概率论与数理统计第五章 大数定律和中心极限定理.ppt

人们在长期实践中发现，虽然随机事件在某次试验中可能出现也可能不出现，但是在大量重复试验中却呈现出明显的规律性，即一个随机事件出现的频率在某个固定数的附近摆动，这就是所谓的“频率稳定性”。对于这点，我们希望给予理论上的说明。 在贝努利试验中，以记 次试验中随机事件 出现的次数，则 就是在 次试验中随机事件 出现的频率，所谓频率稳定性是指当试验次数 增大时，频率 接近于某个固定的常数。 ，其中 为每次试验中随机事件 发生的概率， 时， 越来越接近常数 ？ 随机变量序列的极限该如何提法？ 提法一：当 足够大时，频率 与概率 有较大偏差的概率很小。即要证明：对于任意 ，有 或者 一大类的极限问题-----大数定律！ 提法二： 一大类的极限问题-----强大数定律！ 提法三：考察 的分布函数 的极限行为。 无意义！ 一大类的极限问题-----中心极限定理！ √ √ × 第一节 大数定律 一、切比雪夫大数定律 定理（切比雪夫大数定律） 设 两两相互独立，数学期望 和方差 均存在 ，且方差有公共的上界，即 ，其中 为常数，则 ，有 定理（辛钦大数定律） 设 为独立同分布的随机变量序列，数学期望 均存在，则 ，有 证明略。 证明略。 当 时，对随机变量 次独立观测的算术平均 无限接近于 定理（伯努利大数定律） 设 为 重伯努利试验中事件 出 现的次数， 为每次试验中 出现的概率，则 ，有 证明略。 频率稳定性！ 定义 设 为一随机变量序列， 为一随机变量或常数，若 ，有 则称随机变量序列 依概率收敛于 ，记为 或者 第二节 中心极限定理 证明略。 定理（林德贝格—勒维中心极限定理） 设 为独立同分布的随机变量序列，且 ，则对任意实数 ，有 即当 时， 近似服从 的标准化。 解释正态分布的常见性。 近似计算。 例5.1 一个螺丝钉的重量是一个随机变量，期望值是50克，标准差是5克，求一盒（100个）螺丝钉的重量超过5100克的概率。 解 设第 个螺丝钉重量为 ，则 独立同分布，且 由林德贝格—勒维中心极限定理，有 例5.2 某单位内部有260部电话分机，每部分机有4%的时间要使用外线。各分机是否使用外线是相互独立的，问总机要有多少条外线，才能有95%的把握保证各部分机用外线时不必等候？ 解 设 又设需要 条外线，由林德贝格—勒维中心极限定理，有 则 查表得 ，解得 。所以至少需16条外线。 解 由林德贝格—勒维中心极限定理，有 例5.3 售报员在报亭内售报，每个过路人在该处买报的概率是 令 是出售了100 份报纸时过路人的总数，求 设第 份报纸被买走之后，又过了 个人才买第 份报纸， 近似独立，分布相同： 且 二项分布概率的正态分布近似： 设 ，当 很大， 很小， 大小适中时，二项分布可由普阿松分布来近似计算。但是当 不是很小或 大小不适中时，我们就无法用此方法。 在 重伯努利试验中，令 则 相互独立，分布相同，为 且 第 次试验出现