概率统计六.pptVIP

贝努利大数定律 * * 第六章 极限定理 切比雪夫不等式 大数定律 中心极限定理 为研究随机现象的统计规律,进行大量重复实验中,当实验次数n→∞时,频率fn在某种收敛意义下(依概率收敛)收敛于某一定数,这是大数定律所描述的内 容. 相互独立的随机变量的和的极限分布是正态分布而其概率分布近似于某一分布(如正态分布),这称为中心极限定理. §6.1.1 切比雪夫不等式 定理6.1 （ Chebyshev,俄罗斯）设随机变量X的数学期望与方差都存在，则对任意的 有 或者等价的形式 证：我们就连续型的情形证明； 切比雪夫不等式 可见，当E(X)，D(X)已知时，可对事件 发生的概率进行估计。 切比雪夫不等式 给出了在随机变量X的分布未知时，概率 P(|X-E(X)|≥ε)的一个上限， 当ε分别取时2σ，3σ，4σ时，有 P(|X-E(X)|≥2σ)≤1/4 P(|X-E(X)|≥3σ)≤1/9 P(|X-E(X)|≥4σ)≤1/16 例6.1已知某种股票每股价格X的平均值为1元，标准差为0.1元，求a，使股价超过1+a元或低于1-a元的概率小于10%。 解 由切比雪夫不等式 令 设随机变量序列X1,X2,…,Xn，若存在随机变量Y，使得对于任意正数?，均有 称随机变量序列{Xn}依概率收敛于随机变量Y，记为 依概率收敛 随机变量序列的收敛性 随机变量序列的收敛性 定义6.1（依概率收敛）设 是随机变量序列，若存在常数a；若对任意ε0, 有: 则称 依概率收敛于a 记为： 意思是：当 a 而 意思是： 时，Xn落在 内的概率越来越大 当 与 的区别？ 定理6.2 随机变量序列 切比雪夫不等式的应用 若 存在，且 满足 证：由切比雪夫不等式 两边取极限即可 定理6.3（切比雪夫大数定律）对独立的随机变量序列 §6.1.2 切比雪夫大数定律 （1） 都存在； 若满足 （2）方差有限，即存在常数 ，使得 则有 两个推论 推论1（独立同分布大数定律）设 则 注: 是独立的随机变量序列，且 推论2 在n次贝努利试验中，事件A发生 且A发生的概率为 ，则 的频率为 注: 证明:随机变量序列{Yn}依概率收敛于μ. 分析；要证{Yn}依概率收敛于μ,需证: 例5.2 中心极限定理 前面我们的讨论中讲过正态分布在随机变量的一切可能分布中占有特殊地位。在客观世界中，我们遇到的许多随机现象都是服从或近似服从正态分布的，为什么大量的随机变量都服从正态分布？ 俄国数学家李亚普诺(Ляпуров)证明了在某些非常一般的充分条件下，独立随机变量的和的分布，当随机变量的个数无限增加时，是趋于正态分布的. 在概率论中，把大量独立的随机变量和的分布以正态分布为极限的这一类定理统称为中心极限定理。它反映的随机变量的特点是：对随机现象起作用的因素众多，但无突出的因素，诸因素的影响微小而均匀，随机变量ξ可以看作是各微小因素叠加的结果。 ξ =?i ξi，和的分布常常是正态的。 §6.2 中心极限定理 定理6.4（林德伯格-列维）设随机变量序列 独立同分布，且 记 则对任意 ，有 该定理说明，当n充分大时， Yn近似地服从标准正态分布，Yn~N(0,1)， 随机变量 近似地服从于正态分布 中心极限定理可以解释如下：假设被研究的随机变量可以表示为大量独立的随机变量的和，其中每个随机变量对于总和的作用都很微小，则可以认为这个随机变量实际上是服从正态分布的。 在实际工作中，只要n足够大，便可把独立同分布的随机变量之和当作正态变量。 定理含义（渐近正态性） 独立同分布的随机变量之和 将 标准化： 得到新的随机 变量 ， 的分布函数的极限函数是 标准正态分布。也就是说，可近似地认为： 例6.4 将一颗骰子连掷100次，则点数 之和不少于500的概率是多少？ 解 设Xk为第k 次掷出的点数k=1,2,…,100，则X1,X2,…,X100独立同分布，而且 由中心极限定理 *