概率论课件第三章.pptVIP

§2.1 数学期望 若用X 表示他射击时命中的环数，则X 是一个随机变量，其分布律可表示为 补 充 例 题 我们已知道如下命题： 注意： 以上逆命题一般不成立,即X与Y 不相关时,不 一定独立.然而，在正态分布的场合,独立性与不相 关性是一致的。 若X与Y 相互独立，则X与Y 不相关。 二维正态分布 由前面章节讨论可知 结论 3.3.3 矩 其中 k 是正整数. 协方差Cov(X,Y)是X 和Y 的二阶混合中心矩. 称它为X和Y 的k+l 阶混合(原点)矩. 若 存在， 称它为X和Y的k+l 阶混合中心矩. 设X和Y是随机变量，若 k,l=1,2,… 存在， 在数学中大家都注意到这样的现象：有时候一个有限的和很难求, 但一经取极限由有限过渡到无限,则问题反而好办.例如, 若对某一 x ,要计算和 而一经取极限，则有 简单的结果 §3.4　大数定律与中心极限定理 事实证明这是可能的，而且在一般情况下和的极限分布就是正态分布，由此可见正态分布的重要性。对和的分布收敛于正态分布的这一类极限定理的研究，在长达两个世纪的时期内成了概率论研究的中心课题，因此得到了“中心极限定理”的名称。本章将列述这类定理中最简单，然而也是最重要的情况。 3.4.1 切比雪夫不等式 或 3.4.2 大数定律 定理1（切比雪夫大数定律） 设 X1,X2, …是相互独立的随机变量序列，它们都有有限的方差，并且方差有共同的上界，即 D(Xi) ≤K，i=1,2, …， 切比雪夫 则对任意的 有 或 证 两边夹,即得结论. 解释: 取值接近于其数学期望的概率接近于1. 当n充分大时， 差不多不再是随机的了, 推论（伯努利大数定律） 或 伯努利 下面给出的伯努利大数定律, 是定理1的一种特例. 设nA是n重伯努利试验中事件A发生的次数，p是事件A发生的概率，则对任给的 ,有 引入 i =1,2,…,n 则 而 由切比雪夫大数定律， 是事件A发生的频率， 伯努利大数定律表明，当重复试验次数n充分大时，事件A发生的频率nA/n与事件A的概率p有较大偏差的概率很小. 这就是频率稳定性的理论解释。 历史上，伯努利第一个研究了这种类型的极限定理，在1713年发表的论文中(这是概率论的第一篇论文!),他建立了以上定理。所以有人认为，概率论的真正历史应从出现伯努利大数定律的时刻算起。 下面给出的独立同分布下的大数定律，不要求随机变量的方差存在. 设随机变量序列X1,X2, …独立同分布，具有有限的数学期E(Xi)=μ, i=1,2,…， 补充定理（辛钦大数定律） 辛钦 辛钦大数定律为寻找随机变量的期望值提供了一条实际可行的途径. 例如要估计某地区的平均亩产量，要收割某些有代表性的地块，例如n 块. 计算其平均亩产量，则当n 较大时，可用它作为整个地区平均亩产量的一个估计. 中心极限定理的客观背景 在实际问题中，常常需要考虑许多随机因素所产生总影响. 例如：炮弹射击的落点与目标的偏差，就受着许多随机因素的影响.对我们来说重要的是这些随机因素的总影响. 3.4.3 中心极限定理 观察表明，如果一个量是由大量相互独立的随机因素的影响所造成，而每一个别因素在总影响中所起的作用不大. 则这种量一般都服从或近似服从正态分布. 自从高斯指出测量误差服从正态分布之后，人们发现，正态分布在自然界中极为常见. 中心极限定理，正是从理论上证明，对于大量的独立随机变量来说，只要每个随机变量在总和中所占比重很小，那么不论其中各个随机变量的分布函数是什么形状，也不论它们是已知还是未知，而它们的和的分布函数必然和正态分布函数很近似。这就是为什么实际中遇到的随机变量很多都服从正态分布的原因，也正因如此，正态分布在概率论和数理统计中占有极其重要的地位。 下面介绍几个常用的中心极限定理。 在概率论中，习惯于把和的分布收敛于正态分布这一类定理都叫做中心极限定理. 由于无穷个随机变量之和可能趋于∞，故我们不研究n个随机变量之和本身而考虑它的标准化随机变量 的分布函数的极限. 定理3（独立同分布的中心极限定理） （证略） 此定理说明,当n充分大时,有 或 上述定理也称列维一林德伯格(Levy-Lindberg)定理. 下面给出上述定理的一个重要特例。 定理4（棣莫弗-拉普拉斯中心极限定理 ） 设随机变量 服从二项分布 ， ，记 ，则 或 即有近似计算公式 (2)