第五课大数定理与中心极限定理.pptVIP

大数定律和中心极限定理是概率论的重要基本理 论，它们揭示了随机现象的重要统计规律，在概率 论与数理统计的理论研究和实际应用中都具有重要 的意义。 迄今为止,人们已发现很多大数定律(laws of large numbers) 所谓大数定律，简单地说，就是大量数目的随机变量所呈现 出的规律，这种规律一般用随机变量序列的某种收敛性来刻 画。 本章仅介绍几个最基本的大数定律。下面，先介绍一个 重要的不等式。 示意图 例1 设x是掷一颗骰子所出现的点数, 若给定e=1,2, 实际计算P(|x-Ex|?e), 并验证切贝谢夫不等式成立.解 因P(x=k)=1/6, (k=1,2,3,4,5,6) 5.2 大数定律 本结果由俄国数学家切比雪夫于1866年证明，是关于大数定律的普遍结果，许多大数定律的古典结果都是它的特例。 正态分布的概率密度的图形 二项分布的随机变量可看作许多相互独立的0-1分布的随机变量之和, 下面是当x-B(20,0.5)时, x的概率分布图 普阿松分布相当于二项分布中p很小n很大的分布, 因此, 参数l=np当很大时也相当于n特别大, 这个时候普阿松分布也近似服从正态分布, 下面是l=30时的普阿松概率分布图. 则对于任意实数 x , 定理3 德莫佛 — 拉普拉斯中心极限定理 （DeMoivre-Laplace ） 设 Y n ~ B( n , p) , 0 p 1, n = 1,2,… 则对任一实数 x，有 即对任意的 a b, Y n ~ N (np , np(1-p)) (近似) x m m+s m-s 例1 设有一大批种子，其中良种占1/6. 试估计 在任选的6000粒种子中，良种所占比例与 1/6比较上下不超过1%的概率. 解 设 X 表示6000粒种子中的良种数 , 则 X ~ B(6000,1/6) * * 第五章 大数定律与中心极限定理 本章要解决的问题 为何能以某事件发生的频率 作为该事件的 概率的估计？ 为何能以样本均值作为总体 期望的估计？ 为何正态分布在概率论中占 有极其重要的地位？ 大样本统计推断的理论基础 是什么？ ANSWER 大数 定律 中心极 限定理 设非负随机变量 X 的期望 E( X )存在，则对于任意实数 ? 0, 马尔可夫（Markov） 不等式 重要不等式 5.1 切尔谢夫不等式 设随机变量 X 的方差 D ( X )存在， 则对于任意实数 ? 0, 推论 2 ——切贝雪夫（ chebyshev ）不等式 或 Ex Ex+e Ex-e j(x) x ?Dx/e2 例2 设有一大批种子，其中良种占1/6. 试估计 在任选的 6000 粒种子中, 良种所占比例与 1/6 比较上下小于1%的概率. 解 设 X 表示 6000 粒种子中的良种数 , X ~ B (6000,1/6 ) ---注：二项分布 实际精确计算： 用Poisson 分布近似计算： 取? = 1000 例3 设电站供电网有10000盏电灯，夜晚每一盏灯开灯的概率是0.7, 而假定开、关时间彼此独立，估计夜晚同时开着的灯数在6800与7200之间的概率.（p105） 解 设 X 表示夜晚同时开灯的数目 X ~ B (10000,0.7 ) ---注：二项分布 例4 设每次试验中，事件 A 发生的概率为 0.75, 试用 Chebyshev 不等式估计, n 多大时, 才 能在 n 次独立重复试验中, 事件 A 出现的 频率在0.74 ~ 0.76 之间的概率大于 0.90? 解 设 X 表示 n 次独立重复试验中事件 A 发生 的次数 , 则 X ~ B(n,0.75) 要使 ，求 n 事件A发生的概率 即 即 由 Chebyshev 不等式，? = 0.01n ,故 令 解得 切比雪夫不等式说明，DX越小，则 越小， 越大，也就是说，随机变量X取值基 本上集中在EX附近，这进一步说明了方差的意义。 同时当EX 和DX 已知时，切比雪夫不等式给出了概率 的一个上界，该上界并不涉及随机变X 的具体概率分布，而只与其方差DX和ε有关，因此，切比 雪夫不等式在理论和实际中都有相当广泛的应用。需要指 出的是，虽然切比雪夫不等式应用广泛，但在一个具体问 题中，由它给出的概率上界通常比较保守。 在叙述大数定律之前，首先