5第四章节%2B大数定理.ppt

第四章 大数定律与中心极限定理 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。 休息 结束 * 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 大数定律 中心极限定理 下面我们先介绍大数定律 字母使用频率 生产过程中的 废品率 大量抛掷硬币 正面出现频率 大量的随机现象中平均结果的稳定性 大数定律的客观背景 …… §4.2 大数定律 定理4.2.1（伯努里大数定律） 设μn是n重贝努里试验中事件A发生的 次数，p是事件A发生的概率，则对任给的ε 0，有： 或 伯努里大数定律表明，当重复试验次数n充分大时，事件A发生的频率nA/n与事件A的概率p有较大偏差的概率很小。 伯努里大数定律 伯努里大数定律提供了通过试验来确定事件概率的方法。 定义 4.2.1 设有一随机变量序列 { Xn } 具有如下的性质： 则称该随机变量序列 { Xn } 服从大数定律。 几个常见的大数定律 大数定律的一般形式 定理4.2.2（切比雪夫大数定律） 设X1, X2, … 为两两不相关的随机变量序列， DXi 存在 ，且 DXi ≤c i = 1,2,…, 则{ Xn }服从大数定律，即对任给 0, 定理4.2.3 （独立同分布下的大数定律） 设X1,X2, …是独立同分布的随机变量 序列，且 EXi = ， DXi = ， i=1,2,…, 则对任给 0, 定理4.2.4（辛钦大数定律） 设随机变量序列 X1, X2, … 独立同分布，具有有限的数学期 EXi=μ, i=1,2,…， 则对任给ε 0 ， 大数定律的应用 ---------定积分的概率计算法 求 的值 我们介绍均值法，步骤是: 1) 产生在 (0,1) 上均匀分布的随机数rn, n=1,2,…,N 2) 计算g(rn)， n=1,2,…,N 3) 用平均值近似积分值 即 原理是什么呢？ 设 X~U( 0, 1 ) 由大数定律 因此，当N充分大时， 问：若求 的值 应如何近似计算？请思考。 定积分的概率计算法 大数定律以严格的数学形式表达了随机现象最根本的性质之一： 平均结果的稳定性 它是随机现象统计规律的具体表现。 大数定律在理论和实际中都有广泛的应用。 §4.3 两种收敛性 4.3.1依概率收敛 定义 4.3.1 （依概率收敛） 设 { Yn } 为随机变量序列，Y 为一随机变量。如果对任意的ε 0 ，有 则称{ Yn }依概率收敛于Y，记为 则有： 定理 4.3.1 设{ Xn } 、{ Yn } 为两个随机变量序列，a、b为常数。如果 ， ， 4.3.2 按分布收敛 弱收敛 定义 4.3.2 设 随机变量 X, X1, X2, … 的分布函数分别为F(x), F1(x), F2(x), …, 若 对的任一连续点 x，都有 则称{ Fn (x) } 弱收敛于F(x)，记为： 也称{ Xn} 按分布收敛于X，记为： 定理 4.3.2 定理 4.3.3 若c为常数，则： 中心极限定理的客观背景 在实际问题中，常常需要考虑许多随机因素所产生总影响. 例如：炮弹射击的落点与目标的偏差，就受着许多随机因素的影响. §4.4 中心极限定理 自从高斯指出测量误差服从正态分布之后，人们发现，正态分布在自然界中极为常见。 观察表明，如果一个量是由大量相互独立的随机因素的影响所造成，而每一个别因素在总影响中所起的作用不大。则这种量一般都服从或近似服从正态分布。 中心极限定理的直观演示 由于无穷个随机变量之和可能趋于∞，故我们不研究n个随机变量之和本身而考虑它的标准化的随机变量 的分布函数的极限。 可以证明，满足一定的条件，上述极限分布是标准正态分布. --------中心极限定理 在概率论中，习惯于把和的分布收敛于正态分布这一类定理都叫做中心极限定理。 我们只讨论几种简单情形。 下面给出的独立同分布随机变量序列的中心极限定理，也称林德伯格-列维（ Lindberg-Levy ）定理。 定理1（独立同分布下的中心极限定理） 设X1,X2, …是独立同分布的随机 变量序列，且E(Xi)= ，D(Xi)= ， i=1,2,…，则 休息 结束