大数定律依概率收敛序列的性质西电个人主页.ppt

*/41 所求概率为 分布律为 直接计算很麻烦，利用德莫佛－拉普拉斯定理 §5.2 中心极限定理 */41 §5.2 中心极限定理 */41 对于一个学生而言, 来参加家长会的家长人数是一个随机变量. 设一个学生无家长、1名家长、 2名家长来参加会议的概率分别为0.05、0.8、0.15. 若学校共有400名学生, 设各学生参加会议的家长数相互独立, 且服从同一分布. (1) 求参加会议的家长数X超过450的概率; (2) 求有1名家长来参加会议的学生数不多于340的概率. 解 例3 §5.2 中心极限定理 */41 根据定理4 §5.2 中心极限定理 */41 §5.2 中心极限定理 */41 由德莫佛－拉普拉斯定理知, §5.2 中心极限定理 */41 证 例4 §5.2 中心极限定理 */41 根据定理4 §5.2 中心极限定理 */41 本章小结 */41 本章作业 第一次： P126：1，3，5，10，11，13 */41 谢谢！ * Μ 本科生必修课：概率论与数理统计 第五章 大数定律及中心极限定理 主讲教师：董庆宽 副教授 研究方向：密码学与信息安全 电子邮件：qkdong@ 个人主页：/qkdong/ */41 第五章 大数定律及中心极限定理 §5.1 大数定律 §5.2 中心极限定理 */41 §5.1 大数定律 大数定律(law of large numbers)，又称大数定理，是一种描述当试验次数很大时所呈现的概率性质的定律。但是大数定律并不是经验规律，而是严格证明了的定理。 在前面我们接触了两个重要的概念 大量试验后事件发生的频率nA/n稳定于一个常数，即概率 大量试验的算术平均值稳定于数学期望 大数定律就是以确切的数学形式表达了大量重复出现的随机现象的统计规律性 即频率的稳定性和算术平均值的稳定性 */41 弱大数定理 1(契比雪夫定理的特殊情况)  设随机变量X1, X2,..., Xn,...相互独立, 且具有相同的数学期望和方差: E(Xk)=m, D(Xk)=s2(k=1,2,...), 作前n个随机变量的算术平均值 则对于任意正数e, 有 §5.1 大数定律 定理的解释：当n??时， 这一随机事件的概率趋近于1 即对任意的正数ε，当n充分大时，不等式 成立的概率很大 */41 证 由契比雪夫不等式可得 由随机变量X1,X2,…,Xn,…相互独立，且具有相同的数学期望和方差，有 在上式中令n??, 并注意到概率不能大于1, 即得 */41 定理的实际含义：令ε充分小，当n充分大时，随机变量X1,X2,…,Xn的算术平均值无限接近数学期望E(X1)= E(X2)=…= E(Xn)，即当n无限增加时n个随机变量的算术平均值 将几乎变成一个常数。这种接近是概率意义上的接近 §5.1 大数定律 */41 §5.1 大数定律 概率中的几种收敛 依概率收敛 依分布收敛 几乎必然收敛 */41 §5.1 大数定律 定义 已知随机变量序列Y1,Y2,...,Yn,... 与随机变量Y。如果对 ，都有 那么我们就称随机变量序列{Yn，n?Z+}依概率收敛到随机变量Y ，记为 依概率收敛的本质是Yn对Y的绝对偏差小于任一给定量的可能性将随着n的增大而增大. 特别当Y为退化分布时,即P{Y=a}=1,则称序列依概率收敛于a,即 */41 §5.1 大数定律 依概率收敛序列的性质 (只考虑收敛于常数a的情况)： 若 ， ，又设函数g(x,y)在点(a,b)连续，则 这样上述弱大数定理可以描述为 定理一 设随机变量X1,X2,…,Xn,…相互独立，且具有相同的数学期望和方差：E(Xk)=μ，D(Xk)=σ2(k=1,2,…)，则序列 依概率收敛于μ， 即 */41 §5.1 大数定律 在概率极限理论中,研究随机变量序列收敛性的同时当然也要研究相应的分布函数序列的收敛性 如：中心极限定理，第六章的经验分布函数Fn(x)等 定义3 设 {Fn(x),n?N}是一列定义在R上的有界非减左连续函数，如果存在一个满足同样条件的函数F(x)使得 则称{Fn(x),n?N}弱收敛到F(x)，记为 如果Fn(x)是一列分布函数，并且存在分布函数F(x) ，使得