第四章+极限定理.pptVIP

* 主页 退出 * 第四章 极限定理 ? 大数定律 ? 中心极限定理 主页 退出 * ? 4.1 大数定律 方法：建立概率接近于0（或1）的规律 小概率事件：概率接近于0的事件 小概率原理：小概率事件在一次试验中被认为是不可能发生的 大概率事件在一次试验中被认为是一定会发生的 大概率事件：概率接近于1的事件 问题：若事件的概率既不接近于0，也不接近于1， 此事件的发生与否如何？ 在一次试验中随机事件的发生与否具有随机性，但在大量的 重复试验中却呈现出明显的规律性。 * 例如： 在n重独立试验中，事件A发生的频率为mn / n, 当n充分大时，A 发生的频率mn / n在概率P附近摆动， 而且n越大，偏离的可能性就越小 p p-? p+? 以极限的方式建立概率接近于0（或1）的规律 大数定律：当试验次数很大时呈现出的规律。 * 4.1.1 切贝晓夫（Chebyshev）不等式: （2） X的方差越小，P(|X -EX|e )就越大，即X 的取值越集中在EX 附近。这进一步说明了方差的概率含义：刻划了随机 变量取值与均值的离散程度。 证明： 设X 为连续型随机变量，其密度函数为f(x) 注（1）结论 等价于 设随机变量X 的期望EX及方差DX存在，则对任意的 e 0，有 EX EX-? EX+? * 例：某电网有10000盏灯，夜晚每盏灯打开的概率为0.7,假定 各灯的开、关彼此独立。用切比晓夫不等式估计夜晚同时开着 的灯的数量在6800与7200之间的概率。 解：设X表示夜晚同时开的灯数，则X~B（10000，0.7）。 EX=7000，DX=2100 由切贝晓夫不等式得: 注：X的分布可以不给出,而只给出其期望,方差即可. * 4.1.2 切比晓夫大数定律 注: (1)定义中的式子等价于 (3)若X 是一随机变量,且 ,则称随机变量序列 {X n} 依概率收敛于X ，简记为： 定义4. 3：设 X 1 , X 2 , …, X n ,…是一随机变量序列，如果存在常数 a ，使对任意的 e 0，都有： 则称随机变量序列 {X n} 依概率收敛于 a，简记为： a a-? a+? (2) {X n}依概率收敛于a意味着对任给正数 e ，当 n 充分大时， 事件“|X n- a|e ”发生的概率很大，接近于 1.当 n 充分大时, X n的取值就密集在a附近。但并不排除 事件“|X n- a|?e ”的发生， 只不过它发生的可能性很小而已。 * 由切贝晓夫不等式得： 证： 切贝晓夫大数定理 定理4.1： 设X1, X2, …, X n, … 是相互独立的随机变量序列，期望EX1, EX2, …, EXn, … 及方差DX1, DX2, …, DXn, …都存在，且方差有界（对任意 i 有DXi ? M（常数）），则对于任意的 ? 0，恒有 * 推论： 设X1, X2, …, Xn, … 是独立同分布的随机变量序列， EXi =? , DXi =? 2 （i=1，2， …），则对于任意的 ? 0，恒有 注：（1）结论等价于 (3)当n充分大时,“n个独立随机变量的算术平均数”的离散程度是 很小的。这意味着：只要n充分大，尽管n个随机变量可以各有分布， 但其算术平均以后得到的随机变量 将较密集地聚集在它的 期望 附近，不再为个别随机变量所左右。---大数定律 推论中方差的存在性可去掉， 得如下结论 * 这一推论使算术平均值的法则有了理论根据。假使要测量某 一个物理量a ,在不变的条件下重复测量 n 次，得到的观测值x1, x2, …, xn 是不完全相同的，这些结果可以看作是服从同一分布并且期望值为a 的n 个相互独立的随机变量 X1, X2, …, Xn …的试验数值。由推论可知，当n充分大时,取( ) 作为 a 的近似值，可以认为所发生的误差是很小的。即对于同一个随机变量X 进行 n 次独立观察，则所有观察结果的算术平均数依概率收敛于随机变量的期望值 EX 。 切贝晓夫大数定理推论 （辛钦大数定理） 辛钦大数定理：设X1,X2, …,Xn, …是独立同分布的随机变量序列 EXi =? , （i=1，2， …），则对于任意的 ? 0，恒有 * 贝努利大数定理 证：令