棣莫弗—拉普拉斯中心极限定理demoivre-laplace.ppt

比较几个近似计算的结果 中心极限定理 二项分布(精确结果) Poisson 分布 Chebyshev 不等式 比较 THE END 7 大数定律和中心极限定理 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 一、大数定律 §5.1 设随机变量 X 的方差 D ( X )存在， 则对于任意实数 ? 0, 切比雪夫( chebyshev)不等式： 或 当 ? 2? D(X) 无实际意义, 该不等式可以粗略估计随机变量取 值落在期望左右某个范围内的概率 例： 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 ) 例1 实际精确计算 用Poisson分布近似计算 取? = 1000 例： 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 例2 即 即 由 Chebyshev 不等式，? = 0.01n ,故 令 解得 伯努利（Bernoulli） 大数定律 设un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 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. 伯努利(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Xk的共同的 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. 弱大数定律 独立同分布， 设 r.v. 序列 (指任意给定 n 1, 相互独立) 则 有 或 定理的意义 当 n 足够大时, 算术平均值几乎是一常数. 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. 算术 均值 数学 期望 近似代替 可被 §5.2 二、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 ] (Lindeberg-levi) (De Moivre-Laplace) 独立同分布的中心极限定理 设随机变量序列 独立同分布, 且有期望和方差： 则对于任意实数 x , 注 则 Yn 为 的标准化随机变量. 即 n 足够大时，Yn 的分布函数近似为标 准正态随机变量的分布函数 记 近似 近似服从 棣莫弗—拉普拉斯中心极限定理 （DeMoivre-Laplace ） 设 Y n ~ B( n , p) , 0 p 1, n = 1,2,… 则对任一实数 x，有 即对任意的 a b, Y n ~ N (np , np(1-p)) (近似) 应用1 例：炮火轰击敌方防御工事 100 次, 每次 轰击命中的炮弹数服从同一分布, 其数学 期望为 2 , 均方差为1.5. 若各次轰击命中 的炮弹数是相互独立的, 求100 次轰击中： (1) 至少命中180发炮弹的概率; (2) 命中的炮弹数不到200发的概率. 解：设 X k 表示第 k 次轰击命中的炮弹数， 相互独立， 设 X 表示100次轰击命中的炮弹数, 则 由独立同分布中心极限定理, 有 (1) (2) 例：检验员逐个检查某产品,每查一个需 用10秒钟.但有的产品需重复检查一次， 再用去10秒钟. 若产品需重复检查的概率 为 0.5,求检验员在 8 小时内检查的产品多 于1900个的概率. 解：若在 8 小时内