第5章极限定理 讲义.pptVIP

第5章 极限定理 一、大数定律 有关以极限形式建立的概率接近0或1的规律的定理都称为大数定律。 ①车贝雪夫定理 设X1, X2,…,Xn 独立, E(Xi )存在,且存在常数C,使得D(Xi)C, i=1, 2,…, n ,则对任 意正数ε有 证明:因为X1, X2,…,Xn相互独立,因此 由车贝雪夫不等式,对任意正数ε有 因此 推论:若X1, X2,…,Xn相互独立具有相同的数学期望E(Xi )=a (i=1, 2,…, n)和方差 D(Xi )=σ2 (i=1, 2,…, n) ,则有 这就是车贝雪夫定理的特例,这个推论说明,在推论设定的条件下,当n无限增加 时, n个随机变量的平均值将几乎变成数学期望a。 ②贝努里定理 设贝努里试验中事件A在每次试验中出现的概率p(0≤p≤1),以nA表示在 n次试验中A出现的次数,则对任意ε0,有 或 这是用大量试验中事件的频率作为概率近似值的理论根据。 证明：定义随机变量 则在n次试验中A出现的次数 ,由于X1, X2,…,Xn是相互 独立的随机变量,且每一Xi均服从(0-1)分布,因此,E(Xi )=p , D(Xi )=p (1- p), (i=1, 2,…, n)再利用 得到 即 ③泊松定理 设在一个试验序列中,事件A在第i次试验中出现的概率为pi ,若在前n 次试验中, A出现了nA次,则对任意ε0,有 ④辛钦定理 上述各定理都要求各随机变量Xi(i=1, 2,…, n )的方差存在且一致有界。 然而,在许多场合这一要求往往不满足,而仅仅满足各随机变量独立同分布 的条件,辛钦给出了这种条件下的大数定律。 设Xi(i=1, 2,…, n )为独立同分布的随机变量序列,且具有相同的数学期望 E(Xi )=μ (i=1, 2,…, n ),则对任意ε0,有 二、中心极限定理 论述独立随机变量之和的极限分布是正态分布的定理,通称为中心极 限定理。 定义:设{xn}为相互独立的随机变量序列,各Xi数学期望和方差均存在, 记 记Yn的标准化变量为 若对所有的x∈R,一致地有 (即当n→∞时, Yn* 的分布函数趋于标准化正态分布),则称随机变量序列服 从中心极限定理。 ①林德伯格——勒维定理 设X1, X2,…,Xn 是独立同分布的随机变量,且E(Xi )=a ,D(Xi )=σ2 (i=1, 2,…, n ),若0σ2 +∞,则随机变量 当n→∞时,服从正态分布N(0,1),即对任意实数x,有 例:设Xi ~U(-0.5,0.5),(i=1, 2,…, n ),试计算 的近似值。 解: ②德莫佛——拉普拉斯定理 设随机变量Zn(n=1,2,…)服从参数为n, p(0≤p≤1)的二项分布,则随机变量 当n→∞时,服从正态分布N(0,1),即对任意实数x,有 证明:令 则 因此由林德伯格——勒维定理,知 当n→∞时, Yn~ N(0,1) 。 例:设某种产品的不合格率为0.005,任取10000件,问不合格品少于60件的概率 等于多少? 解:若用Zn表示次品率为p的n件产品中出现的次品数, Zn~B(n,p) , n=1