大数定律与中心极限定理.docx

百度文库 第五章 大数定律与中心极限定理 大数定律：概率论中，阐明、揭示大量随机现象平均结果的稳定性的一系列定律。 如：前面学习过： (1) 在相同条件下，进行大量重复独立试验时，随机事件发 生的频率具有稳定性，即 f n ( ) nA (当 n 时) 。 A n p 实践中得出，大量测量值的平均值也是具有稳定性， X1 X 2 ... X n 常数 (当n 时 ) 。 即 X n 大数定律从理论上给出了这类问题的论证。 一、切贝雪夫不等式 切贝雪夫不等式：设随机变量 X 有数学期望 EX 及方差 DX ，则任意给出 0，有 DX P{|X EX| } 2 或 P{|X EX| } 1 DX2。 例 1. 某批产品次品率，试估计 10000 件产品中，次品数 X 介于 400~600 件之间的概率。 解： X ~ B(10000,0.05) ， EX np 500 ， DX np(1 p) 10000 0.05 0.95 475 ， 因此 P{400 X 600} P{| X 500| 100} 1 DX 1 475 0.525 。 1002 1002 二、大数定律 依概率收敛：若存在常数 a , 使得对于任意正数 ，有 lim P{| X n a | } 1, n 则称随机变量序列 { Xn} 依概率收敛于 a . 切比雪夫大数定律： 设 X1, X 2 ,... 是相互独立的随机变量序列， 各有数学 期望 EX 1, EX 2 ,... 及 方 差 DX 1 , DX 2 ,... ， 并且 对于 所 有 i 1,2... 都有 DX i C ，其中常数 C 与 i 无关，则对于 0 ，有 lim P{| 1 n 1 n EX i | } 1. X i n n i 1 n i 1 3. 贝努里大数定律： 设 nA 为 n 重贝努里试验中事件 A 发生的次数， p 为事 1 百度文库 件 A 发生的概率。则对任意给定的 0 ，有 lim P{ nA p} 1 。 n n 贝努里大数定律说明：当 n 无限增大时，事件 A 发生的频率与其概率之间偏差无限减少，所以在实际应用中，当试验次数 n 很大时，便可用事件 A 发生的频率近似代替事件的概率。 辛钦大数定律：设随机变量 X1 , X 2 ,..., X n 相互独立，服从同一分布，且 EXi , i 1,2,..., n ，则对任意给定的 0, 有 lim P{ X1 X2 ... X n } 1。 n n 辛钦大数定律说明， n 无限增大时， n 个独立随机变量的平均值与 其数学期望 的偏差无限减小，即 X1 X 2 ... X n (当 n 时) 。 n (2) (3)  是实际应用中，为了减少误差而“多次测量取平均值”的理论依据。 贝努里大数定律是辛钦大数定律的特殊情况。 三、中心极限定理 在概率论中，研究在什么条件下，大量随机变量的和的极限的分布是正态分布的一系列定理。 1．中心极限定理：设 X1 , X 2 , , X n 是独立的且具有相同分布（）的随机变量，且 E (X i ) 则有 lim P{ X x} n n （也即当 n 很大时，随机变量  , D ( X i ) 2 (i 1,2, , n) x 1 x2 X1 X2 ... X n 。 (x) e 2 dx ，其中 X 2 n n Xi 近似服从 N ( n , n 2 ) ） i 1 例1 一仪器同时收到 50 个噪声信号 U i (i 1,2, ,50) ，设它们是相互独立的随机 50 变量，且都在区间 [0,10] 上服从均匀分布，记 U U i ，求 P{U 300} 。 i 1 2 百度文库 2． X B(n, p) 若 X B(n, p) ，则 X 可表示成 n 个相互独立的 0 1分布的和，即 n X i 1 X i P{ Xi 1} p, P{ Xi 0} 1 p,i 1,2, , n E( Xi ) p, D ( Xi ) p(1 p) (i 1,2, , n) E( X ) np, D ( X ) np(1 p) 当 n 很大时，二项分布 B(n, p) 近似服从正态分布 N ( np, np(1 p)) ，此定理称为德莫佛 －拉普拉斯定理 (De Moivre--Laplace) 。应用此定理可解决二项分布中 n 很大时的 计算问题。 例 2 某保险公司经多年的资料统计表明，在索赔户中被盗户占 20%，在随意抽查的 100 家索赔户中被盗的索赔户数为随机变量 X ，（ 1）写出 X 的概率分布； （ 2）求被盗 的索赔户数不少于 14