大数定律例.PPTVIP

* 第四章 极限定理 本章要解决的问题： 　　1．为何能以某事件发生的频率作为该事件的概率的估计？ 　　2．为何能以样本均值作为总体期望的估计？ 　　3．为何正态分布在概率论中占有极其重要的地位？ 　　4．大样本统计推断的理论基础是什么？ 答复 大数 定律 中心极 限定理 　　设随机变量 X 的方差D ( X )存在，则对于任意实数 ? 0， 　　回顾切贝雪夫(chebyshev)不等式 或 §4.1 大数定律 　　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 )． 实际精确计算： 用Poisson分布近似计算： 取? = 1000 　　例2　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． 即 即 由 Chebyshev 不等式，? = 0.01n，故 令 解得 　　若E(X ) = ? ， D(X ) = ? 2，类似于正态分布的3? 原理，由Chebyshev不等式可估计： 　　由Chebyshev不等式，可看出D (X)反映了X 偏离E(X )的程度．固定?，? 较小者， 较小． 大数定律 贝努里(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 证明　引入随机变量序列{Xk}． 设 则 相互独立， 记 由Chebyshev不等式 故 定义　设 a 是一常数，若 是一系列随机变量， 有 依概率收敛 则称随机变量序列 依概率收敛 于常数a ，记作 故 　　在Bernoulli定理的证明过程中，Yn 是相互独立的服从0-1分布的随机变量序列{Xk}的算术平均值，Yn 依概率收敛于其数学期望 p． 　　结果同样适用于服从其它分布的独立随机变量序列． Chebyshev大数定律 相互独立， 设随机变量序列 (指任意给定n 1， 则 有 或 特殊情况 具有相同的数学期望和方差． 相互独立)，且 注1(更一般)： 两两不相关， 不一定有相同的数学期望与方差，可设 有 定理的意义： 　　当 n 足够大时，算术平均值几乎就是一个常数， 可以用算术平均值近似地代替数学期望． 　　具有相同数学期望和方差的独立随机变量序列的算术平均值依概率收敛于数学期望． 辛钦大数定律 设 相互独立，服从同一分布， 且具有数学期望 E(X k) =?，k= 1，2，…，则对任意正数? 0， 　　注2(马尔可夫条件)： 独立的条件可以去掉，代之以 相互 相互 注3：设随机变量序列 则 有 独立，具有相同的分布，且 记