§4.4大数定理与中心极限定理.pptVIP

§4.4 大数定理与中心极限定理 概率论与数理统计是研究随机现象统计规律性的学科. 而随机现象的规律性在相同条件下进行大量重复试验时会呈现出来的. 例如, 在概率的统计定义中, 曾提到一事件发生的频率具有稳定性, 即事件发生的频率趋于事件发生的概率, 其中所指的是: 当试验次数无限增大时, 事件发生的频率在某种收敛意义下逼近某一定数(事件发生的概率). 这就是最早的一个大数定理. 一般的大数定理讨论n个随机变量的平均值的稳定性. 一、切比雪夫(Chebyshev)不等式定理1 设随机变量X期望E(X)=m, 方差D(X)=s2, 则对于任给e0, 有 图示 证明 这里只证明X为连续型随机变量的情形, 设X的概率密度为f(x), 则有 注: ①由切比雪夫不等式可以看出, 若D(X)越小, 则事件 {|X-E(X)|e}的概率越大, 即, 随机变量X集中在期望附近的可能性越大. 由此可见方差刻划了随机变量取值的离散程度. ②当方差已知时, 即D(X)=s2, 切比雪夫不等式给出了X与它的期望的偏差不小于e的概率的估计式. 如取e=3s, 则有 例1 已知正常男性成人血液中, 每一毫升白细胞数平均是7300, 均方差是700. 利用切比雪夫不等式估计每毫升白细胞数在5200~9400之间的概率.解 设每毫升白细胞数为X, 依题意, E(X)=7300, D(X)=7002,P{5200?X?9400} =P{5200-7300?X-7300?9400-7300} =P{-2100?X-E(X)?2100} =P{|X-E(X)|?2100}. E(X)=7300, D(X)=7002, P{5200?X?9400}=P{|X-E(X)|?2100}.由切比雪夫不等式 依概率收敛与微积分学中的收敛性的概念类似, 在概率论中, 我们要考虑随机变量序列的收敛性. 定义1 设X1,X2, …,Xn, …是一个随机变量序列, a为一个常数, 若对于任意给定的正数e, 有 二, 大数定理首先引入随机变量序列X1,X2,…,Xn,…相互独立的概念. 若对于任意n1, X1,X2,…,Xn相互独立, 则称X1,X2,…,Xn,…相互独立. 定理2 设随机变量X1,X2, …,Xn, …相互独立, 且具有相同的期望和方差 E(Xi)=m, D(Xi)=s2, i=1,2,…记 证明 2. 伯努利大数定理推论 (伯努利大数定律)设nA是n重伯努利试验中事件A发生的次数, p是事件A在每次试验中发生的概率, 则对任意的e0, 有 证明 因为nA~b(n,p), 所以 nA=X1+X2+…+Xn,其中X1,X2, …,Xn相互独立, 且都服从以p为参数的0-1分布. 因而 E(Xk)=p, D(Xk)=p(1-p) (k=1,2, …,n),由定理2即得 ②如果事件A的概率很小, 则由伯努利大数定律知事件A发生的频率也是很小的, 或者说事件A很少发生. 即概率很小的随机事件在个别试验中几乎不会发生, 这一原理称为小概率原理, 它的实际应用很广泛. 但应注意到, 小概率事件与不可能事件是有区别的. 在多次试验中, 小概率事件也可能发生. 四, 中心极限定理中心极限定理描述如下:当一个随机变量X, 是由n个相互独立(可以不同分布不同数学期望不同方差,但是方差要存在)的随机变量X1,X2, …,Xn相加构成, X=X1+X2+…+Xn, 则只要这n个随机变量的方差是差不多大的, n是足够大的, 则X近似服从正态分布, X的数学期望和方差, 就是各个X1,X2, …,Xn的数学期望之和与方差之和. (一般n要大于20以上) 一个常用到中心极限定理的情况是二项分布, 即X~b(n,p), 其中n较大, 通常要大于20, 则X是n个0-1分布的相互独立的随机变量X1,X2, …,Xn之和. 而因为E(X)=np, D(X)=np(1-p), 因此近似有X~N(np, np(1-p)). 这被称为棣莫佛-拉普拉斯定理. 例2 一盒同型号螺丝钉共有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,且它们之间独立同分布, 于是一盒螺丝钉的重量X=X1+X2+…+Xn近似服从正态分布, 因E(Xi)=100, D(Xi)=100, i=1,2, …,100,则E(X)=10000, D(X)=10000, 近似有X~N(10000, 1002) 求一盒螺丝钉的重量超过10.2kg的概率.X~N(10000, 1002), 因此 例4 某公司有200名员工参加一种资格证书考