概率论与理统计 五大数定理.pptVIP

* 用来阐明大量随机现象平均结果稳定性的定理. 切比雪夫不等式: 设随机变量 X 有数学期望 EX 及方差 DX， 则对于任何正数 ?，下列不等式成立： 第五章 大数定理与中心极限定理 “大数定律”: 或 就 X是连续型随机变量的情况证明： 证 一、切比雪夫不等式 设X 的概率密度为 则 例1 利用切比雪夫不等式估计随机变量与其数学期望的差大于 三倍标准差的概率. 解 当X 的分布未知时，利用E(X)、D(X)可以得到关于概率 的粗略估计。 放大被积函数其值也大 放大积分区 间其值也大 [注]： 例2 为了确定事件 A 的概率, 进行了10000次重复独立试验. 利用切比雪夫不等式估计：用事件A 在10000次试验中发生 的频率作为事件 A 的概率近似值时, 误差小于0.01的概率. 解 设事件A 在每次试验中发生的概率为 p， 在这10000次试验 中发生了X 次, 则 因此，所求事件的概率为 的数学期望是： 独立随机变量 的算术平均值： 二、大数定理 的方差为： ∴若方差一致有上界，则 当 n 充分大时， 随机变量 分散程度是很小的， 由此， 也就是说， 的值较紧密地聚集在它的数学期望 的附近. 切比雪夫定理： 设独立随机变量 , 则对于任何正数 ?，恒有 分别有数学 及方差 即存在某一常数K，使得 且方差是一致有上界的， 期望 并 按概率收敛于 当 时， 按概率收敛于零。 或说 这就是说， 证 并注意到概率不能大于1，得证. 对于随机变量 由切比雪夫不等式 所以 若对于任何正数 ?， 定义： 记作 当 时按概率收敛于数 a ， 则称随机变量 [注]： 则 的算术平均值当 期望 ? 及方差 ， 设独立随机变量 服从同一分布, 并且有数学 时，按概率收敛于μ， 即对于任何正数 ?，恒有 推论(辛钦大数定律) 伯努利定理： 在独立试验序列中，当试验次数无限增加时，事件A 的频 率按概率收敛于事件A 的概率. 概率很小的事件在个别试验中是不可能发生的。 小概率事件的实际不可能性原理： 即：设事件 A 的概率 P(A) = p， 发生的次数，事件 A 的频率为 恒有 m 表示 A 在 n 次独立试验中 则对于任何正数? ， 若次品率不大于0.01， 则任取200件，发现6件次品的概率 应不大于 利用泊松定理， 取λ=200×0.01=2 此概率很小， 据小概率事件的实际不可能性原理， ∴不能相信该工厂的次品率不大于0.01。 品能否相信该工厂的次品率不大于0.01。 例3 从某工厂的产品中任取200件，检查结果发现其中有6件次 解 设事件 表示“在 n 次独立试验中，事件A发生”； 表示“在第 i 次试验中，事件A发生”。 而 显然， 例4 设在每次试验中，事件 A 发生的概率均为 p(0p1)，且 p 很小(小概率事件)，求在 n 次独立试验中，事件A发生的概率。 解 [注] 小概率事件尽管在个别试验中不可能发生，但在大量试验 中几乎必然发生。 第二节 中心极限定理 概率论中有关论证随机变量的和的极限分布是正态分布的定 理叫做中心极限定理。 设 是独立随机变量，并各有 则： 设独立随机变量 林德伯格条件 林德伯格定理: 则当 时, 有 若每一个别随机变量对于 总和不起主要作用， [注] 当 n 充分大时, 近似地服从正态分布 列维定理 则当 时，它们和的极限分布是正态分布，即 (z 为任意实数.) 考虑随机变量: 则 学期望和方差： 设独立随机变量 服从同分布,并且有数 解 由列维定理知, 所求的概率 例1 计算机进行加法计算时, 把每个加数取为最接近于它的整数 来计算. 设所有的取整误差是相互独立的随机变量, 并且都在 区间[-0.5,0.5]上服从均匀分布, 求 300 个数相加时误差总和的 绝对值小于10的概率。 设随机变量　 表示第i个加数的取整误差，则 在区间 上服从均匀分布，并且有 德莫威尔—拉普拉斯定理　 其中z 是任何实数， 设在独立实验序列中，事件A 在各次实验中发生的概率为 随机变量 表示事件A 在n 次实验中发生的次 数，则有 　 由于随机变量　 服从二项分布 拉斯定理说明：当 n 充分大时，服从 的随机变量 所以德莫威尔—拉普 近似地服从正态分布 (1) 已知 n=200, p =0.75， 解 np=150， (1) 任一时刻有14