第四单元 极限定理.pptVIP

二项分布的随机变量可看作许多相互独立的 0-1 分布的随机变量之和，下面是当 X ~B(20,0.5) 时，X的概率分布图： * * §4.1 大数定律 一、问题的提出 1.频率的稳定性：在第一章概率的统计定义里提到，在大量 重复试验中，事件A发生的频率mn/n在[0，1]内的某个数p附近摆动， 且试验次数n越大，摆动的幅度越小.把频率的稳定值p叫做概率. 这里频率的稳定性并非 而是随着n的不断增加，频率mn/n趋向于概率p几乎是必然的，或频率远离概率几乎是不可能的. 即 2.一般平均结果也具有稳定性 如：测量长为a的木棒，在测量中，由于各种因素的影响，测量结果是个随机变量. 做n次测量，其算术平均值 也不就等于a，但当n→∞时，算术平均值几乎就是a. 即 3. 大数定理的一般概念 凡是用来阐明大量的随机变量的平均结果具有稳定性的一系列定理统称为大数定律. 定义4.1 设X1，X2，…，Xn,…是随机变量序列，记作{Xn} 令 它仍是随机变量. 若存在常数列{an},使任ε0, 有： 则称 服从大数定理. 注 10 依概率收敛—— 设{Xn}为随机变量序列，a为常数，若 则称随机变量{Xn}依概率收敛于a. 记作 20 大数定理反映的就是平均结果依概率收敛于一个常数. 二、切贝晓夫（Chebyshev）大数定理 （2）X的方差越小，P(|X -EX|e )就越大，即X的取值越集中在EX 附近.这进一步说明了方差的含义：刻划了随机变量取值与均值的离散程度. 证明： 设X 为连续型随机变量，其密度函数为f(x) 注（1）结论 等价于 设随机变量X 的期望EX及方差DX存在，则对任意的 e 0，有 EX EX-? EX+? 1.切贝晓夫不等式 例1 某电网有10000盏灯，夜晚每盏灯打开的概率为0.7,假定 各灯的开、关彼此独立. 用切比晓夫不等式估计夜晚同时开着 的灯的数量在6800与7200之间的概率. 解：设X表示夜晚同时开的灯数，则X~B（10000，0.7）. EX=7000，DX=2100 由切贝晓夫不等式得: （3）切贝晓夫不等式用于估计概率，只要知道期望和方差即可.可以不需要知道概率分布，因此，估计结果不很精确. （4）切贝晓夫不等式用来证明切贝晓夫大数定理. 由切贝晓夫不等式 证： 2. 切贝晓夫大数定理 定理4.1 设X1, X2, …, X n, … 是相互独立的随机变量序列，期望EX1, EX2, …, EXn, … 及方差DX1, DX2, …, DXn, …都存在，且方差有界（对任意 i 有DXi ? M（常数）），则对于任意的 ? 0，恒有 推论 设X1, X2, …, Xn, … 是独立同分布的随机变量序列， EXi =? , DXi =? 2 （i=1，2， …），则对于任意的 ? 0，恒有 注:(1) (3)当n充分大时,“n个独立随机变量的算术平均”的离散程度是 很小的.即，只要n充分大，尽管n个随机变量可以各有分布， 但其算术平均以后得到的随机变量 将较密集地聚集在它的 期望 附近，不再为个别随机变量所左右---大数定律. 推论中方差的存在性可去掉， 得如下结论 辛钦大数定理：设X1,X2, …,Xn, …是独立同分布的随机变量序列 EXi =? , （i=1，2， …），则对于任意的 ? 0，恒有 算术平均值可作为期望值的近似值. 这一推论使算术平均值的法则有了理论根据.假使要测量某 一个物理量a ,在不变的条件下重复测量n次，得到的观测值x1, x2, …, xn 是不完全相同的，这些结果可以看作是服从同一分布并且期望值为a 的n个相互独立的随机变量 X1, X2, …, Xn …的试验数 值.由推论可知，当n充分大时,取( )作为a 的近似值， 可以认为所发生的误差是很小的.即对于同一个随机变量X 进行n 次独立观察，则所有观察结果的算术平均数依概率收敛于随机变量的期望值 EX= a . 三、贝努利大数定理 证：令 设 mn 为 n 重贝努利试验中事件 A 发生的次数，p 是 A 在每次 试验中发生的概率，则对任意的 ? 0 有 或 X1, X2, …, Xn 独立同分布,都服从0-1分布，EXi = p, DXi = p(1-p) 由Th4.1推论得：对于任意的 ? 0，恒有 该定理给出了频率的稳定性的理论依据，说明在试验 条件不变的情况下，重复进行多次试验时，事件A发生的 频率将依概率收