概率4.1-2节.ppt

* * 第四章 大数定律和中心 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？ 方法 大数 定律 中心极 限定理 设非负 r.v. X 的期望 E( X )存在， 则对于任意实数 ? 0, 重要不等式 §4.1 大数定律 称其为Markov不等式。 该不等式重要性在于在只知道期望时给出概率的上界。当知道概率分布时，可以直接计算出概率值而不必计算概率上界。 设随机变量 X 的k阶绝对原点矩 E( |X |k) 存在，则对于任意实数 ? 0, 推论 1 设随机变量 X 的方差 D ( X )存在， 则对于任意实数 ? 0, 推论 2 ——Chebyshev不等式 或 当 ? 2? D(X) 无实际意义 定义:设{Xk}独立同分布是随机变量序列，数学期望 存在，若对于任意ε0，有 则称随机变量序列{Xn}服从大数定律. 大数定律 伯努利（Bernoulli） 大数定律 设 nA 是 n 次独立重复试验中事件 A 发生 的次数, p 是每次试验中 A 发生的概率, 则 有 或 在概率的统计定义中, 事件 A 发生的频率 “ 稳定于”事件 A 在一次试验中发生 的概率是指： 频率 与 p 有较大偏差 是 小概率事件, 因而在 n 足够大时, 可以用频 率近似代替 p . 这种稳定称为依概率稳定. 伯努利(Bernoulli)大数定律的意义 依概率收敛 定义 Y是一r.v.， (或 是一 r.v.序列 设 有 若 则称 r.v. 序列 依概率 收敛于Y , 记作 故由上述定义知 依概率收敛的性质 定理：设{Xn}，{Yn}为两个r.v.序列，且 若g(x,y)在点(a,b)连续，则 Chebyshev 大数定律 两两不相关， 设 r.v. 序列 若每个Xi的方差都存在，且有相同上界， 则 有 或 即 特别地， 当 n 足够大时, 算术平均值几乎是一常数. 具有相同数学期望和方差的独立 r.v.序列的算术平均值依概率收敛于数学期望. 算术 均值 数学 期望 近似代替 可被 两两不相关 和方差有上界可以去掉，代之以 此时大数定律仍然成立，称为Markov大数定律。 故Chebyshev大数定律是Markov大数定律的特例。 相 设 r.v.序列 则 有 互独立具有相同的分布，且 此时称为辛钦大数定律。 §4.2 中心极限定理 定 理 一 林德伯格-列维中心极限定理 [ 独立同分布的中心极限定理 ] 定 理 二 棣莫弗-拉普拉斯中心极限定理 [ 二项分布以正态分布为极限分布 ] (Lindberg-Levi) (De Moivre-Laplace) （独立同分布的中心极限定理） 设随机变量序列 独立同一分布, 且有期望和方差： 则对于任意实数 x , 定理 1 注 则 Y n 为 的标准化随机变量. 即 n 足够大时，Y n 的分布函数近似于标 准正态随机变量的分布函数 记 近似 近似服从 对此现象还 可举个有趣 的例子—— 高尔顿钉板 试验—— 加 以说明. 0 3 — 钉子层数 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) 定理2 中心极限定理的意义 前面曾讲过有许多随机现象服从正态分 布是由于许多彼此没有什么相依关 若联系于此随机现象的随机变量为X ， 系、对随机现象谁也不能起突出影响，而 均匀地起到微小作用的随机因素共同作用 则它可被看成为许多相互独立的起微小作 用的因素Xk的总和 ，而这个总和服从 或近似服从正态分布. (即这些因素的叠加)的结果. 例1 炮火轰击敌方防御工事 100 次, 每次 轰击命中的炮弹数服从同一分布, 其数学 期望为 2 , 均方差为1.5. 若各次轰击命中 的炮弹数是相互独立的, 求100 次轰击 (1) 至少命中180发炮弹的概率; (2) 命中的炮弹数不到200发的概率.