4-1 大数定律ppt课件
合集下载
概率论与数理统计教程(茆诗松)第4章

解:用 Xi=1表示第i个部件正常工作, 反之记为Xi=0. 又记Y=X1+X2+…+X100,则 E(Y)=90,Var(Y)=9.
由此得:
P{Y
85}
ห้องสมุดไป่ตู้
1
85
0.5 9
90
0.966.
13 July 2020
华东师范大学
第四章 大数定律与中心极限定理
第10页
二、给定 n 和概率,求 y
例4.4.4 有200台独立工作(工作的概率为0.7)的机床,
第6页
4.4.3 二项分布的正态近似
定理4.4.2 棣莫弗—拉普拉斯中心极限定理
设n 为服从二项分布 b(n, p) 的随机变量,则当 n
充分大时,有
lim
n
P
n
np npq
y
( y)
是林德贝格—勒维中心极限定理的特例.
13 July 2020
华东师范大学
第四章 大数定律与中心极限定理
第7页
13 July 2020
华东师范大学
第四章 大数定律与中心极限定理
第5页
例4.4.2 设 X 为一次射击中命中的环数,其分布列为
X 10 9 8 7
6
P 0.8 0.1 0.05 0.02 0.03
求100次射击中命中环数在900环到930环之间的概率.
解: 设 Xi 为第 i 次射击命中的环数,则Xi 独立同分布,
且 E(Xi) =9.62,Var(Xi) =0.82,故
P
900
100 i 1
Xi
930
930 100 9.62 100 0.82
900 100 9.62 100 0.82
4 大数定理与中心极限定理

特别地,若R.V. X1 , X 2 ,, X n , 为独立同分布的R.V.序 列,即E( X i ) (i 1,2,) ,方差有限,则Chebyshev’s大 数定律为:
1 n 1 n lim P X i 0 或 lim P X i 1 n n n i 1 n i 1 Th3 辛钦大数定理 设X1 , X 2 ,, X n ,独立同分布的R.V.序列,存在有限数学 期望 E( X i ) (i 1,2,),则对任意 0 恒有 1 n lim P X i 0 n n i 1 等价地有 1 n lim P X i 1 n n i 1
1 类似的有 sr (r 1,2, , n) r! n n n (1) r 1 (1) r 于是 q0 1 P( Ai ) 1 . r! r! i 1 r 1 r 0 如果指定某k个球装入对应的盒子, 这个事件的概率为 1 , n(n 1) (n k 1) 其余n r个球中没有一个配对的 概率为 (1) r q0 (n k ) r! k 0
注: (1)由Chebychev’s不等式的等价表示知:当 2 越小 时, 1 2 / 2 越大, 取值于 [ , ] 内的概率就愈 X 大,即X 的取值越集中在 附近,由此说明方差的大小反 映了R.V.取值的分散程度。 (2)Chebychev’s不等式给出了当R.V. X 的 E ( X ), D( X )已知 而分布未知时,估计随机事件概率的一种方法。 (3)由Chebychev’s不等式的等价表示知:当 有
例4.2 如果随机变量X 的方差 D( X ) 0,
第四章中心极限定理与参数估计

k 1
当 n 很大时,近似地服从正态分布.
第四章 中心极限定理与参数估计
例 1、对敌人的防御工事进行 80 次轰炸,每次轰炸命中目标炸弹 数目的数学期望为 2,方差为 0.8,且各次轰炸相互独立,求在 80 次轰炸中有 150 颗~170 颗炸弹命中目标的概率。 解:第 i 次轰炸命中目标炸弹的数目 X i (i 1,2,,80) 都是离散型随机
根据随机变量数学期望的性质,计算数学期望
80
80
80
E( X ) E( X i ) E( X i ) 2 160
i 1
i 1
i 1
第四章 中心极限定理与参数估计
由于离散型随机变量变量 X 1 , X 2 ,, X 80 相互独立,根据随机
变量方差的性质,计算方差
80
80
80
D( X ) D( X i ) D( X i ) 0.8 64 82
分大时,离散型随机变量 X 近似服从参数为 np, npq ( p q 1)
的正态分布,即近似有离散型随机变量 X ~ N(np, npq) 定理4.22表明:
正态分布是二项分布的极限分布, 当n充分大时, 可 以利用该定理来计算二项分布的概率.
随机变量 X 的取值在数学期望 E(X ) 附近的密集程度越低。
第四章 中心极限定理与参数估计
(3)在使用切贝谢夫不等式时,要求随机变量 X 的数学期望 E( X ) 与方差 D( X ) 一定存在,这时无论随机变量 X 的概率分布已知或未
知,都可以对事件 X E(X ) 发生的概率进行估计。 2、切贝谢夫不等式的应用举例 例1、 已知电站供电网有电灯 10000 盏,夜间每一盏灯开灯的概率 皆为 0.8,且它们开关与否相互独立,试利用切贝谢夫不等式估计夜 晚同时开灯的灯数在 7800 盏~8200 盏之间的概率。
当 n 很大时,近似地服从正态分布.
第四章 中心极限定理与参数估计
例 1、对敌人的防御工事进行 80 次轰炸,每次轰炸命中目标炸弹 数目的数学期望为 2,方差为 0.8,且各次轰炸相互独立,求在 80 次轰炸中有 150 颗~170 颗炸弹命中目标的概率。 解:第 i 次轰炸命中目标炸弹的数目 X i (i 1,2,,80) 都是离散型随机
根据随机变量数学期望的性质,计算数学期望
80
80
80
E( X ) E( X i ) E( X i ) 2 160
i 1
i 1
i 1
第四章 中心极限定理与参数估计
由于离散型随机变量变量 X 1 , X 2 ,, X 80 相互独立,根据随机
变量方差的性质,计算方差
80
80
80
D( X ) D( X i ) D( X i ) 0.8 64 82
分大时,离散型随机变量 X 近似服从参数为 np, npq ( p q 1)
的正态分布,即近似有离散型随机变量 X ~ N(np, npq) 定理4.22表明:
正态分布是二项分布的极限分布, 当n充分大时, 可 以利用该定理来计算二项分布的概率.
随机变量 X 的取值在数学期望 E(X ) 附近的密集程度越低。
第四章 中心极限定理与参数估计
(3)在使用切贝谢夫不等式时,要求随机变量 X 的数学期望 E( X ) 与方差 D( X ) 一定存在,这时无论随机变量 X 的概率分布已知或未
知,都可以对事件 X E(X ) 发生的概率进行估计。 2、切贝谢夫不等式的应用举例 例1、 已知电站供电网有电灯 10000 盏,夜间每一盏灯开灯的概率 皆为 0.8,且它们开关与否相互独立,试利用切贝谢夫不等式估计夜 晚同时开灯的灯数在 7800 盏~8200 盏之间的概率。
4-1 大数定理

定理4.4 泊松大数定理 如果在一个独立试验序 列中, 事件A在第k 次
试验中出现的概率等于pk , 以 μn记在前n次
试验中事件A出现的次数, 则对任意的 ε 0, 都有
μn 1 n lim P pk ε 0 n k 1 n n
A={(x, y):0 yf(x); x[0, 1]} 并定义随机变量序列
1, 第k次掷的点落于A中 Xk 反之 0, 则{Xk: k1}独立同分布, 而且
E(Xk) P(Xk 1) |A|
0 f x dx
Байду номын сангаас
1
|A|表示A的面积, 由贝努里大数定理知 1 1 n P X k E X k 0 f x dx n k 1
1 n D X i n C i 1 ε2 nε 2
注1 当 n 很大时, 随机变量 X1 , X 2 ,, X n 的 1 n 算术 平均值 X i 接近于它们的数学期望 的 n i 1
1 n 算术平均值 E X i . n i 1
这种接近是概 率意义下的!
n
lim P Yn an ε 0
定义4.2 设Y1 ,Y2 ,,Yn ,是随机变量序列,
Y是随机变量. 如果对任意的 ε 0, 有
n
lim P Yn Y ε 0
则称随机变量序列Yn依概率收敛于 , 记为 Y
Yn Y
P
定理4.1 切比谢夫大数定律 设X1 , X 2 ,, X n ,是两两不相关的随机变 量序列, 每一随机变量都有有限 的方差, 并有公共的上界
1 n 1 n C D X i 2 D X i n n n i 1 i 1
数学六年级下人教版4-1比例的意义课件(25张)

2
表示两个比相等的式子叫做比例。
= 2.4︰1.6
60︰40
或
= 2.4
60
1.6
40
2、长15cm,宽10cm.
长60cm,宽40cm.
15∶10和60∶40能组成比例吗?
你是怎样判断的?
判断两个比能不能组成比例, 要看它们的比值是否相等。
长15cm,宽10cm.
长60cm,宽40cm.
3
15 : 10 = 2
你是怎样判断两个比成不成比例的?
判断两个比能不能组成比例, 要看它们的比值是否相等。
达标检测:
判断下面的两个比能不能组成比例。
6∶9 和 9∶12
因为:
6
∶
9
=
2 3
9∶12 =
3 4
23
3 ≠4
所以: 6∶9 和 9∶12
不能组成比例。
做一做:
判断下面的两个比能不能组成比例.并把组 成的比例写出来。 1、6∶10 和 9∶15 2、20∶5 和 1∶4
长60cm,宽40cm.
我们来看看学校里的两面国旗 的长宽的比值有什么关系.
1、
2.4m
1.6m
40cm 60cm
操场上的国旗:
2.4 : 1.6 =
3 2
教室里的国旗:
60 : 40 =
3 2
求出它们的比值,你发现了什么?
操场上的国旗:
2.4 : 1.6 =
3 2
教室里的国旗: 60 : 40 = 3
3
60 : 40 = 2
15 : 10 = 60 : 40
长5m,宽10 m. 3
长60cm,宽40cm.
10 3
表示两个比相等的式子叫做比例。
= 2.4︰1.6
60︰40
或
= 2.4
60
1.6
40
2、长15cm,宽10cm.
长60cm,宽40cm.
15∶10和60∶40能组成比例吗?
你是怎样判断的?
判断两个比能不能组成比例, 要看它们的比值是否相等。
长15cm,宽10cm.
长60cm,宽40cm.
3
15 : 10 = 2
你是怎样判断两个比成不成比例的?
判断两个比能不能组成比例, 要看它们的比值是否相等。
达标检测:
判断下面的两个比能不能组成比例。
6∶9 和 9∶12
因为:
6
∶
9
=
2 3
9∶12 =
3 4
23
3 ≠4
所以: 6∶9 和 9∶12
不能组成比例。
做一做:
判断下面的两个比能不能组成比例.并把组 成的比例写出来。 1、6∶10 和 9∶15 2、20∶5 和 1∶4
长60cm,宽40cm.
我们来看看学校里的两面国旗 的长宽的比值有什么关系.
1、
2.4m
1.6m
40cm 60cm
操场上的国旗:
2.4 : 1.6 =
3 2
教室里的国旗:
60 : 40 =
3 2
求出它们的比值,你发现了什么?
操场上的国旗:
2.4 : 1.6 =
3 2
教室里的国旗: 60 : 40 = 3
3
60 : 40 = 2
15 : 10 = 60 : 40
长5m,宽10 m. 3
长60cm,宽40cm.
10 3
第四章 大数定律和中心极限定理

设需N台车床工作, 现在的问题是:
求满足
P(X≤N)≥0.999
的最小的N.
(由于每台车床在开工时需电力1千瓦,N台 工作所需电力即N千瓦.)
由德莫佛-拉普拉斯极限定理
X np 近似N(0,1), np(1 p)
于是 P(X≤N)= P(0≤X≤N)
这里 np=120, np(1-p)=48
第四章
大数定律和中心极限定理
§1 大数定率
一. 切比雪夫不等式 若r.v.X的期望和方差存在,则对任意0,
有
D( X ) P{| X E( X ) | } ; 2
这就是著名的切比雪夫(Chebyshev)不等式。 它有以下等价的形式:
P{| X E( X ) | } 1 D( X ) . 2
P{Y 60000 0.9 }
P{Y>60000}=P{1000012-aX>60000}
=P{X60000/a}0.9; 由中心极限定理,上式等价于
60000 10000 0.006 ( a ) 0.9 10000 0.006 0.994
a 3017
例3 根据以往经验,某种电器元件的寿命服从均值为 100小时的指数分布. 现随机地取16只,设它们的寿 命是相互独立的. 求这16只元件的寿命的总和大于 1920小时的概率. 解: 设第i只元件的寿命为Xi , i=1,2, …,16
7 500 100 100 2 P{ X i 500} 1 35 1 (8.78) 0 i 1 10 12
2.德莫佛-拉普拉斯中心极限定理(De MoivreLaplace)
设随机变量n(n=1, 2, ...)服从参数为n, p(0<p<1) 的二项分布,则
人教新课标四年级上册数学 第一章大数的认识 整理和复习(共14张PPT)

数
千百十 亿 千 百 十 万 千百 十 个
位 …… 亿 亿 亿 万 万 万
位位位 位 位 位 位 位 位位 位 位
计
数 单 位
…… 千 百 十 (一) 千 百 十 (一)
(一)
亿 亿亿 亿 万 万 万 万 千 百 十 个
每级的数位、计数单7 位的组成有7什么相同点?7
十进制计数法(满十进一)
一、填空
渔港古城2016 年接待游客量 1080000人次。
据统计,影视城2016年门票收 入近一亿零六百二十万七千三 百元。
象山港大桥 2016车流量 7100000车次。
2016年象山四大景区门票 收入近二亿零四百万五千 八百元。
大数的认识
整理与复习
数的组成
十进制计数法
大 数的读、写法 数 的 大小比较 认 识 数的改写、求近似数
2、 下面哪个说法是错误的( C )
A、1亿张纸摞起来比珠穆朗玛峰还高。 B、401班的王杰同学走了1000步大约是500米。 C、我们学校共有师生100万人。
180808
⑴约等于18万。 ≈18万
17万
18万
19万
175000
184999
⑵这个数由1个1,3个8,2个0组成。
⑶2个0都要读。
你有什么收获?
7236700 <> □250000
17 89423 5 6
三、选一选
1、 下面哪道题用计算器算比较合适( A )
A、35×47+321-149+574 B、254-154+25 C、998+997+996+995+2+3+4+5 D、38×45
38×45=2140 算的对吗?
40×50 =2000
《概率论》第4章§4.1大数定律

n
P X n X 的直观含义: 随着 n 的增大,绝对误差
n
| X n X |较大的可能性越来越小.
n
nA P 1 抛硬币试验的频率稳定性 X n n 2 nA
1
1 2
1 /2 1 2
n
下午7时10分36秒
O
k
5
常用的几个大数定律
大数定律一般形式:
n k 1
马尔可大数定律
定理4.3
若随机变量序列{Xn}满足:
1 Var n X 0 (马尔可夫条件) i 2 i 1 n
则 {Xn}服从大数定律.
下午7时10分36秒
8
注意点
(1) 伯努利大数定律是切比雪夫大数定律的特例.
(2) 切比雪夫大数定律是马尔可夫大数定律的特例.
lim 怎样定义极限 n X n p
“频率稳定性”的严格数学描述是什么
下午7时10分36秒 3
“抛硬币”试验将一枚硬币连续抛 n 次 ,记 A { 正面朝上 } nA n 次试验中 A 发生的次数 则 A 发生的频率为 n Xn A 蒲丰(1707-1788) n (n 1, 2, ) 法国数学家、自然哲学家 { X n}1是随机变量列 n n nA n 实验者 { X n X n ( ) }n 1是定义在样本空间 上的函数列 4048 2048 0.5069 蒲 丰 2048 德 · 1 1 2 3 3 3 3 4 4 51061 7 7 7 0.5181 2021 摩根 n 6 6 X n : 1f ( x), f n ( x) 6 n78 2, 10 ) 在区间 15a16 ) 上有定义, 设函数 1 2 3 4 5 ( 1, 9 11 12 13 14 ( , b ...... 4048 12000 6019 0.5016 皮尔逊 反面朝上 f n (正面朝上 f ( x) 是指: x (a, b) 有 x)收敛于 24000 0.5005 皮尔逊 lim f n ( x) f12012 逐点收敛 ( x) 不太现实, n 罗曼诺夫斯基 80640 39699 0.4923 对于随机变量列,是否有 要求太严! X n 0.5n ( ) p )( ) lim X (n 4 下午7时10分36秒
P X n X 的直观含义: 随着 n 的增大,绝对误差
n
| X n X |较大的可能性越来越小.
n
nA P 1 抛硬币试验的频率稳定性 X n n 2 nA
1
1 2
1 /2 1 2
n
下午7时10分36秒
O
k
5
常用的几个大数定律
大数定律一般形式:
n k 1
马尔可大数定律
定理4.3
若随机变量序列{Xn}满足:
1 Var n X 0 (马尔可夫条件) i 2 i 1 n
则 {Xn}服从大数定律.
下午7时10分36秒
8
注意点
(1) 伯努利大数定律是切比雪夫大数定律的特例.
(2) 切比雪夫大数定律是马尔可夫大数定律的特例.
lim 怎样定义极限 n X n p
“频率稳定性”的严格数学描述是什么
下午7时10分36秒 3
“抛硬币”试验将一枚硬币连续抛 n 次 ,记 A { 正面朝上 } nA n 次试验中 A 发生的次数 则 A 发生的频率为 n Xn A 蒲丰(1707-1788) n (n 1, 2, ) 法国数学家、自然哲学家 { X n}1是随机变量列 n n nA n 实验者 { X n X n ( ) }n 1是定义在样本空间 上的函数列 4048 2048 0.5069 蒲 丰 2048 德 · 1 1 2 3 3 3 3 4 4 51061 7 7 7 0.5181 2021 摩根 n 6 6 X n : 1f ( x), f n ( x) 6 n78 2, 10 ) 在区间 15a16 ) 上有定义, 设函数 1 2 3 4 5 ( 1, 9 11 12 13 14 ( , b ...... 4048 12000 6019 0.5016 皮尔逊 反面朝上 f n (正面朝上 f ( x) 是指: x (a, b) 有 x)收敛于 24000 0.5005 皮尔逊 lim f n ( x) f12012 逐点收敛 ( x) 不太现实, n 罗曼诺夫斯基 80640 39699 0.4923 对于随机变量列,是否有 要求太严! X n 0.5n ( ) p )( ) lim X (n 4 下午7时10分36秒
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
lim
n
Fn (
x)
F
(
x)
则称随机变量序列 {Yn } 依分布收敛于随机变量Y,
简记为
Yn LY
依分布收敛表示:当n充分大时,Yn 的分布函数
Fn( x) 收敛于Y 的分布函数 F ( x), 它是概率论中 较弱的一种收敛性. 定义4.2 设随机变量序列 {Yn } 和随机变量Y,若对
任意实数 0, 有
2
nn
1
n i 1
iE X i
2
nn
1
n i 1
i
DYn
4
n2n
12
n
i 2 D X i
i 1
4σ 2
n2n 12
n
i2
i 1
4nn 12n 1σ2 6n2n 12
22n 1σ2 3nn 1
从而对任意给定的 0, 由切比谢夫不等式得
0
P{| Yn
μ
|
ε}
DYn
ε2
则序列X
1 n
n i 1
Xi
依概率收敛于1 n n i1
EXi ,
即
X
P
1
n i 1
E
X
i
例2 设随机变量 X1, X2, , Xn, 相互独立, 具有如下分布律:
Xn na 0 na
P
1 2n2
1
1 n2
1 2n2
问是否满足切比谢夫大数定律? 解 由题意可知独立性.
检验是否有 数学期望
设X1, X2, , Xn, 是两两不相关的随机变量序列, 每一随机变量都有有限的方差,并有公共的上界
DX1 C, DX2 C, , DXn C,
则对任意的 ε 0,恒有
lim
n
P
1 n
i
n 1
X
i
1 n
n i 1
EX
i
ε 0
证 因为Xn两两不相关, 故
D
1 n
n i 1
收敛于随机变量 Y
。
简记为
Yn a.eY almost - everywhere
下面定理揭示了四种收敛之间的关系。 定理 4.2 设随机变量序列{ Xn } 和随机变量 X (1)若 Xn a.e X ,则 Xn P X;
(2) 若 Xn r X ,则
。
(3) 若 Xn P X ,则
Xn P X; Xn L X .
在实践中, 人们认识到,在随机事件的大量 重复出现中,往往呈现出几乎必然的规律,这 个规律就是大数定律。大量测量值的算术平均 值也具有稳定性. 大数定律就是用于研究大量 随机现象中平均结果的稳定性的理论.
大量抛掷硬币 生产过程中的 字母使用频率
正面出现频率
废品率
二、随机变量序列的收敛性
定义4.1 设随机变量 Yn(n 1,2, ) 和随机变量Y 的分布函数分别为Fn( x)(n 1,2, )和F ( x),若在 F( x) 的所有连续点 x 上都有
三、常用的三种大数定律
定义4.5 设X1, X2, , Xn , 是随机变量序列 ,
令
Yn
1 n
n i 1
Xi
如果存在这样一个常数序列a1,a2, ,an, ,
对任意的ε 0,恒有
lim
n
P
Yn
an
ε
0
则称随机变量序列 X n 服从大数定律
Law of Large Numbers.
定理4.3 切比谢夫大数定律
算术平均值1 n
n i 1
E
X
i
.
这种接近是概率 意义下的!
通俗地说, 在定理条件下, n 个随机变 量的算术平均值, 当 n无限增加时, 几乎变 成一个常数.
2 切比谢夫大数定律的另一种叙述
设X1, X2, , Xn, 是两两不相关的随机变量序列, 每一随机变量都有有限的方差,并有公共的上界
DX1 C, DX2 C, , DXn C,
简记为
Yn rY
特别的有 1-阶收敛又称为平均收敛, 2-阶收敛又称为均方收敛。 可以证明:均方收敛则平均收敛。
定义 4.4 设随机变量序列 {Yn( )} 和随机变量 Y ( ) ,若
P{ : lim Yn( ) Y ( )} 1
n
或简记为 P{nlimYn Y } 1
则称随机变量序列 {Yn }以概率1(或几乎处处)
lim
n
P{|
Yn
Y
|
}
1
或
lim P{|Yn Y | } 0
n
则称随机变量序列 {Yn } 依概率收敛于随机变量Y, 简记为
Yn PY 依概率收敛表示:Yn 与 Y 的绝对误差小于任意小
的正数 的可能性(即概率)将随着n增大而愈来愈
大,直至趋于1. 定理4.1 设 {Yn } 为一随机变量序列,且 Yn PC (常数),又函数 g() 在点C处连续,则有
E(Xn)
na
1 2n2
0
1
1 n2
na
1 2n2
0,
可见, 每个随机变量的数学期望都存在.
g(Yn ) P g(C).
证 由 g() 在C处连续可知,对任意实数 0, 存在实数 0, 使当 | y C | 时,总有
| g( y) g(C) | , 从而
{| Yn C | } {| g(Yn ) g(C ) |},
1 P{| g(Yn) g(C) | } P{| Yn C | }
1 P{| Yn C | } 1,n
这就表明:
g(Yn) P g(C)
例1 设X1, X2,, Xn 是独立同分布的随机变量
序列, E( Xi ) μ, D( Xi ) σ2 均存在, 证明
Yn
2
nn
1
n i 1
iX i
依概率收敛到 .
解
因为
E Yn
E
2
nn
1
n
iX i
i 1
22n 1σ2 3nn 1ε2
0
n
因此 Yn P .
定义 4.3 设随机变量序列 {Yn }和随机变量 Y
对 r 0 时,有 E | Yn |r (n 1,2 )
和 E | Y |r ,若
lim E | Yn Y |r 0
n
则称随机变量序列 {Yn } r 阶收敛于随机变量Y
第一节 大数定律
一、问题的提出
二、随机变量序列的收敛性
回
三、常用的三种大数定律
停 下
一、问题的提出
在第一章有关概率的统计定义中讲到, 随 机现象在大量重复试验中呈现明显的统计规律 性, 即事件发生的频率具有稳定性.
伯努利于1713年首先提出关于频率稳定性的 定理, 被称为伯努利大数定律.
大数定律的客观背景
Xi
1 n2
n i 1
DXi
C n
再由切比谢夫不等式得到
0
P
1 n
n i 1
Xi
1 n
i
n 1
EX
i
ε
D
1n
n i1 ε2
Xi
C nε2
于是,当 n 时,结论成立,即定理4.3得证。
注1 当 n 很大时, 随机变量 X1, X2, , Xn的
算术平均值
1 n
i
n 1
X
i
接近于它们的数学期望的