ch4-4 大数定理与中心极限定理.pptVIP

问完全靠运气通过考试的概率是多少。 解 由棣莫弗—拉普拉斯定理可知所求概率为, 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 高尔顿钉板 高尔顿钉板试验 如图是高尔顿钉板, 常常在赌博游戏中见到, 庄 家常常在两边放置值钱的东西来吸引顾客, 现在 可用中心极限定理来揭穿这个赌博中的奥秘. 设 为钉子的排数, 记随机变量 第 次碰钉后从左边落下 第 次碰钉后从右边落下 易见, 服从两点分布: , 高尔顿钉板试验 , 设 表示第 次碰钉后小球的位置, 显然, 由中心极限定理知 近似服从正态分 布 如图, 设钉板 层, 则标准差 由正态分布的特征, 小球落入中间的概率远远大于 落入两边的概率. * Probability and Statistics– Chapter4 Numerical Characteristics of Random Variable Algebra– Chapter 1 Random Events and Probability Tan Kah Kee College * Probability and Statistics– Chapter4 Numerical Characteristics of Random Variable §4.1 数学期望 §4.2 方差 §4.3 协方差与相关系数 §4.4 大数定律与中心极限定理 教学内容 Chapter 4 Numerical Characteristics of Random Variable 第四章 随机变量的数字特征 Content 第四节 大数定律与中心极限定理 本节要解决的问题 为何能以某事件发生的频率 作为该事件的 概率的估计？ 为何能以样本均值作为总体 期望的估计？ 为何正态分布在概率论中占 有极其重要的地位？ 大样本统计推断的理论基础 是什么？ 答案 大数 定律 中心极 限定理 一、切比雪夫不等式 定理1 设随机变量 的期望 方差 则对于任意给定的正数 有 切比雪夫不等式 证 这里只证明 为连续型随机变量的情形 设 的概率密度为 则有 切比雪夫不等式 注: 切比雪夫不等式也可以写成 切比雪夫不等式表明： 随机变量 的方差越小， 则事件 发生的概率越大， 即， 随机变量 集中在期望附近 的可能性越大. 由此可见方差刻画了随机变量取值的 离散程度. 切比雪夫不等式 在方差已知的情况下， 它的期望的偏差不小于 的概率的估计式. 如 取 则有 切比雪夫不等式给出了 与 故对任给的分布， 只要期望和方差存在， 则随机变 量 取值偏离 超过3倍均方差的概率小于 此外，此不等式作为一个理论工具，应用非常普遍。 例1 已知正常男性成人血液中, 每一毫升白细胞 数平均是 7300, 均方差是 700. 利用切比雪夫不 等式估计每毫升白细胞数在 5200 ~ 9400 之间的 概率. 解 设每毫升白细胞数为 依题意, 所求概率为 解 所求概率为 由切比雪夫不等式 即每毫升白细胞数在 5200 ~ 9400 之间的概率不 小于 8/9. 切比雪夫 不等式 二、大数定律 随机变量序列 相互独立， 是指对任意 都相互独立. 定理2 设随机变量 相互独立， 且具有相同的期望和方差 记 则对任意的 有 (*) 注： 定理表明： 对任意 事件 发生的概率很大， 从概率意义上指出了， 时， 逼近 的确切含义. 当 很大 定理2 设随机变量 相互独立， 且具有相同的期望和方差 记 则对任意的 有 (*) 证明 由 根据切比雪夫 等式即得 令 再注意到概率不可能大于1， 即证得结果. 依概率收敛于 记为 概率论把 (*) 式表示的收敛性称为随机变量序列 定理还表明： 随机变量序列 的算术平均序列 依概率收敛于其数学期望 记 推论 设 是 重伯努试验中事件 发生的次数， 是事件 在每次试验中发生的概率， 则对任意的 有 (**) 这是最早的一个大数定理(伯努利定理) 频率的稳定性 (**) 证明 因为 所以 其中 相互独立， 且都服从以 为参数 分布， 的 因而 注意到 由定理2即证得 (*) 式. 结果也说明概率很小的随机事件发生的频率也很小 小概率原理: 概率很小的事件在个别试验中几乎不会发生 三、中心极限定理 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，则它可 是由于许多彼此没有什么相依关系，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 被看成为许多相互独立的起微小作用的因素 正态分布. Xk 的总和 ，