《概率与数理统计》第05章 - 大数定律与中心极限定理.pptVIP

第五章 大数定律与中心极限定理 第一节 大数定律 第二节 中心极限定理 习题 第一节大数定律 第二节中心极限定理 习题 * 切比雪夫不等式 或 由切比雪夫不等式可以看出，若 越小，则事件{|X-E(X)| }的概率越大，即随机变量X 集中在期望附近的可能性越大. 证 我们只就连续型随机变量的情况来证明. 当方差已知时，切比雪夫不等式给出了随机变量X与它的期望的偏差不小于 的概率的估计式 . 如取 可见，对任给的分布，只要期望和方差 存在， 则 X 取值偏离 E( X ) 超过 3 的概率小于0.111 . 例 已知正常男性成人血液中 ，每一毫升白细胞数平均是7300，均方差是700 . 利用切比雪夫不等式估计每毫升白细胞数在5200~9400之间的概率 . 解：设每毫升白细胞数为X 依题意，E(X)=7300,D(X)=7002 所求为 P(5200 X 9400) P(5200 X 9400) = P(-2100 X-E(X) 2100) = P{ |X-E(X)| 2100} 由切比雪夫不等式 P{ |X-E(X)| 2100} 即估计每毫升白细胞数在5200~9400之间的概率不小于8/9 . 大量随机试验中 大数定律的客观背景 大量抛掷硬币正面出现频率 生产过程中的废品率 字母使用频率 …… 例如： 定义 性质 注意 : 切比雪夫大数定律：设X1, X2, …是相互独立的随机变量序列，如果存在常数C，使得D(Xk) ≤C (k=1,2,…)，则对于任意正数ε有 也就是： 故 证明： 切比雪夫不等式 设 nA 是n次独立重复试验中事件A发生的次数，p是事件A在每次试验中发生的概率，则对于任意正数ε 0 ，有 贝努利大数定律： 或 也就是： 证明: 当重复试验次数n充分大时，事件“频率nA/n与概率p的偏差小于ε”概率趋于1。由实际推断原理，实际上这个事件几乎是必定要发生的。这就是所谓的“频率稳定性”。 在实际应用中，当试验次数很大时，就可以用事件的频率来代替事件的概率。 定理的理解: 辛钦大数定律：设X1, X2, …是相互独立，服从同一分布的随机变量序列，且具有数学期望E(Xk)=μ(k=1,2,…)。则对于任意正数ε有 前n个变量的算术平均 也就是： 中心极限定理的客观背景 在客观实际中，许多随机变量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所起的作用都是微小的。 例如：炮弹射击的落点与目标的偏差，就受着许多随机因素（如瞄准，空气阻力，炮弹或炮身结构等）综合影响的。每个随机因素的对弹着点（随机变量和）所起的作用都是很小的。 这样的随机变量往往近似地服从正态分布！ 下面演示不难看到中心极限定理的客观背景 例:20个0-1分布的和的分布 X1 ~f(x) X1 +X2~g(x) X1 +X2+X3~ h(x) 几个(0,1)上均匀分布的和的分布 0 1 2 3 x f g h 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的随机变量. 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. 一、中心极限定理 定理1（独立同分布情形下的中心极限定理） 注 3、在一般情况下，我们很难求出 的分布函数。但当n很大时，可用正态分布来近似求解。 定理2（德莫佛－拉普拉斯中心极限定理） 设随机变量 (n=1,2,‥‥)服从参数n,p(0p1) 的二项分布，则对任意x，有 证 定理表明：二项分布的极限分布是正态分布， 即 证毕。 定理3（李雅普诺夫中心极限定理） 定理的理解 : 二、例题 例1 于是 解: 例2 解 *