12第五章 大数定理和中心极限.ppt

第五章 大数定律及中心极限定理 第一部分 大数定律 例5-1 设X是抛掷一枚骰子所出现的点数,若给定?=2, 2.5, 实际计算P{|X-E(X)|??}, 并验证契比雪夫不等式成立. 例5-1 设X是抛掷一枚骰子所出现的点数,若给定?=2, 2.5, 实际计算P{|X-E(X)|??}, 并验证契比雪夫不等式成立. 例5-1 设X是抛掷一枚骰子所出现的点数,若给定?=2, 2.5, 实际计算P{|X-E(X)|??}, 并验证契比雪夫不等式成立. 三、基本定理 四、小结 第二部分 中心极限定理 正态分布在概率论与数理统计中占有很重要的地位，在自然界与工程实践中经常遇到大量的随机变量都是服从正态分布的. 在某些条件下，即使原来不服从正态分布的一些随机变量，它们的和的分布当随机变量的个数无限增加时也趋于正态分布。 在概率论中，把有关论证随机变量和的极限分布为正态分布的一类定理称为中心极限定理。 二、基本定理 注： 注： 例5-3 对敌人的防御地段进行100次射击，每次射击的命中目标的炮弹数是一个随机变量，其数学期望为2，均方差为1.5，求这100次射击中有180颗到220颗炮弹命中目标的概率. 结论： 三、小结 概率统计是研究随机变量规律性的数学学科，而随机现象的规律性只有对大量的随机现象的考察中才能显现出来，研究大量随机现象的统计规律，常常采用极限定理的形式去刻画，由此导致对极限定理的研究，极限定理的内容非常广泛，本章只讨论大数定理和中心极限定理。 一、契比雪夫不等式 三、基本定理 二、典型例题 四、小结 一、契比雪夫不等式 证明 取连续型随机变量的情况来证明. 切比雪夫不等式 . , , ) ( )及 ( 成立 不等式 则对于任意正数 方差 具有数学期望 设随机变量 定理 ε X D X E X 得 契比雪夫不等式的含义 契比雪夫不等式用于估计X落入区间(E(X)-?, E(X)+?)的概率. 当方差D(X)很小时, X落入区间(E(X)-?, E(X)+?)是大概率事件; X落入区间(E(X)-?, E(X)+?)之外是小概率事件. . , , ) ( )及 ( 成立 不等式 则对于任意正数 方差 具有数学期望 设随机变量 定理 ε X D X E X 解: X的分布律为 所以 故 二、典型例题 |X-7/2| 5/2 3/2 1/2 1/2 3/2 5/2 1 2 3 4 5 6 X 1/6 1/6 1/6 1/6 1/6 1/6 P 若?=2, 则P{|X-E(X)|??}=P{|X-7/2|?2} =1/3 可见契比雪夫不等式成立 |X-7/2| 5/2 3/2 1/2 1/2 3/2 5/2 1 2 3 4 5 6 X 1/6 1/6 1/6 1/6 1/6 1/6 P 若?=2.5, 则P{|X-E(X)|??}=P{|X-7/2|?2.5} =1/3 可见契比雪夫不等式成立 例 已知随机变量X的期望E(X)=100,方差D(X)=10,估计X落在80到120内的概率. 解 定理5-2（贝努利大数定理） 关于贝努利定理的说明: 故而当 n 很大时, 事件发生的频率与概率有较大偏差的可能性很小. 在实际应用中, 当试验次数很大时, 便可以用事件发生的频率来代替事件的概率. 独立同分布随机变量序列 设随机变量序列X1, X2,…,Xn,… 是相互独立的,若对任意的n1, X1, X2,…,Xn是相互独立的, 且所有的变量Xi又具有相同的分布,则称X1, X2,…,Xn,… 是独立同分布随机变量序列。 定理5-3（独立同分布随机变量序列的契比雪夫大数定律） 契比雪夫定理的特殊情况 表达式的意义 证明 由契比雪夫不等式可得 则 关于定理5-3的说明: （这个接近是概率意义下的接近） 即在定理条件下, n个随机变量的算术平均, 当n无限增加时, 几乎变成一个常数. 定理5-3的另一种叙述: . , 1 ), , 2 , 1 ( ) ( , ) ( , , , , , 1 2 2 1 m m s m ? ? ? = = = = ? = P n k k k k n X X n X k X D X