概率论与数理统计大数定律及中心极限定理.pptVIP

* 概率论与数理统计是研究随机现象统计规律性的学科. 随机现象的规律性只有在相同的条件下进行大量重复试验时才会呈现出来.也就是说，要从随机现象中去寻求必然的法则，应该研究大量随机现象. 第五章 大数定律及中心极限定理 大量的随机现象中平均结果的稳定性 大数律的客观背景 大量抛掷硬币正面出现频率 …… 研究大量的随机现象，常常采用极限形式，由此导致对极限定理进行研究. 极限定理的内容很广泛，其中最重要的有两种: 与 大数定律 中心极限定理 下面先介绍大数定律 下面的强大数定律将(2.1)进行了推广. 是n次试验中的成功次数. 则 在n次独立重复试验中, 引入 由概率的频率定义知道, 对于成功的频率 ,有 §5.2 大数律 称随机变量的序列 为随机序列(random sequence). 其含义是n很大时, 与 有非零差距的可能性 很小。 则称序列 依概率收敛于 . 记为 定义 2.1 设 是随机序列， 是随机变量， 如果对任意的? ?0，有 设随机序列 独立同分布， 并且 有限，则有 定理2.1 通常把类似于2.5的结论称为弱大数律 (weak law of large numbers). 由切比雪夫不等式得： 证明： 例1（接§4.1 的例1.4 ) 在赌对子时, 甲每次下注100元. 如果他连续 下注n次, 证明他的盈利Sn满足 证明： 用Xi表示甲第i次下注的盈利, 则X1,X2,…, Xn独立同分布. 由§4.1的例1.4知 =EXi=-18.6, Sn=X1+X2+…+Xn. 利用 和定理2.1得到, n 时， P(Sn ?18n) P(| ? μ| 0.6) 于是， P(Sn ?18n) = 1 ? P(Sn ?18n) 1. 说明下注的次数n越多, 至少输18n元的概率 越大。 设 是随机序列， 是随机变量， 定义2.2 如果 则称序列 以概率1收敛于 . 记为 wp1 或 a.s.。 类似于(2.6)的结果称为强大数律(strong law of large numbers). 从强大数律结论(2.6)知道概率的频率定义是合理的。 定理 2.3 如果 wp1. 则 强大数律结论比弱大数律结论要强: 设随机序列 独立同分布， 并且 ，则有 定理2.2 证明：设p是任意小的正数, 事件A1, A2…相互独立, P(Ai)=p. 用 I[Ai] 表示Ai的示性函数, 则 I[Ai] 独立同分布.由强大数律得到 所以 说明有无穷个Ai发生的概率是1. 在多次独立重复试验过程中, 小概率事件必然发生. 例2 观察表明，如果一个量是由大量相互独立的随机因素的综合影响所造成，而每一个别因素在总影响中所起的作用都是微小的.则这种量一般都服从或近似服从正态分布. 该结论得益于高斯对测量误差分布的研究. 中心极限定理的客观背景 §5.3 中心极限定理 强大数律和弱大数律分别讨论了随机序列部分和的依概率收敛和以概率1收敛. 中心极限定理讨论对充分大的n, 随机变量序列部分和 X1+X2+… +Xn 的概率分布问题. 令 Sn = X1 + X2 + … + Xn. 则Sn为n次独立试验中成功的次数,Sn ~ B(n,p)。 时,Sn的分布形状很象正态分布。 例3: 二项分布 则{Xj} iid B(1,p)(两点分布)。 ～ 独立地重复某一试验，设 时,Sn的分布形状很象正态分布。 若{Xj} iid P( ), 则由§3.4 的例4.1知道部分和 例4: Poisson(泊松)分布 例5: 几何分布部分和 设 {Xj｝独立同分布都服从几何分布 上述分布称为帕斯卡分布. 可以将 Sn = X1 + X2 + … + Xn 设想成第n次击中目标时的射击次数(参考几何分布的背景), 于是得到 时,Sn的分布形状很象正态分布。 注：得到第n次成功前失败的次数Y的分布称为负二项分布，易见 且Sn = Y + n. 从演示看出 时,Sn的分布形状很象正态分布。 这里 是标准正