概率与统计第五章课件课课件.pptVIP

第五章 大数定律与中心极限定理; 第一章引入概率概念时，曾经指出，事件发 生的频率在一、二次或少数次试验中具有随机性 的，但随着试验次数n的增大，频率将会逐渐稳 定且趋近于概率。特别，当n很大时，频率与概 率会非常“接近”的。这个非常“接近”是什么意思？ 这与高等数学中的极限概念有否联系？本章将从 理论上讨论这一问题。 ;定理1 设随机变量的数学期望EX=? ，方差DX=? 2，则对任意的正数?，不等式 (1) 成立。这个不等式称为切比雪夫(Cheby shev)不等式。 ; 式(1)表明当DX很小时，概率P{|X-EX|≥?} 更小。 这就是说在上述条件下，随机变量X落入EX的?邻域 之外的可能性很小，也即落入EX的?邻域内可能性 很大。由此说明X的取值比较集中，也即离散程度较 小，这正是方差的意义所在。 切比雪夫不等式在理论研究和实际应用中都有很重要的价值。 ;切比雪夫不等式也可以写成如下等价形式;定理2 （伯努利(Bernoulli)大数定律）设 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，则对任意正数 0，有 ; 设Y1，Y2，…，Yn，…是一个随机变量序列，a是一个常数，若对任意的正数 ，有 ;定理3（切比雪夫大数定律）设X1，X2，…，Xn，…是相互独立的随机变量序列，又设它们的方差有界，即存在常数c0，使得 ; 伯努利大数定律是切比雪夫大数定律的特例, 在它们的证明中, 都是以切比雪夫不等式为基础的, 所以要求随机变量具有方差。但进一步的研究表明，方差存在这个条件并不是必要的。即有下面的独立同分布的辛钦大数定律。; 这就为寻找随机变量的期望值提供了一条实际可行的途径。 ;小结;第二节 中心极限定理;一、问题的引入; 定理5（独立同分布中心极限定理）设X1，X2，…，Xn，…是相互独立，且服从同一分布的随机变量序列，并具有数学期望和方差： ;两点说明： ;2°因为对 ;作为定理5的推论有 ; 证 由§5.1的定理2的证明可知，Yn可以看成是n个相互独立，且服从同一(0-1)分布的随机变量X1，X2，…，Xn之和，即;下面的图形表明:正态分布是二项分布的逼近.; 定理7（李雅普诺夫Liapunov定理）设随机变量 X1，X2，…，Xn ，…相互独立，且 ;不难看出，当n很大时， ;三、小结