下载文档原格式
第六讲切比雪夫不等式与大数定律主讲教师叶宏副教授概率论与数理统计的研究内容是随机现象的统计规律性，而随机现象的规律性是通过大量的重复试验才呈现出来的.研究大量的随机现象，常常采用极限方法，利用极限定理进行研究. 极限定理的内容很广泛，其中最重要的有两种:大数定律与中心极限定理.设随机变量X 的期望E (X )与方差D (X )存在，则对于任意实数ε> 0,2)()|)((|εεX D X E X P ≤≥-切比雪夫不等式或2)(1)|)((|εεX D X E X P -≥<-理论价值证明大数定律等等实用价值估计概率例已知正常男性成人血液中，每一毫升白细胞数平均是7300，均方差是700 . 利用切比雪夫不等式估计每毫升白细胞数在5200~9400之间的概率.解：设每毫升白细胞数为X ，则EX =7300, DX =7002≤P (5200 X 9400)≤= P (-2100 X -E (X ) 2100)≤≤= P ( |X -E (X )| 2100)≤≤=P (5200-7300 X -7300 9400-7300)≤2)2100()(1X D -≥98911=-=估计每毫升白细胞数在5200~9400之间的概率不小于8/92)(1)|)((|εεX D X E X P -≥<-2)()|)((|εεX D X E X P ≤≥-22140.5{6}_____X Y P X Y +≥≤例设随机变量和的数学期望分别为－和，方差分别为和，而相关系数为－，则{6}{()()6}P X Y P X Y E X Y +≥=+-+≥由切比雪夫不等式()()()220,E X Y E X E Y +=+=-+=解: ()()()2cov(,)D X Y D X D Y X Y +=++()()2()()3XY D X D Y D X D Y ρ=++=2()1612D X Y +≤=大数定律大量的随机现象中平均结果的稳定性大数定律的客观背景：大量抛掷硬币正面出现频率伯努利大数定律设n A 是n 次独立重复试验中事件A 发生的次数, p 是每次试验中A 发生的概率,则0>∀ε有0lim =⎪⎭⎫ ⎝⎛≥-∞→εp n n P A n 或1lim =⎪⎭⎫ ⎝⎛<-∞→εp n n P A n 依概率收敛频率p伯努利大数定律的意义理论价值给概率的统计定义提供了理论依据在概率的统计定义中, 事件A发生的频率“稳定于”事件A在一次试验中发生的概率实用价值如命中率等在n足够大时, 可以用频率近似代替p. 这种稳定称为依概率稳定.切比雪夫大数定律且具有相同的数学期望和方差,2,1,)(,)(2===k X D X E k k σμ则0>∀ε有01lim 1=⎪⎭⎫ ⎝⎛≥-∑=∞→εμn k k n X n P 或11lim 1=⎪⎭⎫ ⎝⎛<-∑=∞→εμn k kn X n P ,,,,21n X X X 相互独立，设随机变量序列辛钦大数定律且具有数学期望(),1,2,k E X k μ==,,,,21n X X X 相互独立同分布，设随机变量序列当n 足够大时, 算术平均值几乎是一常数.具有相同数学期望和方差的独立随机变量序列的算术平均值依概率收敛于数学期望.算术均值数学期望近似代替可被定理的意义平均数法则12~(2),(,,),,1_______n n i X E X X n Y X n→∞=∑ 例设总体为其简单随机样本则时依概率收敛于12,,,n X X X 因为独立同分布，22212,,,n X X X 所以也独立同分布，22()i i i E X DX EX =+（）2111=()422+=因此根据大数定律有∑==n i i n X n Y 121依概率收敛于21.2i EX =。
大数定律公式切比雪夫不等式伯努利大数定律的计算公式大数定律是概率论中的一项重要定理，用于描述大样本情况下随机变量的稳定性和收敛性。
其中，切比雪夫不等式和伯努利大数定律是两种常用的计算公式。
下面将分别介绍并推导这两个公式。
一、切比雪夫不等式切比雪夫不等式是描述随机变量与其均值之间关系的一种不等式。
设随机变量X的均值为μ，方差为σ^2，则对于任意正数ε，有：P(|X - μ| ≥ ε) ≤ σ^2 / ε^2其中，P表示概率。
该不等式说明随机变量与其均值相差较大的概率是有限的，且与方差的平方成反比。
推导过程如下：首先，对任意正数ε，可以得到以下不等式：P(|X - μ| ≥ ε) = P((X - μ)^2 ≥ ε^2)再利用方差的定义，有：σ^2 = E[(X - μ)^2]由期望的性质可得：E[(X - μ)^2] ≥ ε^2 * P((X - μ)^2 ≥ ε^2)化简后得到：P(|X - μ| ≥ ε) ≤ σ^2 / ε^2这就是切比雪夫不等式的推导过程。
二、伯努利大数定律伯努利大数定律是概率论中的一项重要定理，用于描述在独立重复试验中事件发生的频率趋于其概率的情况。
设事件A在一次试验中发生的概率为p，进行n次独立重复试验，则对于任意正数ε，有：lim(n→∞) P(|X/n - p| ≥ ε) = 0其中，X表示事件A在n次试验中发生的次数。
推导过程如下：首先，根据事件发生的频率，可以得到以下关系：X/n → p （n→∞）对于任意正数ε，可以得到以下等式：P(|X/n - p| ≥ ε) = P((X/n - p)^2 ≥ ε^2)再利用方差的定义，有：σ^2 = Var(X/n) = E[(X/n - p)^2]由期望的性质可得：E[(X/n - p)^2] ≥ ε^2 * P((X/n - p)^2 ≥ ε^2)化简后得到：P(|X/n - p| ≥ ε) ≤ σ^2 / (nε^2)由于n在趋于无穷大时，分母nε^2趋于无穷大，所以概率P(|X/n - p| ≥ ε)趋于0。
切比雪夫大数定律条件
切比雪夫大数定律说的是一列独立变量（可以不同分布）的均值收敛到一个常数，但前提是每个变量的期望和方差均存在且有限，并且满足方差的平均值是样本数n的高阶无穷小这一额外条件。
切必雪夫大数定理成立的条件：期望存在，方差存在且有界。
取实数值的随机变量的数学定义可确切地表述如下：概率空间(Ω,F,p)上的随机变量x是定义于Ω上的实值可测函数，即对任意ω∈Ω，X(ω)为实数，且对任意实数x，使X(ω)≤x的一切ω组成的Ω的子集{ω:X(ω)≤x}是事件，也即是F中的元素。
事件{ω:X(ω)≤x}常简记作{x≤x}，并称函数F(x)=p(x≤x)，-∞<x<∞，为x的分布函数。
设X,Y是概率空间(Ω,F,p)上的两个随机变量，如果除去一个零概率事件外，X(ω)与Y(ω)相同，则称X=Y以概率1成立，也记作p(X=Y)=1或X=Y,α.s.（α.s.意即几乎必然）。
切比雪夫大数定律方差有一致界切比雪夫大数定律是数学中一个重要的定理，它可以用来预测一系列随机变量的行为。
该定理说明，当一系列随机变量的数量增加时，它们的方差也会增加，但有一个上界。
使当这系列随机变量的数量再增加，它们的方差也不会超过这个上界。
这一定理被称为切比雪夫大数定律的方差有一致界。
它的原理可以用一个理论模型来解释，即方差的最大值是由前一个随机变量和下一个随机变量之间的联系决定的。
换句话说，如果已知前一个随机变量和后一个随机变量之间的联系，则可以确定方差的上界。
实验研究也证明了切比雪夫大数定律的方差有一致界。
如Hemmingsen在《前沿的研究》一文中指出：“有各种实验方法可以用来证明切比雪夫大数定律的方差有一致界。
” Hemmingsen指出，“可以测量已知随机变量之间的关系，绘制他们的频率分布直方图，然后计算它们的标准差。
在大多数情况下，标准差不会超过切比雪夫大数定律的预测值，说明方差确实有一致界。
”切比雪夫大数定律的方差有一致界可以应用于多种领域。
例如，它可以用来构建概率模型，以便更好地预测市场行为；也可以用来研究物理系统中的随机现象，进而提出建议，帮助我们更好地理解和利用自然界中的运动。
此外，它还可以用于研究医学疾病的传播和治疗方法的发展。
切比雪夫大数定律的方差有一致界也可以应用于社会科学领域。
例如，它有助于研究社会结构的变化，揭示不同社会群体的社会行为特征，以及更好地理解这些社会群体之间的关系。
同样，切比雪夫大数定律的方差有一致界也可以帮助我们探索经济投资中复杂市场行为的规律，以避免投资风险。
总之，切比雪夫大数定律的方差有一致界是一个重要的数学定理，可以用来描述一系列随机变量的行为，并可以被广泛应用于不同的领域中。
因此，有关这一定理的研究仍然值得继续深入探讨。
