第5章大数定律及中心极限定理.pptVIP

设EX=μ ,DX=σ2 , 则对任意正数 ε，成立不等式 5.3 中心极限定理 在客观实际中有许多随机变量，它们是由大量的相互独立的随机因素的综合影响所形成的。而其中每一个别因素在总的影响中所起的作用都是微小的。这种随机变量往往近似地服从正态分布。 这种现象就是中心极限定理 的客观背景。 5.3 中心极限定理（续1） 定理5.3.1（独立同分布的中心极限定理 ）设随机变量X1,X2,…,Xn,...相互独立，服从同一分布，且 5.3 中心极限定理(续2) * * 大数定律的客观背景 大量抛掷硬币 正面出现频率 某字母使用 频率 生产过程中的 废品率 第5章 大数定律与中心极限定理 事件的频率在大样本下具有稳定性，即随着试验次数的增加，事件的频率逐渐稳定于某个常数. 大量测量值的平均值也具有这种稳定性，这种稳定性就是大数定律的客观背景. 证：（就连续型证） 或 5.1 Chebyshev不等式 5.2 大数定律 定理5.2.1（契比雪夫大数定律） 设 X1,X2, …是相互独立的随机变量，它们都有有限的方差，并且方差有共同的上界，即 D(Xk) ≤C，k=1,2, …， 契比雪夫 则对任意的ε0， 特别，当 则对任意的ε0， 证：由契比雪夫不等式， 即 令n→∞,并注意概率不能大于1， ∴ 称 依概率收敛于 契比雪夫大数定律表明，独立随机变量序列{Xn}，如果方差有共同的上界，则 与其数学期望 偏差很小的概率接近于1. 取值接近于其数学期望的概率接近于1. 即当n充分大时， 差不多不再是随机的了， 契比雪夫大数定律给出了 平均值稳定性的科学描述 5.2 大数定律 (续1) 与其数学期望 时,X1,X2,…,Xn的算术平均值 = 偏差很小的概率接近于1. 特别当 设nA是n重伯努利试验中事件A发生的 次数，p是事件A在每次试验中发生的概率， 则对任给的ε 0， 定理5.2.2（伯努利大数定律） 或 伯努利 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. 伯努利大数定律提供了通过试验来确定事件概率的方法. 5.2 大数定律 (续2) 证：因为nA~B(n,p),可记 nA=X1+X2+…+Xn X1,X2,…,Xn相互独立，E(Xi)=p,i=1,2,...,n. ∴ 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，具有有限的数学期望 E(Xi)=μ, i=1,2,…， 则对任给ε 0 ， 定理5.2.3（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. 5.2 大数定律 (续3) k=1,2,… 则 的标准化变量 的分布函数Fn(x)=P{Yn≤x}，对∨ x，满足： 即n很大时，Yn近似服从N(0,1)，或 = 即 定理5.3.2(棣莫佛－拉普拉斯定理） 设随机变量 服从二项分布B(n, p)，n=1,2,…,则对任意 x，有 定理表明，当n很大(一般n≥50)，0p1是一个定值时 （或者说，np(1-p)也不太小时），则 的标准化变量 的分布近似标准正态分布，或 N(np,np(1-p)). Yn近似服从