第三章 第三讲 矩、分位数 大数定理.ppt

第三讲 矩、分位数 大数定理 一、矩和中心矩 二、分位数 三、大数定理 四、小结 练习 1，设离散型随机变量X的分布律为 求D( ) 一、矩和中心矩 定义1 定义2 例： 若随机变量X服从N(0,1)分布，求 三、大数定理 1、弱大数定理1 3、弱大数定理2（辛钦定理） 四、小结 1、矩和中心矩 2、分位数 3、大数定理 作 业 本章课外练习卷子 * 《概率论与数理统计》课程教学团队 第三章 第三讲 矩、分位数 大数定理 第三章 随机变量的数字特征 第三讲 矩、分位数 大数定理 《概率论与数理统计》课程教学团队 分 布 参数 数学期望 方差 两点分布 二项分布 泊松分布 均匀分布 指数分布 正态分布 3、重要概率分布的期望和方差 1/6 1/3 1/2 P 3 0 -2 X 2，若随机变量X的概率密度函数为 求X的期望和方差. 说明 的数 为此分布的α分位数或下α分位数. 二、分位数 设连续型随机变量 0 α 1，称满足条件 概率密度函数为 称满足条件 的数 为此分布的上α分位数. 关系式： 分位数在数理统计中经常使用，特别是统计中常用的三大分布分位数，为此特地编制了它们的分位数表. 图中阴影部分面积即为 概率论与数理统计是研究随机现象统计规律性的学科. 随机现象的规律性只有在相同的条件下进行大量重复试验时才会呈现出来. 也就是说，要从随机现象中去寻求必然的法则，应该研究大量随机现象. 研究大量的随机现象，常常采用极限形式，由此导致对极限定理进行研究. 极限定理的内容很广泛，其中最重要的有两种: 与 大数定理 中心极限定理 . 设 变量序列，且具有数学期望 ，则对于任意的正数 ，有 是相互独立，服从同一分布的随机 含义 2、伯努利大数定理（弱大数定理1的特例） 设 是 n 重 伯努利 试验中 事件 发生的次数， ，则对于任意正数 ，有 伯努利 证明 引入随机变量 显然 根据弱大数定理1有 伯努利大数定理表明，当重复试验次数n充分大时，事件A发生的频率 fA/n与事件A的概率p有较大偏差的概率很小. 伯努利大数定理提供了通过试验来确定事件概率的方法. 设随机变量 相互独立同分布，且 ， 存在，则对于任意的正数 有 以下是弱大数定理1的推广，不要求随机变量的方差存在. 辛钦 辛钦定理为寻找随机变量的期望值提供了一条实际可行的途径. 例如要估计某地区的平均亩产量，先收割某些有代表性的地块，例如 n 块. 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. 大数定理以严格的数学形式表达了随机现象最根本的性质之一： 它是随机现象统计规律的具体表现. 大数定理在理论和实际中都有广泛的应用. 平均结果的稳定性 证明 由辛钦定理知， 例2 α分位数或下α分位数 ，若满足 上α分位数 ，若满足 三个大数定理 弱大数定理1 伯努利大数定理 辛钦定理 　　频率的稳定性是概率定义的客观基础, 而伯努利大数定理以严密的数学形式论证了频率的稳定性. * 《概率论与数理统计》课程教学团队 第三章 第三讲 矩、分位数 大数定理