概率论第五章教材分析.ppt

* * * * * * * * * * * * 第五章 大数定律及中心极限定理 §5.1 大数定律 §5.2 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. 随机现象的规律性只有在相同的条件下进行大量重复试验时才会呈现出来. 也就是说，要从随机现象中去寻求必然的法则，应该研究大量随机现象. 第五章 大数定律及中心极限定理 研究大量的随机现象，常常采用极限形式，由此导致对极限定理进行研究. 极限定理的内容很广泛，其中最重要的有两种: 与 大数定律 中心极限定理 下面我们先介绍大数定律  §5.1 大数定律 则称随机变量序列Y1, Y2 ,…,Yn , ... 依概率收敛于a ， 记为: 若对任意正数?，有 定义1 设Y1, Y2 …,Yn ,...为一随机变量序列，a是常数， 例如: 意思是:当 a 而 意思是: 时,Xn落在 内的概率越来越大. ,当 定理1 （切比雪夫定理的特殊情况）设随机变量序列 X1,X2,…,Xn, ...相互独立，且具有相同的数学期望和方差： E(Xk)=?，D(Xk)=?2 (k=1,2,...) , 则对任意 此定理表明: 相互独立具有相同期望和方差的随机变量X1, X2, …, Xn的算术平均值依概率收敛于其数学期望值 ? . 即 的 ? 0，有 提示：利用切比雪夫不等式证. 证 由切比雪夫不等式 即 关于定理1的说明: （这个接近是概率意义下的接近） 即在定理条件下, n个随机变量的算术平均, 当n无限增加时, 几乎变成一个常数. 定理2 （伯努利大数定律）设nA是n 次独立重复试验中A发生的次数. p 是事件A在每次试验中发生的概率, 则对任意? 0,有 证: 因而 E(Xk)=p，D(Xk)=p(1-p), (k=1,2,...),由定理1, 因为 有 即 即：事件A发生的频率依概率收敛于事件的概率 p . 这个定理以严格的数学形式表达了频率的稳定性. 此定理表明： 伯努利大数定律就是频率稳定性的理论依据． 因而在实际应用中，当试验次数很大时，往往 用事件发生的频率来代替事件的概率． 定理3（辛钦定理）设随机变量序列X1,X2,…,Xn,...相互独立且同分布，数学期望：E(Xk)=?，则对任意正数?，有 伯努利大数定律是辛钦定理的特殊情况. [注] (证明略) 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起到的作用都是微小的.这种随机变量往往近似的服从正态分布.这种现象就是中心极限定理的客观背景. 本节只介绍三个常用的中心极限定理. §5.2 中心极限定理 实例: 考察射击命中点与靶心距离的偏差. 这种偏差是大量微小的偶然因素造成的微小误差的总和, 这些因素包括: 瞄准误差、测量误差、子弹制造过程方面 (如外形、重量等) 的误差以及射击时武器的振动、气象因素(如风速、风向、能见度、温度等) 的作用, 所有这些不同因素所引起的微小误差是相互独立的, 并且它们中每一个对总和产生的影响不大. 问题: 某个随机变量是由大量相互独立且均匀小的随机变量相加而成的, 研究其概率分布情况. 定理1 设随机变量X1,X2,…,Xn,… 相互独立，服从同一 分布, 且 E(Xk)=?，D(Xk)=?2?0 (k=1,2, ...) ,　则 定理表明,当n充分大时,Yn近似服从标准正态分布. 的分布函数Fn(x)满足:对任意实数x，有 (证明略) 独立同分布的中心极限定理 例1 一盒同型号螺丝钉共100个，已知该型号的螺丝钉的重量是一个随机变量，期望值是100g，标准差是10g ，求一盒螺丝钉的重量超过10.2kg的概率. 解：设Xi 为第i个螺丝钉的重量, i=1,2,…,100, 且相互独立, 于是, 一盒螺丝钉的重量为 且 由中心极限定理 定理2 (李雅普诺夫定理)设随机变量X1,X2,…,Xn,…相互独立, 且具有数学期望和方差： E(Xk)=?k，D(Xk)=?2k?0 (k=1,2,...) , 此定理表明，当n充分大时，Zn的分布近似于标准正态分布. 记 ,若存在? 0,使得 则随机变量 的分布函数Fn(x) 对任意x，有 (证明略) 证 由§4.2例知, ?n可以看成n个相互独立的服从同一(0-1)分 布的随机变量X1,...,Xn之和，即 定理3 (德莫佛-拉普拉斯定理)设随机变量?n(n=1,2,…)服从参数为n，p(0 p 1