概率论课件 第4章第1讲大数定律与中心极限定理.pptVIP

具体做法如下: 小结 大数定律的客观背景； 大数定律的定义； 几种大数定律：契贝晓夫(Chebyshev)大数定律；贝努里大数定律;辛钦大数定律 * * §4.1 大数定律 “概率是频率的稳定值”。当随机试验的次数无限增大时，频率总在其概率附近摆动，逼近某一定值。大数定理就是从理论上说明这一结果。正态分布是概率论中的一个重要分布，它有着非常广泛的应用。 第四章大数定律与中心极限定理 中心极限定理阐明，原本不是正态分布的一般随机变量总和的分布，在一定条件下可以渐近服从正态分布。这两类定理是概率统计中的基本理论，在概率统计中具有重要地位。 大量的随机现象中平均结果的稳定性 大数定律的客观背景 大量抛掷硬币 正面出现频率 字母使用频率 生产过程中的 废品率 …… 定理（契贝晓夫 (Chebyshev)不等式）:设随机变量X具有数学期望 ,方差 ,则对于任意正数ε,有 大数定律的定义 定义:设 是随机变量序列，数学期望 (k=1,2,...)存在，若对于任意ε0,有 则称随机变量序列 服从大数定律. 几种大数定律 定理(契贝晓夫(Chebyshev)大数定律): 设 是两两不相关的随机变量序列,具有数 学期望 和方差 ，k=1,2,...,若 存在常数C,使得 ,k=1,2,...,则对于任意 给定的ε0,恒有 证明： 契贝晓夫大数定律的特殊情况 推论:设 是两两不相关的随机变量序列, 具有相同的数学期望 和方差 k=1,2,..., 则对于任意给定的ε0,恒有 的了，取值接近于其数学期望的概率接近于1. 即当n充分大， 差不多不再是随机 契贝晓夫大数定律表明，独立随机变量序列，如果方差有共同的上界，则 偏差很小的概率接近1. 其 数学期望 与 例:设 是相互独立的随机变量序列,均服从参数为λ的泊松分布,则 服从大数定律. 证明:已知 , ,所以 满足契贝晓夫大数定律的所有条件,故对于任意给定的ε0,恒有 即 服从大数定律. 令 例2：设随机变量序列{ }独立同分布 则随机变量序列{ }服从大数定律，即 ，有 证明: 定理(贝努里大数定律):设进行n次独立重复试验，每次试验中事件A发生的概率为p，记μn为n次试验中事件A发生的频率，则对任意的ε0,有 证明: 第i次试验事件A发生 第i次试验事件A不发生 贝努里 由契贝晓夫大数定律有 则 　 贝努里大数定律表明，当重复试验次数n充分大时，事件A发生的频率μn与事件A的概率p有较大偏差的概率很小. 贝努里大数定律提供了通过试验来确定事件概率的方法.（理论保障） 蒲丰投针问题中解法的 理论依据就是大数定律 当投针次数n很大时，用针与线相交的频率m/n近似针与线相交的概率p，从而求得π的近似值. 针长L 平行线距a 解: 解: 则对于任意给定的ε0,恒有 例5(马尔可夫大数定律):设随机变量序列{ },若满足马尔可夫条件 解: 辛钦 定理(辛钦大数定律):设{ }是相互独立同分布的的随机变量序列,若有数学期望 (k=1,2,…),则对于任意给定的ε0,恒有 证明留在下一次课 注:若对同一随机变量进行观察,把每一次观察的结果看作一个随机变量,得到一列相互独立同分布的随机变量序列.由辛钦大数定律知:对随机变量进行n次观察的算术平均值依概率收敛于该随机变量的数学期望,这就为寻找随机变量的数学期望提供了一条切实可行的途径. 例6：用蒙特卡洛法计算定积分（随机投点法） 解：设 则 作业 P222 　4.24, 4.25,4.26,4.29