第四章 随机变量的数字特征N.pptVIP

§4.4 大数定律与中心极限定理 　 大数定律和中心极限定理是概率论的重要结果，它们从理论上解决了概率引入“频率的稳定性”以及一类随机变量和的分布问题。这两类结果揭示了随机现象的统计规律。 　在大量的随机现象中，随机事件的频率具有稳定性。 概率论中用来阐明大量随机现象平均结果的稳定性的一系列定理，称为大数定律（law of large number)。 “概率”的概念是如何产生的？ 设 次独立重复试验中事件 发生的 随机变量 频率 概率 “频率稳定性”的严格数学描述是什么？ 怎样定义极限 次数为 则当 时,有 n重伯努利试验 怎样理解“越来越接近”？ 是随机变量列 是定义在样本空间上的函数列 函数列的收敛定义： 有 收敛于 是指: 设函数 在区间 上有定义, 对于随机变量列,是否有 不太现实, 要求太严! 逐点收敛 则称 记为 依概率收敛于 是一列随机变量,若 有 设 的直观含义: 随着 的增大,绝对误差 较大的可能性越来越小. 抛硬币试验的频率稳定性 定义： 定理：若随机变X的期望和方差都存在，则对任意??0，有 这就是著名的切比雪夫(Chebyshev)不等式。 它有以下等价的形式： 证明如下： 切比雪夫不等式 例：已知某种股票每股价格X的平均值为1元，标准差为0.1元，求a,使股价超过1+a元或低于1-a元的概率小于10%。 解:由切比雪夫不等式 令 设相互独立的随机变序列X1,X2...Xn...的数学期 望为E(Xi)和方差D(Xi)（i=1,2...)都存在，且存在 正常数c，使D(Xi)≤c（i=1,2...)，则对任意??0，有 切比雪夫大数定律 证明：由期望与方差的性质知 利用切比雪夫不等式，若 有 （伯努利大数定律）设 是 次独立重复试 验中事件 发生的次数,且 则 有 令 第 次试验 发生 第 次试验 不发生 则 相互独立 从而 如何证明 机变量列,且具有相同的数学期望和方差,记 （独立同分布大数定律）设 为相互独立的随 则 有 设随机变量 的方差 存在,则 有 概率论历史上的第一个大数定律，由雅可比·伯努利于1713年发表的著作《猜测术》中提出. 伯努利大数定律、切比雪夫大数定律均要求随机列变量列的方差存在 , 该条件可用 “同分布”来代替 或 （辛钦大数定律）设 是独立同分布r.v列, 存在，则 服从大数定律,即 有 给出了“频率稳定性”的严格数学解释. 提供了通过试验来确定事件概率的方法. 是数理统计中参数估计的重要理论依据之一 是Monte Carlo方法的主要数学理论基础。 在概率论发展初期，由于概率的数学定义尚未明确，所以缺乏理解概率收敛的理论基础，故把频率“趋于”概率视为经大量试验而得到的结果，象物理学的定律一样. 在概率论的公理化体系建立以后，大数定律可在理论上进行严格的证明而成为意义明确的定理，故现在教材上称为“大数定理”. END 为什么叫“大数定律” 而不叫“大数定理” 大数定律的意义 中心极限定理是关于满足一定条件的随机变量的和以正态分布为其极限分布的一系列定理 中心极限定理 客观背景：客观实际中，许多随机变量是由大量相互独立的偶然因素的综合影响所形成，每一个微小因素，在总的影响中所起的作用是很小的，但总起来，却对总和有显著影响，这种随机变量往往近似地服从正态分布。 列维—林德伯格定理 （独立同分布的中心极限定理） 设随机变量X1，X2，…，Xn相互独立，服从同一分布，且有有限的数学期望 和方差 ，则随机变量 的分布函数 满足如下极限式 定理的应用：对于独立的随机变量序列 ，不管 服从什么分布，只要它们是同分布， 且有有限的数学期望和方差，那么，当n充分大时， 随机变量 ，都近似服从标准正态分布，即 有 ，因而，这些随机变量之和 ， 近似地服从正态分布 例 一部件包括10部分，每部分的长度是一个随机变 量，相互独立，且具有同一分布。其数学期望是2mm， 均方差是0.05mm，规定总长度为20±0.1mm时产品合 格，试求产品合格的概率。 解 设部件的总长度为X，每部分的长度