概率论五.pptVIP

5.3 中心极限定理 问题的直观背景. 例1 设炮弹射击的目标位置是原点(0,0)，炮弹的落点设为(X,Y)，它的一个坐标，例如X, 也是落点对目标沿X轴的偏差，X是随机的，产生偏差的原因有种种： 瞄准时有误差X1, 炮弹或炮身结构所引起的误差X2, 空气阻力产生的误差X3, ……。因而X可以看成这些误差的总和： X=∑Xi 。 对我们重要的是研究X的分布。 例2 考虑可列重贝努里试验序列，事件A表示在每次试验中出现的概率为p。随机变量Xk定义为： 因而， 表示前n次试验中A出现的总次数，我们关心问题是： 当n趋于无穷大时， 的分布函数趋于什么？ 由于 可以取无穷大为值，故最好不研究 本身，而 考虑（譬如说）它的标准化随机变量： 的分布函数的极限。 上述定理表明： 在相当广泛的情形下，无论独立的随机变量Xk服从何种分布，只要 n充分大，那么它们的和就近似地服从正态分布：即近似有 这就是为什么正态分布在概率论中占有非常 重要地位的一个基本原因。 作业： P151：T8，T9 19 作业： P151：T8，T9 13. 习题四 14. 18. 设(X,Y)服从[0,a]×[0,a]上的均匀分布,求E|X-Y|. 解:由题意得 得 根据 a a y=x X Y 0 x-y0 x-y0 S1 S2 习题五 2.1） 2.2） * * 第五章 大数定律及中心极限定理 定义(概率的统计定义): 在一定条件下,重复做 次实验, 为 次实验中事 件A发生次数,如果随着n逐渐增大,频率 逐渐稳定 在某一数值p 附近, 则数值 p 称为事件A在该条件下发生 的概率,记作 . 5.2 大数定律 定义 设随机变量序列{Xn}，如果存在一个常数a，使得 对任意的 ε 0，有 =1 则称依概率收敛于a,记作 注：若g(x)在点a连续，则有： 定义（服从大数定律） 设X1,X2,…, Xn,…,是随机变量序列,若存在一个常数序列a1,a2,…,an,…,使得对任意的ε0 ，有 则称随机变量序列{Xn}服从大数定律. 契比雪夫(Chebyshev)不等式 设 的概率密度函数为 ，则有 这里只讨论连续情形，对于离散情形，可比照自行完成。 Chebyshev不等式也常写成如下的形式： 例5.2.1 设在重复独立试验中，每次事件A发生的概率 为1/4，问是否可用0.925的概率，确信在1000次试验中， 事件A发生的次数在200~300之间。 设X表示1000次独立重复试验中事件A发生的次数，则 定理（切比雪夫大数定律） 设随机变量序列{Xk}相互独立，具有有限方差，且存在常数 使得D(Xk)≤ (k=1,2,...), 则对任意的正数ε ，有 证 因为 但概率不能大于1，所以 定理(马尔可夫大数定律) 若随机变量序列满足马尔可夫 条件 则对任意的ε0 ,有 定理（贝努利大数定律） 记nA为n次重复独立实验中事件A发生的次数，p为事件A在每次实验中发生的概率，则对任意的正数ε ，恒成立 因此， 定理（辛钦大数定律） 设{Xk}为相互独立的随机变量序列，服从同一分布，且E(Xk)=μ，(k=1,2,...),则对任意的正数ε ，恒有 定理（林德贝格—勒维中心极限定理） 又称独立同分布 中心极限定理 例5.3.1 用机器包装味精, 每袋味精净重为随机变量, 期望值为 100克, 标准差为10克,一箱内装200袋味精, 求一箱味精净重大于20500克的概率? 解: 设一箱味精净重为X, 箱中第 i 袋味精净重为Xi, (i=1,2,…,200) 则 X1,X2,…,X200独立同分布, EXi=100, DXi=102=100, 且 由独立同分布的中心极限定理得: X近似服从正态分布,且 EX=200EXi=20000, DX=200DXi=20000, 所求为P(X20500)= 1-P(X≤20500) =0.0002 故 一箱味精净重大于20500的概率为0.0002. 定理（德莫佛—拉普拉斯中心极限定理） 证毕。 特别，若X～Ｂ（n，p）,则当n充分大时，近似的有 推论: 即　若随机变量Ｘ～Ｂ（n，p），则对任意实数x有 Ｘ～Ｎ（np，npq） 注意：(1) 以上定理表示： 当n重 Bernoulli实验次数很大时(n≥100，p接近于0.5), 二项分布