概率论教学课件—概率1-4张颖.pptVIP

研究两个问题： 研究两个问题： 1.大数定律 切比雪夫大数定律 设{Xn}为相互独立的随机变量序列，E(Xi)存在,D(Xi)≤M，（i=1,2,…）则对 ?? 0，有 注： [辛钦大数定律] 设X1,X2,…,Xn,…为相互独立、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 2 中心极限定理 此定理说明,相互独立且服从同一分布,但不一定都服从同一正态分布的随机变量都有(当n→∞时) 1.4 大数定律及中心极限定理 * 1.4大数定律及中心极限定理 概率论与数理统计是研究随机现象统计规律性的学科. 这种统计规律性往往通过大量的重复观测来体现，对大量的重复观测作数学处理的常用方法是研究极限。极限理论的内容很丰富，其中最重要的有关极限的定理有两种:大数定律与中心极限定理。 在大量的随机试验中，由于各次的随机性（偶然性）相互抵消又相互补偿，因而其平均结果趋于稳定，而阐明大量随机现象平均结果稳定性的定理，称为大数定律。 依概率收敛 随机变量序列{Xn}, a为常数，对任意正数?，有 Xn a 依概率 则称 ★ 这里所谓的“极限”,就是依概率收敛的意思，即考察是否存在常数a，使 ① 若X1,X2,…Xn, …为随机变量，而 那么随着 n +? , Yn的极限如何？ ② 若X1,X2,…Xn,…为随机变量，随着 n +? , 的分布将会如何？ ★ 从分析的角度讲，这两个问题一个是概率的极限问题，一个是分布的极限问题，相应的一系列结论分别被称为“大数定律”、“中心极限定理”，统称极限定理。 问题的引出 在n次独立重复试验中， 事件A发生的频率是否稳定于A的概率？ 伯努利大数定律 在n次独立重复试验中，事件A发生了nA 次， 且P(A)=p, 则对任意正数ε有： 意义 频率稳定性的严格数学表达; 当n很大时,(实际应用中)可用事件的频率代替概率. p很小时，频率也很小. 小概率事件很少发生！ 在一次试验中不可能发生！ 即：R.v.{Xn}服从大数定律. 表明n很大时,随机变量的算术平均值接近于它的数学期望. 切比雪夫大数定律的特殊情况 实际意义 如何测定某厂生产的灯泡的平均寿命？ 独立地抽取n(n=1000,n=2000,n=5000等）只灯泡测量其寿命，得一系列实数值： 抽取的数量越大精度越高 ② 切比雪夫大数定律还有其它“特例”， 如辛钦大数定理. ① 伯努利大数定律乃切比雪夫大数定律之特例. 如要估计某地区的平均亩产量，要收割某些有代表性的地块，如n块. 计算其平均亩产量，则当n较大时，可用它作为整个地区平均亩产量的一个估计. 辛钦大数定律为在不知道r.v.X分布情况下，估计X的期望值提供了一条实际可行的途径. 小结： 大数定律以严格的数学形式表达了随机现象最根本的性质之一——平均结果的稳定性。它是随机现象统计规律的具体表现.因此，大数定律在理论和实际中都有广泛的应用. 引入 在实际问题中，常常需要考虑许多随机因素所产生总影响.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.如瞄准时的误差，空气阻力所产生的误差，炮弹或炮身结构所引起的误差等等. 所有这些不同因素所引起的局部误差可看作是相互独立的，而且它们当中每一个别因素在总影响中所起的作用不大. 则由这许多相互独立的随机误差所组成的整个误差服从正态分布. 设X1,X2,…,Xn,…为独立r.v，用Yn表示它们的前n项和，即 我们所要研究的就是Yn在n无限增大时的极限分布. 的分布函数的极限. 由于无穷个r.v 之和可能趋于∞，故我们不研究n个r.v之和本身而考虑它的标准化的r.v 独立同分布的中心极限定理 设X1,X2,…,Xn,…独立同分布， 且存在数学期望和方差 E（Xi）=?，D（Xi）=? 20， 标准正态分布 的分布函数 列维(Levy)--林德伯格定理 意义： 进而 注意条件：独立同分布…