概率论与数理统计第五章培训教案.pptVIP

大数定律 在叙述大数定律之前，首先介绍两个基本概念 定义5.1 设 为一个随机变量序列，记为 ，若对任何n≥2，随机变量 都相互独立 ，则称 是相互独立的随机变量序列。 定义5.2 设 为一随机变量序列，X为一随机变量 或常数，若对任意ε＞0，有 则称 依概率收敛于X,记为 或 ，（ ） . 下面是一个带普遍性结果的大数定律。 人们已经知道，在自然界和生产实践中遇到大量随机变量都服从或近似服从正态分布，正因如此，正态分布占有特别重要的地位。那么，如何判断一个随机变量服从正态分布显得尤为重要。如经过长期的观测，人们已经知道，很多工程测量中产生的误差X都是服从正态分布的随机变量。分析起来，造成误差的原因有仪器偏差X1、大气折射偏差X2,温度变化偏差X3、估读误差造成的偏差X4等等，这些偏差Xi 对总误差 的影响都很微小，没有一个起到特别突出的影响，虽然每个Xi的分布并不知道，但 却服从正态分布。类似的例子不胜枚举。 第5章概述 大数定律和中心极限定理就是使用极限方法研究大量随机现象统计规律性的。 阐明大量重复试验的平均结果具有稳定性的一系列定律都称为大数定律。 论证随机变量（试验结果）之和渐进服从某一分布的定理称为中心极限定理。 大数定律— 概率论中有关阐明大量随机现象 平均结果的稳定性的一系列定理。迄今为止,人们已发现 很多大数定律(laws of large numbers)所谓大数定律， 简单地说，就是大量数目的随机变量所呈现出的规律， 这种规律一般用随机变量序列的某种收敛性来刻画。 本章仅介绍几个最基本的大数定律。 定理1（切比雪夫大数定律） 设独立随机变量 分别有数学期望及方差， 且D（Xi）≤ C （C为常数，i = 1，2，…） 则对任意ε （＞0），恒有 或 （P·123） （5-3） 证明 因 为独立随机变量序列，故 根据切比雪夫不等式可得 利用计算极限的夹逼准则可知，上式成立。 本结果由俄国数学家切比雪夫于1866年证明，是关于大数定律的普遍结果，许多大数定律的古典结果都是它的特例. ●切比雪夫大数定律表明，当n 很大时，X1，X2， …，Xn的算术平均值 的取值，集中 在其数学期望 附近。 推论 设独立随机变量 服从同一 分布，且有数学期望μ 及方差σ 2 ，则对于 任意ε （＞0），恒有 （5-4） 即 当n 很大时， 设 为n 次独立试验中事件A发生的次数，p是A在 一次试验中发生的概率，则对任意ε （＞0），恒有 定理2 （贝努利大数定律） 设 为n 次独立试验中事件A发生的次数，p是A在 一次试验中发生的概率，则对任意ε （＞0），恒有 （其中 为A 发生的频率。） ●贝努利大数定律说明了当重复独立试验次数 n 很大时，频率与其概率之差可为任意小， 即说明了其频率的稳定性。 推论1使我们关于算术平均值的法则有了理论上的依据。如我们要测量某段距离，在相同条件下重复进行n次，得n个测量值 ，它们可以看成是n个相互独立的随机变量具有相同的分布、相同的数学期望μ和方差 ，由推论1的大数定律知，只要n充分大，则以接近于1的概率保证 这便是在n较大情况下反映出的客观规律,故称为“大数”定律。 比推论1条件更宽的一个大数定律是辛钦（Khintchine）大数定律,它不需要推论1条件中“方差 存在”的限制，而在其它条件不变的情况下，仍有（5-4）式的结论。