概论与统计第五章极限定理.pptxVIP

第五章极限定理本章要解决的问题1. 为何能以某事件发生的频率作为该事件的概率的估计？2. 为何能以样本均值作为总体 期望的估计？3. 为何正态分布在概率论中占 有极其重要的地位？4. 大样本统计推断的理论基础 是什么？大数定律中心极限定理第一节 大数定律切比雪夫不等式大数定律的背景及概念依概率收敛定义及性质三个大数定律 1.1 切比晓夫（Chebyshev）不等式:EX-?EXEX+?定理1.1 设随机变量X 的期望EX及方差DX存在，则对任意的 e 0，有 证明： 设X 为连续型随机变量，其密度函数为f(x)注（1）等价 形式（2） X的方差越小，P(|X -EX|e )就越大，即X 的取值越集中在EX 附近。这进一步说明了方差的概率含义：刻划了随机变量取值与均值的离散程度。（3） 当随机变量X的期望、方差已知而分布未知时，切比雪夫不等式提供了估计事件 {|X -EX|e }或{|X -EX|≥ε}的概率的大小的一种方法。 Ex3：某电网有10000盏灯，夜晚每盏灯打开的概率为0.7,假定各灯的开、关彼此独立。用切比晓夫不等式估计夜晚同时开着的灯的数量在6800与7200之间的概率。解：设X表示夜晚同时开的灯数，则X~B（10000，0.7）。EX=7000，DX=2100 由切比晓夫不等式得:注：X的分布可以不给出,而只给出其期望,方差即可.P110 例1所求为 P(5200 ≤X ≤9400)例1 已知正常男性成人血液中 ，每一毫升白细胞数平均是7300，均方差是700 . 利用切比雪夫不等式估计每毫升白细胞数在5200~9400之间的概率 .解：设每毫升白细胞数为X依题意，EX=7300, DX=7002由切比雪夫不等式1.2切比雪夫大数定律大数定律的客观背景 大量随机试验中例1、掷一颗均匀正六面体的骰子，出现1点的概率是1/6。但掷的次数少时，出现1点的频率可能与1/6相差较大，但掷次数很多时，出现1点的频率接近1/6几乎是必然的。例2、测量一个长度a，一次测量的结果不见得就等于a，量了若干次，其算术平均值仍不见得等于a,但当测量的次数很多时，算术平均值接近于a几乎是必然的。 大数定律的概念 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)本章将介绍三个大数定律： （1）切比雪夫大数定律、 （2）辛钦大数定律 （3）伯努利大数定律。它们之间既有区别也有联系。 定义1. 1：设 X 1 , X 2 , …, X n ,…是一随机变量序列，如果存在常数 a ，使对任意的 e 0，都有： a-? a a+? 则称随机变量序列 {X n} 依概率收敛于 a，简记为：注: (1)定义中的式子等价于一、随机变量序列依概率收敛的定义 (3)若X 是一随机变量,且,则称随机变量序列 {X n} 依概率收敛于X ，简记为： (2) {X n}依概率收敛于a意味着对任给正数 e ，当 n 充分大时， 事件“|X n- a|e ”发生的概率很大，接近于 1.当 n 充分大时,X n的取值就密集在a附近。但并不排除 事件“|X n- a|?e ”的发生，只不过它发生的可能性很小而已。定义1.2 若对任何正整数m≥2，X1, X2, …，Xm相互独立，则称随机变量X1, X2, …，Xn，…是相互独立的，此时，若所有Xi又有相同的分布函数，则称X1, X2, …，Xn，…是独立同分布的随机变量序列。 切比晓夫大数定律 定理1.2： 设X1, X2, …, X n, … 是相互独立的随机变量序列，期望EX1, EX2, …, EXn, … 及方差DX1, DX2, …, DXn, …都存在，且方差有界（对任意 i 有DXi ? M（常数）），则对于任意的 ? 0，恒有证：由切比晓夫不等式得：即 这意味着：只要n充分大，尽管n个随机变量可以各有分布， 但其算术平均以后得到的随机变量 将较密集地聚集在它的期望 附近，不再为个别随机变量所左右。---大数定律注：（1）结论等价于（3）切比雪夫大数定律是1866年被俄国数学家切比雪夫所证明，它是关于大数定律的一个相当普遍的结论，很多大数定律的古典结果是它的特例。切比晓夫大数定律推论： 设X1, X2, …, Xn, … 是独立同分布的随机变量序列，EXi =? , DXi =? 2 （i=1，2， …），则对于任意的 ? 0，恒有 推论中方差的存在性可去掉， 得如下结论辛钦大数定律 这一推论使算术平均值的法则有了理论根据。假使要测量某一个物理量a ,在不变的条件下重复测量 n 次，得到的观测值x1, x2, …, xn 是不完全相同的，这些结果可以看作是服从同一分布并且期望值为a