概统4 4节.pptVIP

设非负 r.v. X 的期望 E( X )存在， 则对于任意实数 ? 0, 证 仅证连续型 r.v.的情形 重要不等式 一． 大数定律 §5.1 设随机变量 X 的k阶绝对原点矩 E( |X |k) 存在，则对于任意实数 ? 0, 推论 1 设随机变量 X 的方差 D ( X )存在， 则对于任意实数 ? 0, 推论 2 ——切贝雪夫( chebyshev)不等式 或 当 ? 2? D(X) 无实际意义, ——马尔可夫 ( Markov ) 不等式 例1 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2 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 大数定律 贝努里（Bernoulli） 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. 贝努里(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 其数学期望 p . 结果同样适用于服从其它分布的独立 r.v. 序列 Chebyshev 大数定律 相互独立， 设 r.v. 序列 (指任意给定 n 1, 相互独立) 且具有相同的数学期望和方差 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 注2 相互独立的条件可以 去掉，代之以 注1 不一定有相同的数学 期望与方差，可设 有 相 设 r.v.序列 则 有 互独立具有相同的分布，且 记 注3 则 则 连续， 若 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 ] (Lindberg-levi) (De Moivre-Laplace) 独立同分布的中心极限定理 设随机变量序列 独立同一分布, 且有期望和方差： 则对于任意实数 x , 定理 1 注 则 Y n 为 的标准化随机变量. 即 n 足够大时，Y n 的分布函数近似于标 准正态随机变量的分布函数 记 近似 近似服从 中心极限定理的意义 在第二章曾讲过有许多随机现象服从 正态分布 若联系于此随机现象的随机变量为X ， 是由于许多彼次没有什么相依关 系、对随机现象谁也不能起突出影响，而 均匀地起到微小作用的随机因素共同作用 则它可被看成为许多相互独立的起微小作 用的因素Xk的总和 ，而这个总和服从 或近似服从正态分布. (即这些因素的叠加)的结果. 对此现象还 可举个有趣 的例子—— 高尔顿钉板 试验—— 加 以说明. 0 3 — 钉子层数 德莫佛—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)