概率论第五章ch5_1.pptVIP

在前面的概率论学习中，我们学习了事件的“频率稳定性”，它是指在大量的实验中某事件发生的频率会稳定在某个值附近，我们希望能给出证明。 大数定律与中心极限定理 另外我们还发现在大量测量值中它们的算术平均值也具有稳定性。 所有这些都提示我们是否当实验次数无穷增大时，“频率”或“算术平均值”能趋于一个极限？ 大数定律与中心极限定理 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 设在n重贝努里试验中事件A发生的次数X等于每次试验中事件A发生的次数Xi之和即： 于是事件A发生的频率： 是否会随着n的增大而接近A发生的概率p？即 我们将上述思想推广到更一般情况下的随机变量序列： 在什么条件下会有 这就是大数定律要研究的内容。我们学习三种大数定律：切比雪夫、贝努里、辛钦大数。 为了讨论大数定律，我们要引入依概率收敛的极限概念。 依概率收敛 定义1：设随机变量序列：X1,X2,……,XN,…,如果存在常数 a ,对任意的正数 ε0总有如下极限成立，则称这个随机变量序列依概率收敛于a。 对任意的n,使不等式 依概率收敛理解 成立的所有样本点构成的事件 的概率即 作为一个数列存在极限1。 也可以理解成：当n充分大后，随机变量Yn与一个常数a的偏差任意小的概率为1。 如果下面两个条件成立 依概率收敛基本性质 (2)z=g(x,y)是在点(a,b)处连续的二元函数 则随机变量 Zn=g(Xn,Yn)以概率收敛于g(a,b)即： 这个性质我们在矩估计时要用到。 切比雪夫不等式 设随机变量X 有期望E(X)和方差σ2，则对于 任给ε0总有概率不等式成立： 或 (1)由切比雪夫不等式可以看出，若σ越小，则事件 {|X-E(X)|ε}的概率越大，即随机变量X 集中在期望附近的程度越大. 这个概率不等式表示什么意义？ 如图所示 正态分布密度函数的作图代码 function hhh sigma=1/2;%1/sqrt(2);%1;%sqrt(2); mu=2; x=-2:0.1:6; y=exp(-(x-mu).^2/(2*sigma^2))/(sqrt(2*pi)*sigma); hold on; plot(x,y); (2)当方差已知时，切比雪夫不等式给出了r.v X 与它的期望的偏差不小于ε 的概率的估计式即： 如取 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，E(X)=7300,σ2 =D(X)=7002 所求为 P(5200 X 9400) P(5200 X 9400) =P(5200-7300 X-7300 9400-7300) = P(-2100 X-E(X) 2100) = P{ |X-E(X)| 2100} 由切比雪夫不等式 即估计每毫升白细胞数在5200~9400之间的概率不小于8/9 . 切比雪夫 定理1：设X1,X2, …是独立的随机变量序列，且每个随机变量有相同的数学期望与方差设E(Xi)= μ，D(Xi)=σ2 ， i=1,2,…,则对任给 ε0成立极限 切比雪夫大数定律 前n个随机变量的算术平均值 证明切比雪夫大数定律主要的数学工具是切比雪夫不等式. 证明：先求随机变量算术平均的数学期望与方差。 再利用切比雪夫不等式即： 两端取极限得： 再由概率有上界1得： 于是 切比雪夫大数定律表明：独立的随机变量序列{Xn}如果有相同的期望和方差,则前n个随机变量的算术平均 与其数学期望的偏差很小的概率为1。 下面给出的贝努里大数定律，是定理1的特例. 贝努里 设nA是n重贝努里试验中事件A发生的次数，p 是事件A 发生的概率，引入 则 是事件A发生的频率