要讨论的大数定律的客观背景。即无论个别随机现象的结果如何,或者它们在进行过程中的个别特征如何,大量随机现象的平均结果实际上与每一个别随机现象的特征无关,并且几乎不再是随机的了。 §5.2 切贝谢夫不等式 切比雪夫不等式 (P104) 例1设随机变量ξ的数学期望Eξ=μ，方差Dξ=σ2则由切贝谢夫不等式有 解：根据切贝谢夫不等式 Eξ=7/2 Dξ=35/12 P(│ξ-7/2│≥1)=2/3 P(│ξ-7/2│≥2)=P(ξ=1)+P(ξ=6)=1/3 所以 例3 设电站供电网有10000盏电灯,夜晚每一盏电灯开灯的概率都是0.7,而假定开关时间彼此独立,估计夜晚同时开着的灯数在6800与7200之间的概率. 解:令ξ表示在夜晚同时开着的灯的数目,它服从参数n=10000,p=0.7的二项分布.若要准确计算,应该用贝努里公式: 可见,虽然有10000盏灯,但是只要有供应7200盏灯的电力就能够以相当大的概率保证够用.事实上,切贝谢夫不等式的估计只说明概率大于0.95,后面将具体求出这个概率约为0.99999,切贝谢夫不等式在理论上具有重大意义,但估计的精确度不高. §5.3大数定律 将比较密地聚集在它的数学期望的附近.它与数学期望之差,当时n→∞,依概率收敛到0.这就是大数定律.切贝谢夫定理为这一定律作出了精确的数学公式.它也称为切贝谢夫大数定律. 切贝谢夫定理的一个推论通常称为贝努里大数定律. 如果事件A的概率很小,则正如贝努里定理指出的,事件A的频率也是很小的,即事件A很少发生.例如P(A)=0.001,则在1000次试验中只能希望事件A发生一次. 在实际中概率很小的随机事件在个别试验中几乎是不可能发生的.因此,人们常常忽略了那些概率很小的事件发生的可能性.这个原理叫作小概率事件的实际不可能性原理(简称小概率原理). 定理5.3 （辛钦大数定律） 如果ξ1,ξ2… 是相互独立并且具有相同分布的随机变量.有E ξk=μ (k=1,2, …),有  P112 1、3、6、7、8、 §5.4中心极限定理 在客观实际中有许多随机变量,它们是由大量的相互独立的随机因素的综合影响所形成的。而其中每一个别因素在总的影响中所起的作用都是微小的。这种随机变量往往近似地服从正态分布，这种现象就是中心极限定理的客观背景。 正态分布在随机变量的各种分布中,占有特别重要的地位.在某些条件下,即使原来并不服从正态分布的一些独立的随机变量,它们的和的分布,当随机变量的个数无限增加时,也是趋于正态分布的. 在概率论里,把研究在什么条件下,大量独立随机变量和的分布以正态分布为极限这一类定理称为中心极限定理. 一.依分布收敛 3.德莫佛-拉普拉斯中心极限定理(De Moivre-Laplace) 4.定理5.5（拉普拉斯定理） （1）局部极限定理：当n→∞时 解 设一盒重量为ξ,盒中第i个螺丝钉的重量为 ξi(i=1, …100) . ξ1, … ξ100相互独立, 解 令第i次轰炸命中目标的次数为ξi, 100次轰炸命中目标次数 (1)直接计算: (2)的计算结果与(1)的相差较大,这是由于n不够大.一般要求n至少为50,有时也放宽到n≥30使用. 解 解 10000件产品中的废品数ξ服从二项分布, 正态分布和普哇松分布虽然都是二项分布的极限分布,但普哇松分布以n→∞,同时p→0,np→λ为条件,而正态分布则只要求n→∞这一条件.一般说来,对于n很大,p(或q)很小的二项分布(np≤5)用正态分布来近似计算不如用普哇松分布计算精确. 解 设ξ为500发炮弹命中飞机的炮弹数目 (1)用二项分布公式计算: 小结 1. 切比雪夫不等式主要用来对期望、方差已知的随机变量取值的概率作粗略估计。 2. 大数定律是参数估计中矩估计的理论依据，也是判别估计一致性的主要方法。 3.中心极限定理主要用于近似计算。  P112 12、13、15 1.定理5.4 （李雅普诺夫Liapunov定理） 设ξ1,ξ2…是相互独立的随机变量,有期望及方差 二.几个常用的中心极限定理 （5. 5） Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Prof