大数定律与中心极限定理课件.ppt

大數定理與中心極限定理“概率是頻率的穩定值”。前面已經提到，當隨機試驗的次數無限增大時，頻率總在其概率附近擺動，逼近某一定值。大數定理就是從理論上說明這一結果。正態分佈是概率論中的一個重要分佈，它有著非常廣泛的應用。中心極限定理闡明，原本不是正態分佈的一般隨機變數總和的分佈，在一定條件下可以漸近服從正態分佈。這兩類定理是概率統計中的基本理論，在概率統計中具有重要地位。§1大數定理定理（契比雪夫(Chebyshev)不等式）:設隨機變數X具有數學期望E(X)=μ,方差D(X)=σ2,則對於任意正數ε,有§1.1契比雪夫(Chebyshev)不等式證明(1)設X的概率密度為p(x),則有(2)設離散型隨機變數X的分佈律為P{X=xk}=pk,則有例:在供暖的季節,住房的平均溫度為20度,標準差為2度,試估計住房溫度與平均溫度的偏差的絕對值小於4度的概率的下界.解解§1.2大數定律定義:設{Xk}是隨機變數序列，數學期望E(Xk)(k=1,2,...)存在，若對於任意ε0，有則稱隨機變數序列{Xn}服從大數定律.定理（契比雪夫(Chebyshev)大數定律）:設{Xk}是兩兩不相關的隨機變數序列,具有數學期望E(Xk)和方差D(Xk)[k=1,2,...].若存在常數C,使得D(Xk)≤C(k=1,2,…),則對於任意給定的ε0,恒有證明推論(契比雪夫大數定律的特殊情況):設{Xk}是兩兩不相關的隨機變數序列,具有相同的數學期望E(Xk)=μ和方差D(Xk)=σ2(k=1,2,…),則對於任意給定的ε0,恒有注:解所以,滿足切比雪夫大數定理的條件,可使用大數定理.伯努裏大數定律:設進行n次獨立重複試驗，每次試驗中事件A發生的概率為p，記fn為n次試驗中事件A發生的頻率，則證明:設第i次試驗事件A發生第i次試驗事件A不發生則由切比雪夫大數定律§2中心極限定理在一定條件下,許多隨機變數的極限分佈是正態分佈:“若一個隨機變數X可以看著許多微小而獨立的隨機因素作用的總後果,每一種因素的影響都很小,都有不起壓倒一切的主導作用,則X一般都可以認為近似地服從正態分佈.”例如對某物的長度進行測量,在測量時有許多隨機因素影響測量的結果.如溫度和濕度等因素對測量儀器的影響,使測量產生誤差X1;測量者觀察時視線所產生的誤差X1;測量者心理和生理上的變化產生的測量誤差X3;…顯然這些誤差是微小的、隨機的,而且相互沒有影響.測量的總誤差是上述各個因素產生的誤差之和,即∑Xi.一般地,在研究許多隨機因素產生的總影響時,很多可以歸結為研究相互獨立的隨機變數之和的分佈問題,而通常這種和的項數都很大.因此,需要構造一個項數越來越多的隨機變數和的序列:我們關心的是當n→∞時,隨機變數和∑Xi的極限分佈是什麼?由於直接研究∑Xi的極限分佈不方便,故先將其標準化為:再來研究隨機變數序列{Yn}的極限分佈.定義：設{Xk}為相互獨立的隨機變數序列,有有限的數學期望E(Xk)=μk和方差D(Xk)=σk2,令若對於一切實數x,有則稱隨機變數序列{Xk}服從中心極限定理.定理(林德貝爾格-勒維(Lindeberg-Levy)定理):設{Xk}為相互獨立的隨機變數序列,服從同一分佈,且具有數學期望E(Xk)=μ和方差D(Xk)=σ2,則隨機變數的分佈函數Fn(x),對於任意x,滿足例:將一顆骰子連擲100次，則點數之和不少於500的概率是多少？解設 Xk為第k次擲出的點數,k=1,2,…,100,則X1,…,X100獨立同分佈.由中心極限定理定理(DeMoivre-Laplace中心極限定理):設隨機變數Yn服從二項分佈Yn~B(n,p),(op1),則對於任意x,恒有證明設X1,X2,…,Xn是n個相互獨立的服從(0-1)分佈(P{Xi=0}=1-p,P{Xi=1}=p)的隨機變數,則Yn=X1+X2+…+Xn由於E(Xi)=p,D(Xi)=p(1-p)(i=1,2,…,n),由此得解法1設X為10000個新生兒中男孩個數則X服從B(n,p)，其中n=10000，p=0.515由德莫弗-拉普拉斯中心極限定理，所求概率為