概率论与数理统计第15讲.pptVIP

此幻灯片可在网址上下载 第15讲 第五章 大数定律和中心极限定理 第一节 大数定律 在第一章曾讲过，事件A在多次独立重复试验中发生的频率fn(A)具有“稳定性”，即当n??时，fn(A)在“一定的意义下收敛于P(A)=p”，注意，此处的“收敛”不是指通常意义下的数列的收敛，即 P{fn(A)=0}=(1-p)n0,即不论N多大, 在N以后总有可能存在着n, 使fn(A)=0，对于这样的n，总有|fn(A)-p|=|0-p|=pe. 所以fn(A)不可能在通常的收敛意义下收敛到p.事实上，上述在“一定意义下fn(A)收敛于P(A)=p”是指 定义1 设Y1,Y2,…,Yn,…是一个随机变量序列, a是一个常数, 若对任何正数e, 有 依概率收敛序列具有如下性质： 定理1(伯努利大数定律) 设试验E是可重复进行的，事件A在每次试验中出现的概率P(A)=p(0p1), 将试验独立地进行n次，用nA表示其中事件A出现的次数，则对于任意正数e, 有 证 因为 nA~b(n,p), 故 E(nA)=np, D(nA)=np(1-p).由数学期望和方差的性质，有 定理1以严格的数学形式表述了概率的稳定性，即当n很大时，事件发生的频率与概率有较大偏差的可能性很小，由实际推断原理，在应用中，当试验次数很大时，便可以用事件发生的频率来代替事件发生的概率. 若记Xi为第i次试验中事件A出现的次数，即在第i次试验中，A出现则X取值为1，否则取值为0，则 定理2(切比雪夫大数定律的特殊情况) 设随机变量X1,X2,…,Xn,…相互独立，且具有相同的数学期望和方差: E(Xk)=m,D(Xk)=s2 (k=1,2,…). 作前n个随机变量的算术平均 证 由于 定理3 (辛钦大数定律) 设随机变量X1,X2 ,…,Xn ,…相互独立，服从同一分布，具有数学期望E(Xk)=m(k=1,2,…,), 则对于任意正数e，有 第二节 中心极限定理 对于中心极限定理的掌握，不需要去了解任何定理，只需要记住如下的描述即可：当一个随机变量X是由n个相互独立的随机变量的和构成，即X=X1+X2+…+Xn，则只要n足够大(最好超过100，但是，如果n大于20就足够好, 大于10有时也凑合)，而且这n个随机变量的数学期望和方差都存在，且它们的方差都差不多大，则X近似服从正态分布。(这里不管这n个随机变量的分布有多么地不同，甚至有的是离散型有的连续型。) 说严格点，假设X1,X2,…,Xn是n个相互独立的随机变量，其中E(Xi)=mi, D(Xi)=si2, i=1,2,…,n, X=X1+X2+…+Xn, 则根据数学期望和方差的性质可得E(X)=m=m1+m2+…+mn, D(X)=s2=s12+s22+…+sn2, 则只要n相当大(10)，就近似有X~N(m,s2).最常见的情况是X1,X2,…,Xn相互独立同分布它们的期望和方差都是m, s2, 则X=X1+…+Xn近似服从N(nm,ns2). 这其实就是定理1的意思. 一种情况是X~b(n,p), 则X可被视为由n个相互独立的0-1分布的随机变量相加构成，因为E(X)=np, D(X)=np(1-p)，因此只要n足够大(20)，就近似有X~N(np, np(1-p)). 这其实就是定理2(德莫佛-拉普拉斯中心极限定理). 例1 独立地掷10颗骰子，求掷出的点数之和在30到40点之间的概率.解 以Xi表示第i颗骰子掷出的点数(i=1,2,…,10), 则 X~N(35,29.16667)因此有 例2 在一家保险公司有一万人参加保险，每年每人付12元保险费. 在一年内这些人死亡的概率都为0.006，死亡后家属可向保险公司领取1000元，试求：(1) 保险公司一年的利润不少于6万元的概率;(2) 保险公司亏本的概率.解 设参保的一万人中一年内死亡的人数为X，则X~b(10000, 0.006)，E(X)=60, D(X)=59.64, 因此近似有X~N(60, 59.64), 保险公司年收入10000元保险费，付给死者家属1000X元，一年的利润为 120000-1000X=1000(120-X). 解 设参保的一万人中一年内死亡的人数为X，则X~b(10000, 0.006)，E(X)=60, D(X)=59.64, 因此近似有X~N(60, 59.64), 保险公司年收入10000元保险费，付给死者家属1000X元，一年的利润为 120000-1000X=1000(120-X).(1) 保险公司一年利润不少于6万元的概率为 解 设参保的一万人中一年内死亡的人数为X，则X~b(10000, 0.006)，E(X)=60, D(X)=59.64, 因此近似有X~N(60, 59.