大数定理和中心极限定理.pptVIP

第6章 大数定理和中心极限定理 6.1 大数定理 6.2 中心极限定理 6.1 大数定理 学校有10000个学生，平均身高为a；若随意观察1个学生的身高X1，则X1与a可能相差较大。 若随意观察10个学生的身高X1, X2 ,…, X10 ，则10个数据的均值(X1+X2+…+X10 )/10与a较接近； 若随意观察100个学生的身高X1, X2 ,…, X100 ，则100个数据的均值(X1+X2+…+X100 )/100与a更接近； 若随意观察n(n＜10000)个学生的身高X1, X2 ,…, Xn ，则n个数据的均值(X1+X2+…+Xn )/n，随着n的增大而与a接近。 定理1 (辛钦大数定理) 设X1, X2 ,…, Xn …是独立同分布的随机变量，记它们的公共均值为a，又设它们的方差存在，并记为?2，随机变量的频率为 ，则对任意给定的 ?＞0，有 定理1的意义：随着n的增大， 依概率意义越来越接近a；而 不接近a的可能性越来越小。 (该定理的证明需要用契比雪夫不等式。） 6.1.1 马尔科夫不等式 若X是只取非负值的随机变量，则对任意常数? 0，有 证明 6.1.2 契比雪夫不等式 若D(X)存在，则对任意常数? 0，有 证明 定理1的证明： 6.1.3 伯努利大数定理 (频率收敛于概率) 设pn是n重伯努利试验中事件A出现的频率( )，在每次试验中P(A)=p是常数，设Xn~B(n，p)，其中n=1,2, …， ( 0＜p＜1)则对任意正数?＞0，有 伯努利大数定理的意义：随着n的增大，依概率意义讲，频率pn越来越接近概率p，而pn不接近p的可能性越来越小。 但不能说： 。因为可能有 pn ? p 情形(虽然这些例外情形出现的概率趋于0)。 证明： 6.2 中心极限定理 设X1, X2 ,…, Xn …是一系列随机变量，通常把论证和函数X1+X2+…+Xn的分布收敛于正态分布的这类定理叫做“中心极限定理”。 定理2 (莱维－林德伯格(Levy-Lindberg)定理)、 (独立同分布的中心极限定理) 设X1, X2 , …, Xn…是独立同分布的随机变量，它们有相同的均值E(Xi)=a，和相同的方差为D(Xi)=?2 (0?+?), 则对任意实数x，有 (证明略) 说明：和函数Yn=X1+X2+…+Xn E(Yn)=E(X1)+E(X2)+…+E(Xn) = na D(Yn)=D(X1)+D(X2)+…+D(Xn) = n?2 将Yn“标准化”： “标准化”后的和函数的分布函数Fn(x): 和函数X1+X2+…+Xn在“标准化”后的分布函数Fn(x)，随着n的增大，Fn(x)逐渐趋向于标准正态分布函数。 值得注意的是，每个Xi的概率分布可以是未知的，不 一定是正态分布。 定理2的意义：若有无数多种因素X1, X2 ,…, Xn …对事物产生影响，每个因素的影响都很小，所有这些因素的综合影响可认为是Y=X1+X2+…+Xn+…, 则这些因素综合影响的结果呈现出正态分布。 所以，在自然界中很多问题都可用正态分布研究。 定理3(棣莫弗-拉普拉斯(De Moivre－Laplace)定理) 设X1, X2 ,…, Xn …是独立同分布(0-1分布)的随机变量，P(Xi=1)=p, P(Xi=0)=1-p， (0＜p＜1)， i=1,2,… 则对任意实数x，有 证明 由于E(Xi)=p, D(Xi)=p(1-p) i=1,2,…. 代入定理2的公式，a=p, ?= 有 定理3是定理2的特例，定理3用正态分布逼近两项分布。 设Yn是n重伯努利试验中事件A出现的次数，在每次试验中P(A)=p是常数(0＜p＜1), Yn～B(n,p)。 设Xi是第i次试验时A出现的次数，则Xi服从0-1分布， P(Xi=1)=p, P(Xi=0)=1-p, (0＜p＜1), i=1,2,… Yn=X1+X2+…+Xn , 所以定理3的另一种描述方式： 定理3的另一说法(棣莫弗-拉普拉斯定理) 设Yn是n重伯努利试验中事件A出现的次数，在每次试验中P