[理学]chap5大数定律.pptVIP

考试要求 1．了解切比雪夫不等式． 2．了解切比雪夫大数定律、伯努利大数定律和 辛钦大数定律(独立同分布随机变量序列的大 数定律) 3. 了解棣莫弗-拉普拉斯定理(二项分布以正态 分布为极限分布)和列维-林德伯格定理(独立 同分布随机变量序列的中心极限定理) * * 第五章 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？ 答复 大数 定律 中心极 限定理 §5.1 大数定律 设随机变量 X 的方差 D ( X )存在，则对于任意实数 ? 0, 切贝雪夫( chebyshev)不等式 证 切比雪夫 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 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 大数定律 贝努里 证 引入 r.v. 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 r.v. 序列 依概率收敛于常数 a , 记作 故 是一系列 r.v. 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 r.v. 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r.v. 序列. 辛钦大数定律 相互独立， (指任意给定 设 r.v. 序列 n 1, 相互独立)且具有相同的数学期望和方差 则 有 或 辛钦 具有相同数学期望和方差的独立 r.v.序列的算术平均值依概率收敛于数学期望.当 n 足够大时, 算术平均值几乎是一常数. 定理的意义 具有相同数学期望和方差的独立 r.v.序列的算术平均值依概率收敛于数学期望.当 n 足够大时, 算术平均值几乎是一常数. 算术 均值 数学 期望 近似代替 可被 注 不一定有相同的数学期望与 方差，可设 有 Chebyshev 大数定律 §5.2 中心极限定理 定 理 一 林德伯格-列维中心极限定理 [ 独立同分布的中心极限定理 ] 定 理 二 棣莫弗-拉普拉斯中心极限定理 [ 二项分布以正态分布为极限分布 ] (Lindberg-levi) (De Moivre-Laplace) 独立同分布的中心极限定理 设随机变量序列 独立同一分布, 且有期望和方差： 则对于任意实数 x , 定理 1 注 则 Yn 为 的标准化随机变量. 记 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 近似服从 在第二章曾讲过有许多随机现象服从正态分布是由于许多彼次没有什么相依关系、对随机现象谁也不能起突出影响，而均匀地起到微小作用的随机因素共同作用(即这些因素的叠加)的结果.若联系于此随机现象的随机变量为X ，则它可被看成为许多相互独立的起微小作用的因素Xk的总和 ，而这个总和服从或近似服从正态分布. 德莫佛—拉普拉斯中心极限定理 （DeMoi