概率统计和随机过程课件第六章 大数定律及中心极限定理.pptVIP

作 业 习题六 1，2 ，3 ， 4, 5 * 第六章 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？ 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 证 仅证连续型随机变量的情形 重要不等式 6.1 大数定律 * 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 ——切贝雪夫（ chebyshev ）不等式 或 * 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. Chebyshev 不等式对于 ? 2?? 2 无实际意义 * 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 引入随机变量序列{Xk} 设 则 相互独立， 记 由Chebyshev 不等式 * 故 * 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. 贝努里（Bernoulli） 大数定律的意义： * 定义 a 是一常数， (或 则称随机变量序列 依概率收敛 于常数 a , 记作 故 是一系列随机变量， 设 有 若 * 在 Bernoulli 定理的证明过程中， Y n 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, Y n 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. * 的数学 期望与方差设为 有 Chebyshev 大数定律 相互独立， 设随机变量序列 (指任意给定 n 1, 相互独立)， 证明：由chebyshev不等式可得。 * 推论： 独立同分布时的 Chebyshev 大数定律 相互独立， 设随机变量序列 则 有 或 且 具有相同的数学期望和方差 * 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. * §6.2 中心极限定理 定理1 独立同分布的中心极限定理 设随机变量序列 相互 独立，服从同一分布，且有期望和方差： 则对于任意实数 x , * 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 * 定理2 德莫佛 — 拉普拉斯中心极限定理 （DeMoivre-Laplace ） Y n ~ B( n , p) , 0 p 1, n = 1,2,… 则对任一实数 x，有 是n次独立试验中事件A出现的次数， p为A发生概率，即 * 即对任意的 a b, Y n