[数学]概率ch5大数定律与中心极限定理.pptVIP

第五章  大数定律与中心极限定理 契比雪夫大数定律的特殊情况 一、 独立同分布的中心极限定理 二、二项分布的正态近似 例 (供电问题):某车间有200台车床,在生产期间由于需要检修、调换刀具、变换位置及调换工件等常需停车. 设开工率为0.6, 并设每台车床的工作是独立的，且在开工时需电力1千瓦. 问应供应多少瓦电力就能以99.9%的概率保证该车间不会因供电不足而影响生产? 用X表示在某时刻工作着的车床数， 解：对每台车床的观察作为一次试验， 每次试验观察该台车床在某时刻是否工作， 工作的概率为0.6，共进行200次试验. 依题意， X~B(200,0.6), 现在的问题是： P(X≤N)≥0.999 的最小的N. 求满足 设需N台车床工作， （由于每台车床在开工时需电力1千瓦，N台工作所需电力即N千瓦.） 由德莫弗-拉普拉斯极限定理 近似N(0,1), 于是 P(X≤N)= P(0≤X≤N) 这里 np=120, np(1-p)=48 由3σ准则， 此项为0. 查正态分布函数表得 由 ≥0.999， 从中解得N≥141.5, 即所求N=142. 也就是说, 应供应142 千瓦电力就能以99.9%的概率保证该车间不会因供电不足而影响生产. ≥ 3.1, 故 * * §1 大数定律 “概率是频率的稳定值”。前面已经提到，当随机试验的次数无限增大时，频率总在其概率附近摆动，逼近某一定值。大数定理就是从理论上说明这一结果。正态分布是概率论中的一个重要分布，它有着非常广泛的应用。中心极限定理阐明，原本不是正态分布的一般随机变量总和的分布，在一定条件下可以渐近服从正态分布。这两类定理是概率统计中的基本理论，在概率统计中具有重要地位。 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 大量抛掷硬币 正面出现频率 字母使用频率 生产过程中的 废品率 …… 定理（契比雪夫(Chebyshev)不等式）:设随机变量X具有数学期望E(X)=μ,方差D(X)=σ2 ,则对于任意正数ε,有 则称随机变量序列{Xn}依概率收敛于X,记为 定义：设{Xn}是随机变量序列,若存在随机变量X(或常数),对于任意ε0,有 一、依概率收敛 推论:设{Xk}依概率收敛于a, {Yk}依概率收敛于b,则 (1) {Xk±Yk}依概率收敛于a±b; (2) {XkYk}依概率收敛于ab; (3)当b≠0时, {Xk/Yk}依概率收敛于a/b. 注:此定理及推论可以推广到有限个随机变量序列的情形. 定理:设{Xk}依概率收敛于a, {Yk}依概率收敛于b,f(x,y)在点(a,b)连续,则f(Xk , Yk)依概率收敛f (a,b). 定义:设{Xk}是随机变量序列，数学期望E(Xk)(k=1,2,...)存在，若对于任意ε 0，有 则称随机变量序列{Xn}服从大数定律. 二、大数定律的定义 定理(契比雪夫(Chebyshev)大数定律):设{Xk}是两两不相关的随机变量序列,具有数学期望E(Xk)和方差D(Xk),k=1,2,...,若存在常数C,使得D(Xk) ≤C(k=1,2,…),则对于任意给定的ε0,恒有 证明 三个大数定律 契比雪夫 推论:设{Xk}是两两不相关的随机变量序列,具有相同的数学期望E(Xk)=μ和方差D(Xk)=σ2(k=1,2,…),则对于任意给定的ε0,恒有 注: 契比雪夫大数定律表明，独立随机变量序列{Xn}，如果方差有共同的上界，则 与其数学期望 偏差很小的 概率接近于1. 随机的了，取值接近于其数学期望的概率接近于1. 即当n充分大时， 差不多不再是 契比雪夫大数定律给出了 平均值稳定性的科学描述 例:设{Xk}是相互独立的随机变量序列,均服从参数为λ的泊松分布,则{Xk}服从大数定律. 证明:已知E(Xk)= λ, D(Xk)= λ,所以{Xk}满足契比雪夫大数定律的所有条件,故对于任意给定的ε0,恒有 即{Xk}服从大数定律. 证明 定理(伯努里大数定律):设进行n次独立重复试验，每次试验中事件A发生的概率为p，记μn为n次试验中事件A发生的次数，则对任意的ε0,有 证明 第i次试验事件A发生 第i次试验事件A不发生 则 贝努里 由切比雪夫大数定律有 　伯努利大数定律表明，当重复试验次数n充分大时，事件A发生的频率μn/n与事件A的概率p有较大偏差的概率很小. 伯努利大数定律提供了通过试验来确定事件概率的方法.（理论保障） 定理(辛钦大数定律):设{Xk}是相互独立同分布的的随机变量序列,若有数学期望E(Xk)=μ (k=1,2,…),则对于任意给定的ε0,恒有 注:若对同