第五章大数定律与中心极限定理习题课.pptVIP

扩展 在实际问题中, 二项分布非常普遍, 为了寻找试验结果, 往往要进行大量的试验(即试验次数大), 一般通过棣莫弗-拉普拉斯中心极限定理来计算概率. 第五章 大数定律和中心极限定理 习题课 在本章中，我们学习了切比雪夫不等式、三个大数定律和三个中心极限定理. 分三块讲解，一是“主要内容归纳”，二是“例题分类解析”，三是“学习与研究方法”总结在“例题分类解析”部分，讲解了：1. 用切比雪夫不等式估计概率；2. 随机变量之和的概率问题； 内容简介： 3. 二项分布与二个极限分布定理；4. 随机变量的算术平均的概率问题；5. 已知随机变量之和取值的概率, 求满足条件的最小正整数n. 本章重点： 1. 三个大数定律的具体内容及其条件; 2. 三个中心极限定理的具体内容及其条件; 1. 三个大数定律的具体应用; 2. 三个中心极限定理的具体应用. 本章难点： 一、 主要内容归纳 1. 切比雪夫不等式 ，则对于任意的正数 设随机变量X具有数学期望 方差 , 有 ≥ ≤ 切比雪夫不等式揭示了随机变量与其均值偏差的概率、数学期望与方差的内在关系. 讲评 2. 切比雪夫大数定律 切比雪夫大数定律表明, 当n很大时, 随机变量X1,X2,…,Xn的算术平均接近于数学期 望, 这种接近是在概率意义上的一种接近. 讲评 则对于任意的正数 , 算术平均 有 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: 也就是说, 在切比雪夫大数定律的条件下, 当n无限增加时, n个随机变量的算术平均 将几 乎变成一个常数. 3. 伯努利大数定律 设nA是n次独立重复试验中事件A发生的次数, p是事件A在每次试验中发生的概率, 则对于任意ε正数, 有 或 伯努利大数定律以严格的数学形式说明了频率的稳定性. 就是说, 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. 同时也为我们平时利用频率来近似代替事件概率给出了理论支撑. 讲评 4. 辛钦大数定律 设随机变量X1, X2,…, Xn, …相互独立, 服从 同分布, 且具有数学期望 则对于任意正数 , 有 辛钦大数定律表明, 当n很大时, 随 机变量的算术平均 会“靠近”它们的数学期 望, 这就为寻找随机变量的数学期望提供了一 讲评 5. 独立同分布的中心极限定理 设随机变量X1, X2,…,Xn…相互独立, 服 从同一分布, 且具有数学期望和方差: 条实际可行的途径, 即在不知确切分布合方差情形下, 取多次重复观测的算术平均 作为均值 的较为精确的估计. , 则随机变 的标准化随机变量 量之和 的分布函数 对于任意实数x满足 的标准化随机变量, 当n充分大时, 独立同分布的中心极限定理说明, 对于均值为 讲评 的 n 个的独立同分 布的随机变量X1, X2,…,Xn,…(不管服从什么分 布)和 方差为 近似服从正态分布.此定理又称为列维-林德 伯格中心极限定理. 6. 李雅普诺夫定理 设随机变量X1,X2,…,Xn,…相互独立, 它们分别具有数学期望和方差: 记 若存在正数 使得当 时, 则随机变量之和 在李雅普诺夫定理的条件下, 无论各个随机变量Xk(k=1,2,…)服从什么分布, 只要满足定理的条件, 那么当n很大时, 它们的和 的标准化随机变量 的分布函数 , 对于任意实数x, 满足 讲评 就近似地服从正态分布. 7. 棣莫弗-拉普拉斯定理 服从参数为n, p(0p1)的二项分布, 则对于任意实数x, 有 设随机变量 棣莫弗-拉普拉斯定理表明, 正态分布是二项分布的极限分布. 讲评 二、 例题分类解析 1.