概率论与随机过程-培训教案.pptVIP

* 贝努利定理表明事件发生的频率nA/n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。就是说当n很大时，事件发生的频率与概率有较大偏差的可能性很小。由实际推断原理，在实际应用中，当试验次数很大时，便可以用事件发生的频率来代替事件的概率。 * 显然，切比雪夫定理可由以上定理推出。重要的是上述定理已经没有关于独立性的假定。 * 有关这一类极限定理我们称之为中心极限定理，本节我们介绍三个常用的中心极限定理。 中心极限定理 07-08-I * 林德贝格条件相当于是说总和中的各加项“均匀地小”。1935年，费勒指出，在某种条件下（费勒条件，相当于说总和是大量“可以忽略”的分量之和），这个条件也是必要的。这样就搞清了独立和向正态分布收敛的充要条件。 由此得到了所谓的林德贝格-费勒定理。 中心极限定理 07-08-I * 林德贝格条件在实际使用中不易验证。便于实际使用的是下面的李雅普洛夫中心极限定理。 * 即无论各个随机变量Xk(k=1，2，…)服从什么分布，只要满足定理的条件，那么它们的和X1+X2+…+Xn当n很大时，就近似服从正态分布。这就是为什么正态随机变量在概率论中占有重要地位的一个基本原因。也解释了为什么在自然界和社会现象中很多随机变量服从正态分布或近似服从正态分布。 第五章大数定律与中心极限定理 一、大数定律 现象： (1) 事件发生的频率具有稳定性，即随着试验次数的增加，事件发生的频率逐渐稳定于某个常数。 (2) 在实践中人们还认识到大量测量值的算术平均值也具有稳定性。 定义1 设X1,X2,…,Xn,…为一随机变量序列,如果对于任意正整数k(k≥2)及任意k个随机变量 相互独立，则称随机变量序列X1,X2,…,Xn,…相互独立。 定义2 设Y1，Y2，…Yn，…是一随机变量序列，若对任意正数ε，有 ,则称序列Y1，Y2，…Yn，…依概率收敛Y，记为 定义3 设{Xn}为一随机变量序列,E(Xn)存在，记 则称{Xn}服从（弱）大数定律。 2．大数定律的定理 定理1(切比雪夫大数定律) 设X1，X2，…,Xn，…是相互独立的随机变量序列，且具有相同的数学期望与方差：E(Xk)=μ，D(Xk)=σ2(k=1，2…),则{Xn}服从大数定律。即对于任意正数ε，有 由切比雪夫不等式对于任意正数ε，有 令n→∞，注意到概率不能大于1，即得 定理2(贝努利大数定律) 设nA为n次独立重复试验中事件A发生的次数。p是事件A在每次试验中发生的概率,则事件A的频率依概率收敛到概率p，即对于任意正数ε，有 证：引入随机变量 由于各次试验是独立的。于是X1，X2，…,Xn是 相互独立的；又由于Xk服从(0-1)分布，所以E(Xk)=p，D(Xk)=p(1-p)，k=1，2，…，n，…。 显然: nA=X1+X2+…+Xn， 由定理一有 切比雪夫大数定理的条件可以减弱，辛钦证明了在独立同分布的场合大数定律成立并不要求方差存在. 定理3(辛钦大数定律) 设随机变量X1，X2，…,Xn，…相互独立，服从同一分布，具有数学期望E(Xk)=μ (k=1，2，…)，则对于任意正数ε，有 在切比雪夫大数定律的证明过程中可以看出只要 (△)， 则大数定理就能成立。 这个条件称为马尔可夫条件。 因此更一般的定理有马尔可夫大数定理：对于随机变量X1，X2，…,Xn，…，若条件(△)成立，则对于任意ε0，有 注释 二、中心极限定理 现象： 在实际中所遇到的许多随机变量，往往服从正态分布或近似服从正态分布。 例如测量误差，成绩的分布，城市中某时刻的用电量等随机变量均近似服从正态分布。 他们共同的特点：这些随机现象是由大量的相互独立随机因素的综合作用的结果。而其中每个个别因素所起的作用是微小的，只是它们作用总和中的一部分。大量实践经验告诉我们这一总和的分布是近似服从正态分布。 * 数学描述 观察表明：如果一个量 是由大量相互独立的随机因素 的影响所造成， 而每一个别因素在总影响中所起的作用不大. 则这种量一般都服从或 近似服从正态分布. r. v. X 独立r.v.s.X1,X2,… X=X1+X2+… X1,X2,…同分布，不妨设EXi=μ, DXi=σ2 当n→∞时，X=X1+X2+…+Xn的分布函数的极限是正态分布的分布函数。 “当n→∞时，X=X1+X2+…+Xn的分布函数的极