概率论精品课件—附加总复习资料--第五章大数定律与中心极限

概率论与数理统计第五章大数定律及中心极限定理课前导读概率论是研究大量试验后呈现出的统计规律性的一门理论。

数学中研究大量的工具是极限。

因此这一章学习概率论中的极限定理。

第一节大数定律随着试验次数的增大，事件的频率逐步稳定到事件的概率。

意味着随着试验次数的增多，在其中一种收敛意义下，频率的极限是概率。

大数定律解释了这一结论。

首先介绍切比雪夫不等式。

一、切比雪夫(Chebyshev)不等式随机变量X的取值总是围绕着其期望变动，若X的分布已知时，可以计算事件\{，X-E(X)，\geq \epsilon \}的概率。

切比雪夫不等式：对切比雪夫不等式的直观理解：方差越小，X在其期望附近取值的密集程度越高，原理期望的区域的概率上加越小。

进一步说明了方差的概率意义，方差时随机变量取值与其中心位置的偏离程度的一种度量指标。

当随机变量X的分布未知时，可由X的观测数据估计得到X的期望和方差，然后使用切比雪夫不等式估计X关于E(X)的偏离程度。

二、依概率收敛随机变量序列即由随机变量构成的一个序列。

不能用类似定义数列极限的方式定义随机变量序列的极限，因为序列中的每一个元素X_n是随机变量，取值不确定，不可能和一个常数c的距离任意小。

只能说一些事件A发生的频率f_n(A)收敛到A的概率P(A)。

依概率收敛的定义：定理2：三、大数定律三个大数定律：切比雪夫大数定律、辛钦大数定律和伯努利大数定律。

注意这三个大数定律的条件有何异同。

定理3 切比雪夫大数定律：若随机变量序列相互不相关，方差存在且一致有上界，当n充分大时，随机序列的前n项的算术平均值和自身的期望充分接近几乎总是发生的。

定理4 相互独立同分布的大数定律（辛钦大数定律）：辛钦大数定律为算术平均值法则提供了理论依据。

伯努利大数定律：伯努利大数定律是相互独立同分布大数定律的特例，限定分布为两点分布。

伯努利大数定律体现了：随着试验次数的增大，事件的频率逐步稳定到时间的概率，这里的稳定即为依概率收敛。

决策制定
中心极限定理可以帮助我们在不确定 的情况下做出决策。例如，通过模拟 大量可能的结果并计算其分布，可以 评估不同决策的风险和收益。
04
大数定律与中心极限定理的 关联与区别
关联性分析
大数定律和中心极限定理都是概率论中 的重要定理，它们在某些方面存在关联。
大数定律描述了在大量独立重复试验中， 大数定律是中心极限定理的一种特例， 某一事件的相对频率趋于该事件的概率， 当随机变量数量趋于无穷时，中心极限
而中心极限定理则说明无论独立随机变 定理可以看作是大数定律的一种推广。 量的分布是什么，它们的和或积的分布
都趋于正态分布。
差异性分析
大数定律和中心极限定理在适用范围和表现形式 上存在差异。
大数定律的结论是相对频率趋于概率，而中心极 限定理的结论是随机变量和的分布趋于正态分布。
大数定律适用于大量独立重复试验中某一事件的 相对频率，而中心极限定理则适用于独立随机变 量的和或积的分布。
02
中心极限定理
定义
• 中心极限定理：在大量独立同分布的随机变量下，这些随机变 量的平均值的分布趋近于正态分布，即无论这些随机变量的分 布是什么，只要样本量足够大，其平均值的分布都将呈现出正 态分布的特征。
适用范 围
中心极限定理适用于大量独立同分布的随机变量，这些随 机变量的分布可以是离散的也可以是连续的。
在金融领域，中心极限定理也被广泛应用。例如，股票价格的波动可以看作是大 量投资者决策的独立同分布的随机变量，因此股票价格的平均值（即指数）的分 布也呈现出正态分布的特征。
03
大数定律与中心极限定理的 应用
在统计学中的应用
样本均值和总体均值的近似
大数定律表明，当样本量足够大时，样本均值趋近于总体均值，这为统计学中的参数估计提供了基础。

由独立同分布中心极限定理
100
P{
i 1
Xi
300}
1
300 100 10 35
7 2
12
精品资料
1 (2.93)
0.9983
2. 德莫佛-拉普拉斯中心极限(jíxiàn)定理(De MoivreLaplace)
设随机变量 n (n=1, 2, ...) 服从(fúcóng)参数为 n, p
由切比雪夫大数定理
n
Xi P
fn
i 1
n
p
精品资料
3. 辛钦大数(dà shù)定律(P108)
若{Xk, k=1.2,...}为独立同分布随机变量序列, EXk= < , k=1, 2, … 则
Yn
1 n
n k 1
Xk
P
推论: 若{Xi, i=1.2,...}为独立同分布随机变量(suí jī biàn liànɡ)序列, E(X1k) < , 则
lim
n
P{|
Xn
X
|
}
1
则称{Xn}依概率收敛于X. 可记为 Xn P X.
精品资料
P
例如 X n a 意思(yì sī) n 时, Xn落在
(lìrú
是: 当
)(:a , a ) 内的概率越来越大. N , n N
Xn
a a a
而 X n a 意思是: 0, N , 当 n N | X n a |
1
n
n i 1
X
k i
P
E
(
X
k 1
)
精品资料
三. 几个(jǐ ɡè)常用的中心极限定理
1. 独立同分布中心极限(jíxiàn)定理(P109)

故
= 1 − Φ(3.54)
=0.0002
一箱味精净重大于20500的概率为 的概率为0.0002. 一箱味精净重大于 的概率为
推论:
特别，若X～Ｂ（n，p）,则当n充分大时， 特别， ～Ｂ（n 则当n充分大时，
Ｘ～Ｎ（np，npq） Ｘ～Ｎ（np，npq） np
若随机变量Ｘ～Ｂ（ Ｘ～Ｂ（n， ），则对任意实数x有 ），则对任意实数 即 若随机变量Ｘ～Ｂ（ ，p），则对任意实数 有
不等式证明 P{-1<X<2n+1}≥(2n+1)/(n+1)(n+1)
3. 设P{|X-E(X)|<ε}不小于 不小于0.9,D(X)=0.009.则用 不小于 则用
切比绍夫不等式估计ε的 最小值是( 切比绍夫不等式估计 的 最小值是
0.3 ).
4.(894) 设随机变量 的数学期望为 设随机变量X的数学期望为 的数学期望为µ, 标准差为σ,则由切比绍夫不等式 标准差为 则由切比绍夫不等式 P{|X-µ|≥3σ}≤( ). 1/9 5. 设随机变量X的分布律为 设随机变量 的分布律为 P{X=0.3}=0.2, P{X=0.6}=0.8, 用切比绍夫不等式估计 |X-E(X)|<0.2的概率 的概率. 的概率
1 n lim P ∑ Xi − µ < ε = 1 n→∞ n i =1
定理（贝努里利大数定律） 设每次实验中事件A发生的概率 定理（贝努里利大数定律） 设每次实验中事件A 为p，n次重复独立实验中事件A发生的次数为nA，则对任 次重复独立实验中事件A发生的次数为n 意的ε>0 意的ε>0 ，事件的频率 nA ，有 ε>
∫
+∞
−∞