概率论与数理统计(五).pptVIP

第二节 大数定律 * 大数定律是在依概率收敛的意义下, 描述随机变量序列的算术平均的收敛性的有关定理。 先介绍一个重要的不等式。 1. 切比雪夫不等式 切比雪夫不等式描述的是随机变量的一个性质, 具有重要作用。 设随机变量 X 的数学期望和方差都存在, 则对任意的实数ε0, 都有 或 上述不等式称为切比雪夫不等式。 仅就连续型随机变量证明切比雪夫不等式, 有 ≤ ≤ = 切比雪夫不等式最初是为证明大数定律而引入的, 后来发现它还有很多别的作用, 估算事件的概率是其中之一。 例1. 设随机变量X1, X2,···, X10相互独立并且服从相同的分布, 已知它们的数学期望等于0, 方差等于1, Y = X1+ X2+ ··· + X10, 请估算概率 P{ ?10Y 10 } 之值。 解. E(Y) = 0, D(Y) = 10, 因此 P{?10Y10}=P{|Y |10 }=P{|Y－E(Y)|10 } 由切比雪夫不等式, 有 P{-10Y10}≥1－ 10 102 = 0.9 因此, 概率 P{?10Y10}之值在[0.9, 1]中。 2. 大数定律 定义1. 设随机变量序列X1, X2,···, Xn,··· 则称随机变量序列 { Xn } 服从大数定律。 服从大数定律的随机变量序列当 n 足够大时, 变量的算术平均充分接近其数学期望的算术平均有足够大的概率保证。 的数学期望均存在, 如果 服从大数定律的随机变量序列需要满足什么条件？ 介绍三个常见的定理: (1) 切比雪夫大数定律 设{ Xn }是相互独立的随机变量序列, 数学期望和方差均存在, 并且方差一致有界, 即存在常数 C, 使 D(Xi )≤C (i=1, 2,···),则随机变量序列 { Xn } 服从大数定律。 要证明 { Xn } 服从大数定律, 即是要证明 由于 任给ε0, 对 运用切比雪夫不等 式, 有 0≤P{ ≥ε} ≤ ≤ = 由极限的夹比准则, 得到 即是 (2) 独立同分布大数定律 设{ Xn }是相互独立的随机变量序列, 服从相同的分布, 数学期望和方差均存在, 则随机变量序列 { Xn } 服从大数定律。如果记 E(Xi ) =μ, D(Xi ) =σ2 (i=1, 2,···), 即有 由于{ Xn }相互独立, 数学期望和方差均存在, D(Xi ) =σ2 显然一致有界, 因此,满足切比雪夫大数定律的条件, 故 { Xn } 服从大数定律, 即 而 即得到 结论 这个定理表明: 数学期望和方差均存在的独立同分布随机变量的算术平均, 依概率收敛于数学期望。 以此为依据, 对随机变量 X 进行独立重复的观察, 则观测结果的算术平均以足够大的概率无限接近于 X 的数学期望 (理论均值)。 (3) 贝努里大数定律 设 Zn ~ B(n, p), 则当 时, 背景: 在 n 重贝努里试验中观察事件 A发生的次数, P(A) = p, 则 A 发生的频率依概率收敛于概率 p。 证明: 设 Xi 是第 i 次试验中A发生的次数, i = 1, 2, ··· ; 则 Xi 服从 (0-1) 分布, 且 X1, X2, ··· ··· 相互独立, 由 E( Xi ) = p, D( Xi ) = p(1- p)≤1 i = 1, 2, ··· ··· 于是, { Xn } 服从大数定律, 有 * * *