大数第一定律.pptVIP

* 第五章 极限定理 随机变量序列的两种收敛性 两种收敛性： (1) 依概率收敛:用于大数定律； (2) 按分布收敛:用于中心极限定理. 第5.1节 大数定律 “概率”的概念是如何产生的? 设 次独立重复试验中事件 发生的 随机变量 频率 概率 “频率稳定性”的严格数学描述是什么? 怎样定义极限 次数为 则当 时,有 n重伯努利试验 怎样理解“越来越接近”？ 则A发生的频率为 A={正面朝上} 实例: “抛硬币”试验 将一枚硬币连续抛n次,记 次试验中A发生的次数 频率稳定性 是随机变量列 (1) 正面朝上 反面朝上 蒲丰抛硬币模拟试验N=4048 设想一下,会不会出现这样的实验结果: 试验结果: 则A发生的频率为 A={正面朝上} 实例: “抛硬币”试验 将一枚硬币连续抛n次,记 次试验中A发生的次数 是随机变量列 频率稳定性 (1) 是定义在样本空间?上的函数列 (2) 对于随机变量列,是否有 不太现实, 要求太严! 定义 大数定律讨论的就是依概率收敛. 若对任意的? 0,有 则称随机变量序列{Xn}依概率收敛于X,记为 (3) 抛硬币试验的频率稳定性 几个常见的大数定律 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) ≤C，i=1,2, …， 切比雪夫 则对任意的 有 或 证 即得结论. 定理2（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， 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. 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,…， 定理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. 注: 辛钦定理具有广泛的适用性. 要估计某地区的平均亩产量 ，要收割某些有代表性块，例如n 块地. 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. 第5.2节 中心极限定理 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,而考虑它的标准化的随机变量 的分布函数的极限. 定理4(独立同分布的中心极限定理) (证略) 上述定理也称列维一林德伯格(Levy-Lindberg)定理. 此定理说明,当n充分大时,有 或 定理5 (De Moivre-Laplace定理) 证 则 由定理4可知, 而 则 或 因此有近似计算公式 解 由德莫弗-拉普拉斯中心极限定理,有 次品数 例1 某产品次品率 ,试估计在1000件产品中次品数在 之间的概率 . 次品数 注: 由切比雪夫不等式, 显然这是过于保守的估计. * * * 首先，讨论一下“大数定律”产生的背景。[M] 第一个问题：“概率”的概念是怎么产生的呢？[M] 如果我们回顾第一章已经学过的内容，可以清晰的发现“概率”产生的过程是这样的[M] 人们通过对随机现象的不断试验和观测，发现大量随机试验数据具有一种特性，即频率稳定性，通过对频率稳定性性质的研究，从而产生了“概率”。[M] “频率稳定性”是什么意思呢？[M] 记n重伯努利试验中事件A发生的次数为 ，则 这里 称为频数，常数p就是事件A发生的概率。[M] 请大家注意：频率 实际上是一列随机变量，怎么来理解这个“极限”？