理学大数定律与中心极限定理.pptxVIP

1 本章基本内容： 切比雪夫大数定律 辛钦大数定律 伯努利大数定律 科尔莫哥洛夫强大数定律 博雷尔强大数定律 林德伯格—莱维中心极限定理 棣莫弗—拉普拉斯中心极限定理 大数定律 中心极限定理 强大数定律 大数定律 第1页/共48页 2 5.1 大数定律 对大数定律的直观认识： 学校有10000个学生，平均身高为a；若随意观察1个学生的身高X1，则X1与a可能相差较大。 若随意观察10个学生的身高X1, X2 ,…, X10 ，则10个数据的均值(X1+X2+…+X10 )/10与a较接近； 若随意观察100个学生的身高X1, X2 ,…, X100 ，则100个数据的均值(X1+X2+…+X100 )/100与a更接近； 若随意观察n(n＜10000)个学生的身高X1, X2 ,…, Xn ，当n为很大数时，则n个数据的均值(X1+X2+…+Xn )/n(样本均值)，随着n的增大而与a(总体均值)充分接近。 第2页/共48页 3 5.1.1 大数定律问题的提法 一般情况下，设随机变量序列X1,X2,…(或记为{Xn})，是否存在确定数列a1,a2,…，使得在某种收敛意义下，有 答案是肯定的，并且有两种描述。 (1) 在某种条件下，对任意ε0，有 则称随机变量序列{Xn}服从大数定律。 (2) 在某种条件下，有 则称随机变量序列{Xn}服从强大数定律。 第3页/共48页 4 一般地，设有随机变量序列{Xn}和随机变量Y。 如果对于任意ε0，有 上述结果表明：{Xn}服从大数定律。 大数定律说明随机变量序列{Xn}依概率P收敛于随机 变量Y，或者说{Xn}在n→∞时不收敛于Y的概率为0。 第4页/共48页 5 (2) 设有随机变量序列{Xn}和随机变量Y。 如果 上述结果表明：{Xn}服从强大数定律。 强大数定律说明{Xn}依概率1收敛于随机变量Y，或者 说{Xn}几乎处处收敛于Y。 第5页/共48页 6 5.1.2 大数定律 定义 随机变量序列{Xn}服从大数定律 若随机变量序列{Xn}满足： 则称{Xn}服从大数定律。 第6页/共48页 7 引理 5.1.1 (切比雪夫不等式) 设随机变量X的方差Var(X)存在，则对任意ε0，有 第7页/共48页 8 可由切比雪夫不定式直接证明切比雪夫大数定律。 定理 5.1.1 (切比雪夫大数定律) 设X1,X2,…为独立随机变量序列，Var(Xi)≤C，EXi =μ,i=1,2,…， 则对任意ε0，有 第8页/共48页 9 定理5.1.2 (辛钦大数定律) 设{Xn}独立同分布，具有公共的数学期望μ，则对任意给定的＞0，有 证 (与切比雪夫大数定律的证明过程相同，使用切比雪夫不等式并求极限。) 或者先证马尔科夫不等式；再证切比雪夫不等式；然后证明本定理。 第9页/共48页 10 第10页/共48页 11 推论5.1.1 (伯努利大数定律)(频率收敛于概率) 记vn是n重伯努利试验中成功的次数，p为一次试验成功的概率，则 第11页/共48页 12 伯努利大数定律的意义： 依概率意义讲，随着n的增大，事件发生的频率vn/n 越来越接近概率p，而vn/n不接近p的可能性越来越小。 但不能说 ，因为不管n有多大，仍可能有pn 偏离p的情形出现(虽然这些例外情形出现的概率趋于0)。 该定理以严格的数学形式表达了频率的稳定性。即n很 大时，事件发生的频率与概率有较大偏差的可能性很小。 比较： (1) 伯努利大数定律是切比雪夫大数定律的特例。 (2) 伯努利大数定律也是辛钦大数定律的特例。 (3) 各大数定律成立的条件不同，使用时请注意甄别。 第12页/共48页 13 5.1.3 强大数定律 定义 随机变量序列{Xn}服从强大数定律 设{Xn}是随机