Chap5_大数定律和中心极限定理.pptVIP

第5章 极限定理 第一节 大数定律 第二节 中心极限定理 第一节 大数定律 我们已经知道，一个随机事件发生的频率随试验的次数n的增大而呈现出稳定性。 事实上，大量的随机现象的平均结果也具有稳定性。 概率论中用来阐明大量随机现象平均结果的稳定性的一系列定理，称为大数定律（law of large number). 设Y为连续型随机变量，概率密度函数为 f(y). 因为 y 只取非负值，则当 y0 时，有 f(y) = 0. 对任意正数ε，有 证明： 引理1（马尔科夫Markov不等式）若Y为只取非负值的随机变量，则对任意的正数ε，有 当Y是离散型随机变量时同理可证。 在马尔科夫不等式中，令Y = ( X - μ)2, ε换成ε2 ，则有 证明： 引理1（马尔科夫Markov不等式）若Y为只取非负值的随机变量，则对任意的正数ε，有 定理1（切比雪夫Chebyshev不等式）设随机变量 X 具有期望E(X) =μ，方差 D(X) =σ2 , 则对任意的正数ε，有 说明： 常用切比雪夫不等式的等价形式 上式说明：当 X 的方差越小时，事件{ | X - E(X) | ε}发生的概率就越大，即 X 的取值就基本集中在它的期望附近。 无论X的分布已知还是未知，只要其期望μ和方差σ2 已知，即可估计概率值 P ( | X - μ | ε) 或 P ( | X - μ | ≥ε). 例如 以X表示1000次重复独立试验中事件A发生的次数，则X ~ B(1000,0.5). 因此 解： 例1 设在一次试验中事件A发生的概率是0.5，利用切比雪夫不等式估计：在1000次重复独立试验中A发生的次数在400至600之间的概率。 由切比雪夫不等式可得 即在1000次重复独立试验中，A 发生的次数在400至600之间的概率至少为0.975. 定义1 若对于任意自然数n1, X1, X2, … , Xn相互独立，则称随机变量序列X1, X2, … , Xn, … 是相互独立的。 注：上式的一个等价形式为 定义2 设 X1, X2, … , Xn , …是相互独立的随机变量序列，若对任意正数ε，均有 则称随机变量序列{Xn}依概率收敛于随机变量X，记为 或 定理2（马尔科夫Markov大数定律）设X1 , X2 , … , Xn , …是一个随机变量序列，若对所有的 n≥1, 方差 D( Xi ) 存在，且 则对任给的正数ε，有 注：若令 即有 证明： 由 可知， 对任给正数ε，由切比雪夫不等式可得 即 推论2（切比雪夫大数定律）设X1, X2, … , Xn, …是相互独立的随机变量序列，若存在常数C，使得Xi的方差有公共上界，即 则对任给的正数ε，有 特别地，如果X1, X2, … , Xn, …有相同的期望E(X), 则有 由独立性和有界性可知 证明： 再由定理2即得证。 推论3（泊松大数定律）设X1, X2, … , Xn, …是相互独立的随机变量序列，Xi有分布律 则对任给的正数ε，有 由于 证明： 再由推论2即得证。 推论4（伯努利大数定律）设μn是n次伯努利试验中事件A发生的次数，p是事件A在每次试验中发生的概率，则对任给的正数ε，有 记 证明： 再由推论3即得证。 则 Xi 的分布律是 说明： 该定律表明事件A发生的频率依概率收敛于事件A的概率p. 它以严格的形式表达了频率的稳定性，表明在实际应用中可通过多次重复一个试验，用频率近似作为事件A的概率p. 说明： 上式的一个等价形式为 此定律表明：在相同的条件下重复观测n次X，当n充分大时，“观测值的算术平均值接近于期望”是一个大概率事件。 推论5（辛钦大数定律）设X1, X2, … , Xn, …是独立同分布的随机变量序列，若它们的数学期望E(X)存在，则对任给的正数ε，有 证明：略。 作 业 复习本节内容 P114 第1、2题 3. 预习 第二节 中心极限定理 第二节 中心极限定理 客观背景：客观实际中，许多随机变量是由大量相互独立的偶然因素的综合影响所形成，每一个微小因素，在总的影响中所起的作用是很小的，但总起来，却对总和有显著影响，这种随机变量往往近似地服从正态分布。 概率论中有关论证独立随机变量的和的极限分布是正态分布的一系列定理称为中心极限定理。 定理1（林德伯格-列维Lindeberg-Levy定理）设X1, X2, … , Xn,