大数定律0课件.pptVIP

《概率统计》下页结束返回*極限定理一、大數定律二、中心極限定理下頁大數定律和中心極限定理就是使用極限方法研

究大量隨機現象統計規律性的.闡明大量重複試驗的平均結果具有穩定性的一系列定律都稱為大數定律．論證隨機變數（試驗結果）之和漸進服從某一分佈的定理稱為中心極限定理．本章概述下頁§5.1大數定律一、切比雪夫不等式(ε是任一正數)1.對於任何具有有限方差的隨機變數X，都有則證明：(以連續型隨機變數為例)設X的概率密度為f(x)，下頁2.不等式的等價形式例1．估計的概率．解:作用：（1）證明大數定律；（2）估計事件的概率．下頁例2．若在每次試驗中，A發生的概率為0.5，進行1000次獨立試驗，估計A發生400～600次之間的概率．解：因X～B（1000，0.5），E（X）=500，D（X）=250所以P{400X600}=P{|X-500|100}e2)(1}|)({|eXDXEXP-≥-由得，P{|X-500|100}下頁二、大數定律即，對於任意ε＞0，當n充分大時，不等式定理1(切貝雪夫大數定律)如果X1，X2…，Xn，…是相互獨立的隨機變數序列，每一個Xi都有數學期望E(Xi）和有限的方差D(Xi),且方差有公共的上界，即則對於任意ε＞0，有依概率1成立．下頁證:因相互獨立，所以又因，由切貝雪夫不等式可得所以切貝雪夫大數定律表明,相互獨立的隨機變數的算術平均值與其數學期望的差,在n充分大時以概率1是一個無窮小量.這意味著在n充分大時，的值將比較緊密地聚集在它的數學期望附近．下頁推論：設隨機變數X1,X2,X3,…,Xn,…獨立同分佈，且有E(Xk)=μ，D(Xk)=σ2，k=1，2，…說明：（1）在不變的條件下，重複測量n次得到n個觀察值，x1,x2,…，xn,可看作服從同一分佈的n個相互獨立的隨機變數X1，X2，…，Xn的試驗值．（2）n充分大時，x1,x2,…，xn的算術平均值與真值的誤差依概率1任意小．則在時對任意ε＞0，有下頁證明:直接可由推論得出(略).這就是以頻率定義概率的合理性依據．定理2（貝努裏大數定律）設n重貝努裏試驗中事件A發生nA次,每次試驗事件A發生的概率p，則對任意ε＞0有定義(依概率收斂)設是一個互相獨立的隨機變數序列，a是一個常數，若對於任意正數?，有則稱序列依概率收斂於a.下頁定理3設隨機變數X1,X2,X3,…,Xn,…獨立同分佈，具有數學期望E(Xk)=μ，k=1，2，…則在時對任意ε＞0，有《概率统计》下页结束返回*