概率大数定律和中心极.pptVIP

定理三:De Moive---Laplace定理 前已详述. 综述 大数定律给出的是随机变量的取值相对于起数学期望的稳定性 中心极限定理给出的是随机变量的取值的分布的稳定性 大数定律给出的是随机变量的取值相对于起数学期望的稳定性 这种稳定性有两个方面值得注意: 1)对于大量随机变量的和,若每个随机变量都有好的性质,那么,它们的和变量的取值相对于它们的数学期望的和具有稳定性. 2)对于某一随机变量,若该随机变量有好的性质,那么,若对它进行很多次的测量,测量结果的平均值相对于它的数学期望的和具有稳定性. 中心极限定理给出的是随机变量的取值的分布的稳定性 这种稳定性有三个方面值得注意: 1) 对于大量随机变量的和,若每个随机变量都有好的性质,而且它们互不相关,那么,它们的和变量的取值的分布可以用正态分布来描述 2)这种稳定性和每个随机变量的具体分布无关. 3) “大量”两个字必须予以充分的注意 正态分布和大数定律及中心极限定理 1)正态变量的和变量仍然是正态变量 2) “正态变量的和变量仍然是正态变量”这一结论对于少数几个变量的情况亦成立. 3)中心极限定理给出的 “大量的随机变量的和的取值相对于正态分布的稳定性”和每个随机变量的具体分布无关.但是, “大量”两个字必须予以充分的注意. 这是以后讨论正态总体和非正态总体时必须要注意的 大数定律和中心极限定理 → → p → p p p p p p 实际推断原理 对于自然界中的随机现象,虽然无法确切的判断其状态的变化,但依据人们在长期生产实践中所积累的经验,能够自然地 *把那些概率接近于1的事件在一次试验中看成是必然事件. *把那些概率很小的事件在一次试验中看成是不可能事件. “概率很小”的理解 “概率很小”的概念是相对的.是根据人的主观意识制定的某种原则来判断的. “概率很小”的概念与所考虑的问题有关. 如0.1%的概率在描述 “去食堂吃饭排队与否”和在描述 “药物是否有副作用”时具有完全不同的意义. “概率很小”在很多次试验中几乎肯定 “至少会发生一次” “概率接近于1的事件” “概率接近于1的事件”可以看作是 “实际上的必然事件” “概率接近于1的事件”在实际问题中作判断时具有重要意义. “概率接近于1的事件”及 “概率接近于0的事件”是概率论中的基本问题之一.这是在实际问题中作判断时所必须的. “必然性”的概率意义和实际意义 “概率接近于1的事件”可以看作是 “实际上的必然事件” 这种实际上的必然性是相对意义上的必然性.这种实际上的必然性和绝对意义上的必然性是完全不同的两个概念. 同样可以理解 “概率接近于0的事件”和 “不可能性” “逐渐稳定”和 “非常靠近” 通常我们认为:随着观察次数n的增大,频率将“逐渐稳定”到概率. 通常我们认为:随着观察次数n的增大,频率将“非常靠近”到概率. 这种“逐渐稳定”和 “非常靠近”和高等数学中的极限有着本质的差异. “逐渐稳定”和 “非常靠近” 经验告诉我们:在研究由大量的相互独立(或弱相关)的随机因素所构成的总体时,如果每一个个别因素对总体的影响都很小,那么这些个别因素的影响将相互作用,相互抵消,从而使总体具有稳定性,几乎不再是随机的了. 如:分子压力 “逐渐稳定”和 “非常靠近”表明:1)稳定状态是存在的.2)稳定状态中,必然性压倒随机性. 大数定律 大数定律研究的是 1) “概率接近于1的事件”或“概率接近于0的事件” 2)随机现象的稳定性质.这种稳定性质要用“概率接近于1” “概率接近于0”来描述. §1.大数定律 定理一:(契比雪夫定理) . 契比雪夫定理的意义 . . 定理二: (契比雪夫定理的特殊情形) . 契比雪夫定理的特殊情形的讨论 契比雪夫定理的特殊情形讨论了诸随机变量同分布的情形,对以后进行简单随机样本的讨论更具针对性. 给出了寻找随机变量的数学期望的一条切实可行的方法 定理三: 辛钦定理 . 辛钦定理的意义: 在契比雪夫定理的特殊情形的基础上去掉了对方差的要求. 定理四: 贝努利大数定理 . 贝努利大数定理的意义: 以频率代替概率的可能性. 给了概率以可测量性 给了确定随机事件的概率的方法 中心极限定理 林德贝格条件(连续型随机变量): . 林德贝格条件(离散型随机变量): . 林德贝格条件的意义: . 对此,我们有: . . . 一种满足林德贝格条件常见情形 . 林德贝格定理: . 定理(独立同分布的中心极限定理)(林德 贝格定理) . . 定理二:(李雅普诺夫定理) . p .