第五章 大数定律及中心极限定理
切比雪夫不等式
定理
设随机变量X的数学期望E(X)和方差D(X)都存在,则对任意
P{|X-E(X)|≥
P{|X-
{|X-
另一个形式
P{|X-
意义
在随机变量X的分布位置,而只知道X的均值和方差(或已知分布但很复杂)的情况下,切比雪夫不等式给出了概率P{|X-E(X)|≥
1.对给定的
2.对给定的概率p,确定所需的区间长度,即确定满足不等式
P{|X-E(X)|≥
例子
设某电网有1000盏灯,夜里每盏灯开灯的概率都是0.7.假设电灯开关时间彼此独立,试估计夜晚同时开着的灯数在6800与7200之间的概率
X表示在夜晚开着电灯的数
X服从参数n=10000,p=0.7的二项分布
p{6800
大数定律
依概率收敛
设X1,X2,…,Xn,…是一个随机变量的序列,a是一个常数。
若对应任意实数
则称序列X1,X2,…,Xn,…依概率收敛与a,记为
以上极限等价于
{Xn}依概率收敛与a是指:当n充分大后,随机变量Xn几乎总是取值a,或者取值与a非常接近。
大数定律是有关随机变量序列的前n项的算术平均值在一定条件下收敛到这n项的数学期望的算术均值的定理
大数定律定理
设{
则称随机变量序列{
以上极限表明:
#### 切比雪夫大数定理
设X1,X2,…,Xn,…是相互独立的随机变量的序列,它们的数学期望和方差都存在,且存在常数C,使得D(Xk)≤C(k=1,2,..)则对于任意
即
所有随机变量互相独立
若
即
当n充分大时,X1,X2,…,Xn的算术平均值
在概率意义下会充分接近其数学期望E(
辛钦大数定理
设X1,X2,…,Xn,…是相互独立,
即在定理的条件下,随机变量X1,X2,…,Xn,..的算术平均值将以概率收敛到
伯努利大数定理
设在n次独立实验中事件A发生的次数为
在实际运用中,当试验次数较多时,我们常以事件发生的频率来近似地估计事件发生的概率。
中心极限定理
概念
在一定条件下,充分多的相互独立的随机变量的算术平均值将服从正态分布,不管这些随机变量本身服从什么分布。
列维-林德伯格定理 Levy-Lindberg(独立同分布的中心极限定理)
定义
设随机变量X1,X2,…,Xn,…是相互独立,
的分布函数
以上定理表示:若随机变量X1,X2,…,Xn,…是相互独立同分布,且E(Xk)D(Xk)存在,当n很大时,Yn近似地服从标准正态分布N(0,1)
同时除以n
以上定理表明,在定理的条件下,无论{Xk}服从什么分布,当n很大时候,其前n项的算术均值
或者等价地,为标准化的
X~
写法
部分和
部分和标准化
算术平均值
算术平均值标准化
例子
设某糖厂包装一批白糖,每袋标准量为1kg,由于误差,每袋白糖的重量在0.95,1.05kg上均匀分布。设每袋白糖的重量相互独立。若装1200袋白糖,问总质量大于1202kg的概率是多少?
设Xi表示第i袋的白糖重量 i=1,。。。,1200
独立分布方差,期望都存在, 符合列定理 部分和
白糖总重量
X=
p{X>1201}=1-{X≤1202}≈1-
棣莫弗-拉姆拉斯定理 (二项分布的极限分布)
定义
设随机变量
例子
设在某实验中,事件A发生的概率为1/3。若独立的做了90000次试验,qui事件A发生次数在29500~30500之间的概率。
记X是90000次试验中事件A发生的次数
X服从二项分布b(90000,1/3),其中分布律为
P{X=k}=
P{29500≤X≤30500}=
计算量太大,用正态分布近似计算
np=90000*1/3=30000
np(1-p)=90000 * 1/3 * 2/3=20000
P{a