概率论与数理统计-第五章 随机变量的数字特征与极限定理.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 于是有下面的定理： 设Yn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， 定理3（贝努里大数定律） 或 贝努里 贝努里大数定律表明，当重复试验次数n充分大时，事件A发生的频率Yn/n与事件A的概率p有较大偏差的概率很小. 贝努里大数定律提供了通过试验来确定事件概率的方法. 任给ε0， 蒲丰投针问题中解法的 理论依据就是大数定律 当投针次数n很大时，用针与线相交的频率m/n近似针与线相交的概率p，从而求得π的近似值. 针长L 线距a 下面给出的独立同分布下的大数定律，不要求随机变量的方差存在. 设随机变量序列X1,X2, …独立同分布，具有有限的数学期E(Xi)=μ, i=1,2,…， 则对任给ε 0 ， 定理3（辛钦大数定律） 辛钦 例如要估计某地区的平均亩产量，要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. 辛钦大数定律为寻找随机变量的期望值提供了一条实际可行的途径. 这一讲我们介绍了大数定律 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： 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. 平均结果的稳定性 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. 第六讲 中心极限定理 空气阻力所产生的误差， 对我们来说重要的是这些随机因素的总影响. 如瞄准时的误差， 炮弹或炮身结构所引起的误差等等. 现在我们就来研究独立随机变量之和所特有的规律性问题. 当n无限增大时，这个和的极限分布是什么呢？ 在什么条件下极限分布会是正态的呢？ 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. 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. 考虑 中心极限定理 这就是下面要介 绍的 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，也称列维一林德伯格（Levy－Lindberg）定理. 定理1（独立同分布下的中心极限定理） 它表明，当n充分大时，n个具有期望和方差 的独立同分布的r.v之和近似服从正态分布. 设X1,X2, …是独立同分布的随机 变量序列，且E(Xi)= ，D(Xi)= ， i=1,2,…，则对一切x 有: 虽然在一般情况下，我们很难求出X1+X2+ …+Xn 的分布的确切形式，但当n很大时，可以求出近似分布. 定理2(棣莫佛－拉普拉斯定理） 设随机变量 服从参数n, p(0p1)的二项分布，则对任意x，有 定理表明，当n很大，0p1是一个定值时（或者说，np(1-p)也不太小时），二项变量 的分布近似正态分布 N(np,np(1-p)). 实用中，0.1p0.9 , npq10时正态近似的效果较好. 下面我们举例说明中心极限定理的应用 从演示不难看到中心极限定理的客观背景 例:20个0-1分布的和的分布 X1 ~f(x) X1 +X2~g(x) X1 +X2+X3~ h(x) 几个(0,1)上均匀分布的和 的分布 0 1 2 3 x f g h 例3 根据以往经验，某种电器元件的寿命服从均值为100小时的指数分布. 现随机地取16只，设它们的寿命是相互独立的. 求这16只元件的寿命的总和大于1920小时的概率. 由题给条件知，诸Xi独立， 16只元件的寿命的总和为 解: 设第i只元件的寿命为Xi , i=1,2, …,16 E(Xi)=100, D(Xi)=10000 依题意，所求为P(Y1920) 设第i只元件的寿命为Xi , i=1,2, …,16 由题给条件知,诸Xi独立, 16只元件的寿命的总和为 E(X