概率论与数理统计总结之第五章
合集下载
概率论与数理统计第五章 大数定律及中心极限定理
解: 设Xk为第k次炮击炮弹命中的颗数(k=1,2,…,100),
在100次炮击中炮弹命中的总颗数
100
X = ∑ Xk k =1
相互独立地服从同一分布，
E(Xk)=2, D(Xk)=1.52 (k=1,2,…,100)
随机变量
∑ 1
100 × 1.5
100 k =1
(
X
k
−
2)
=
1 15
(
X
−
200)
2. 伯努利定理 事件发生的频率依概率收敛于事件的概率
3. 辛钦定理 （随机变量序列独立同分布且数学期望存在）
n个随机变量的算术平均值以概率收敛于算术 平均值的数学期望。
给出了“频率稳定性”的严格数学解释. 提供了通过试验来确定事件概率的方法. 是数理统计中参数估计的重要理论依据之一.
§5.2 中心极限定理
望 E( Xk ) = µ (k = 1,2,"),则对于任意ε > 0,有
∑ lim
n→∞
P {|
1 n
n k =1
Xk
−
µ
|<
ε
}
=
1
说明
伯努利大数定理是辛钦定理的特殊情
况。n个随机变量的算术平均值以概率收敛于算
术平均值的数学期望。
三 小结
1、切比雪夫(Chebyshev)定理的特殊情况 算术平均值依概率收敛于数学期望
= 1 − P { V − 100 ≤ 0.387 } (10 12 ) 20
∫ 0.387
≈ 1−
1
e − t 2 dt
−∞ 2π
= 1 −Φ (0.387) = 0.348
所以 P{V > 105} ≈ 0.348
在100次炮击中炮弹命中的总颗数
100
X = ∑ Xk k =1
相互独立地服从同一分布，
E(Xk)=2, D(Xk)=1.52 (k=1,2,…,100)
随机变量
∑ 1
100 × 1.5
100 k =1
(
X
k
−
2)
=
1 15
(
X
−
200)
2. 伯努利定理 事件发生的频率依概率收敛于事件的概率
3. 辛钦定理 （随机变量序列独立同分布且数学期望存在）
n个随机变量的算术平均值以概率收敛于算术 平均值的数学期望。
给出了“频率稳定性”的严格数学解释. 提供了通过试验来确定事件概率的方法. 是数理统计中参数估计的重要理论依据之一.
§5.2 中心极限定理
望 E( Xk ) = µ (k = 1,2,"),则对于任意ε > 0,有
∑ lim
n→∞
P {|
1 n
n k =1
Xk
−
µ
|<
ε
}
=
1
说明
伯努利大数定理是辛钦定理的特殊情
况。n个随机变量的算术平均值以概率收敛于算
术平均值的数学期望。
三 小结
1、切比雪夫(Chebyshev)定理的特殊情况 算术平均值依概率收敛于数学期望
= 1 − P { V − 100 ≤ 0.387 } (10 12 ) 20
∫ 0.387
≈ 1−
1
e − t 2 dt
−∞ 2π
= 1 −Φ (0.387) = 0.348
所以 P{V > 105} ≈ 0.348
数理统计第五章总结
x1 ,, xn .
(2).主要类型
(1).性质：二重性
随机性 确定性
完全样本 分组样本
第五章 知识点总结
x1 ,, xn ~ F ( x ), (3).简单随机样本：
(4).样本的联合分布函数： F ( x1 ,, xn )
0, k (5). 经验分布函数: Fn ( x ) , n 1, x x( 1 )
n 2 n ![ F ( z ) F ( y )] p( y ) p( z ) p1n ( y, z ) . (n 2)!
( y z)
第五章 知识点总结
(3). 次序统计量的函数及其分布
①. 样本中位数:
n 2k 1， x( n21 )， x n x n (2) ( 2 1) ， n 2k . 2
i 1 j i 1 n j n ![ F ( y )] [ F ( z ) F ( y )] [ 1 F ( z )] p( y ) p( z ) pij ( y, z ) . (i 1)!( j i 1)!(n j )!
( y z)
次序统计量 ( x(1) , x(n) ) 的联合密度函数为
若 X ~ 2 (n), 则 E ( X ) n, Var( X ) 2n. 若 X ~ 2 (m ), Y ~ 2 (n), 且 X 与 Y 独立， 则
X Y ~ 2 (m n).
2 2. 分布的分位数： P( 2 1 (n)) 1 .
第五章 知识点总结
第20页
6. 对来自总体N(2,4) 的样本 y1 , y2 ,, y25 , S 2 是样本方差， 若 2 b s 2 ~ 2 (24), 则b = ( ).
概率论与数理统计 第五章
Xn ⎯ ⎯→ X 2. 依概率收敛与依分布收敛的关系
依概率收敛 ⇒ 依分布收敛
L
3. 定义：中心极限定理 设随机变量 X ~ N(0,1)，{Xi }，i = 1, 2, … 相互独 立，且数学期望和方差都存在, 若标准化随机变量序列
∑
n
i =1
Xi −
∑ E(X
i =1
n
i
)
∑
n
i =1
D(X i)
所以结论成立。 由此有，若X ~ B( n, p )，对于足够大的n，有 ⎧ m1 − np X − np m2 − np ⎫ ⎪ ⎪ < ≤ P{m1 < X ≤ m2 }= P ⎨ ⎬ np(1 − p) np(1 − p) ⎪ ⎪ np(1 − p) ⎩ ⎭
⎧ Yn − np ⎫ ⎪ ⎪ ≤ x ⎬ = Φ( x ) lim P ⎨ n →∞ ⎪ np(1 − p ) ⎪ ⎩ ⎭
证明：对于任意正整数n，随机变量Yn 可表示为 证明：对于任意正整数n Yn = X1＋ X2＋…＋ Xn X1, X2,…, Xn 相互独立，Xi ~ B( 1, p )，且有 E( Xi ) = p , D( Xi ) = p(1-p) 所以随机变量序列{ Xi }, i =1,2,…满足独立同分布 中心极限定理条件。即有
切比雪夫不等式的应用 1）估计随机变量落在某个区间内的概率 (P125例5.5.2) 2）估计ε的值, 使 P(│X - E(X)│<ε) ≥ a (0<a<1) 3）证明大数定律。
二. 大数定律 定义： 依概率收敛 设{Xn}是一个随机变量序列，X 是一个随机变量 或常数，若对于任意的ε＞ 0，有 lim P{| X n − X |≥ ε } = 0
《概率论与数理统计》第五章
第五章 极限定理
‹#›
研究随机现象的大量观测， 常采用极限形式， 由此导致了极限定理的研究。 极限定理的内容很 广泛, 最重要的有两种:
“大数定律”和“中心极限定理”。
第五章 极限定理
‹#›
§1 大数定律
对随机现象进行大量重复观测，各种结果的出 现频率具有稳定性。
大量地掷硬币 正面出现频率
生产过程 中废品率
棣莫佛—拉普拉斯定理的内容是：当 n 很大时 ，二项分布可用正态分布近似。
总结/summary
第五章 极限定理
‹#›
切比雪夫不等式 理解切比雪夫不等式
大数定律
了解辛钦大数定理。
中心极限定理
掌握运用列维-林德伯格中心定理和棣 莫弗-拉普拉斯中心极限定理求解独立 随机变量之和的近似概率值
第五章 极限定理
字母使用频率
第五章 极限定理
‹#›
1. 切比雪夫不等式
定理1: 设随机变量X有期望μ和方
差σ2，则对任给的ε> 0, 有
P
X
2
1
2
或
P | X |
2 2
.
第五章 极限定理
‹#›
证明：只对X 是连续型情况加以证明。
设X 的概率密度函数为 f(x)，则有
P | X | f (x) dx
2.5
1
P
X
n 14 0.2
2.5
1 (2.5) 0.0062 ；
第五章 极限定理
‹#›
(2).
P{X n
14}
P
X
n
14
14 14
2 / 100 2 / 100
1
P
X
n 14 0.2
概率论与数理统计(第5章)
第5章 数理统计的基础知识
5.1 数理统计的基本概念
5.1.3 次序统计量和样本分布函数
例 3 在总体 N(12，4) 中抽出容量为 5 的样本 X1 ，X2 ，X3 ，X4 ，X5 ，求概率 P{X (5) 15} 和 P{X (1) 10} ．
因此
解 设总体 X 的分布函数为 F(x) ，则随机变量 X (5) 和 X(1) 的分布函数分别为 Fmax (x) [F(x)]5 和 Fmin (x) 1 [1 F (x)]5 ，
1，x …x(n) ．
（5-6）
Fn (x) 的图形就是累积频率曲线，它是跳跃式上升的一条 阶梯形曲线．若所有观测值都不相等，则每一跨度为 1 ；若某
n 个观测值有 m 次相等情形，则在该值处跳跃上升 m ．
n
第5章 数理统计的基础知识
5.1 数理统计的基本概念
5.1.3 次序统计量和样本分布函数
1，2 ，3，L
)
，
它的观测值记为 bk
1 n
n i 1
( xi
x )k
(k
1，2，3，L
)
．
显然，样本一阶中心矩恒等于零．
（5-4） （5-5）
第5章 数理统计的基础知识
5.1 数理统计的基本概念
5.1.2 参数与统计量
例 2 有一批钢管，从中抽取了 10 根进行长度测量，得数据如下（单位：cm）： 19.6，19.5，18.9，19.1，18.7，18.9，19.0，18.8，19.2，19.3．
i 1
所以，样本方差的观测值为
s2
1 10
1
10
i 1
xi2
10x 2
1 0.8 10 1
概率论 第五章汇总
1
t2
e 2 dt ( x).
n np(1 p) 2
证 由§4.2例知, n可以看成n个相互独立的服从同一(0-1)分
布的随机变量X1,...,Xn之和，即 近n 似X1 X2 Xn
np n
N (0,1) E(X i ) p, D(Xi ) p(1 p),
i 1,2,, n
➢ 伯努利大数定律是辛钦定理的特殊情况.
§5.2 中心极限定理
在客观实际中有许多随机变量,它们是由 大量的相互独立的随机因素的综合影响所 形成的,而其中每一个别因素在总的影响中 起到的作用都是微小的.这种随机变量往往 近似的服从正态分布.这种现象就是中心极 限定理的客观背景.
本节只介绍三个常用的中心极限定理.
lim
~ ~ n
Fn
(
X
xY) nnlim
P
nn
N i i11
XXi
i近n似 nx近
nnn
似 0x,N121(0e,1)t22
dt
( x). (证明略)
定理表明,当n充分大时,Yn近似服从标准正态分布.
例1 一盒同型号螺丝钉共100个，已知该型号的螺丝钉的重量是
一个随机变量，期望值是100g，标准差是10g ，求一盒螺丝钉 的重量超过10.2kg的概率.
第五章 大数定律及中心极限定理
§5.1 大数定律 §5.2 中心极限定理
第五章 大数定律及中心极限定理
概率论与数理统计是研究随机现象统计 规律性的学科. 随机现象的规律性只有在相 同的条件下进行大量重复试验时才会呈现出 来. 也就是说，要从随机现象中去寻求必然 的法则，应该研究大量随机现象.
研究大量的随机现象，常常采用极限 形式，由此导致对极限定理进行研究. 极 限定理的内容很广泛，其中最重要的有两 种:
概率论与数理统计 第五章
n →∞ n →∞
∑ X − ∑µ
k =1 k =1
k
Bn
≤ x} = ∫
ቤተ መጻሕፍቲ ባይዱ
x
1 2π
−∞
e
t2 − 2
dt＝Φ(x).
说明: 说明
在定理条件下, r.v. Zn =
∑ X − ∑µ
k =1 k k =1
n
n
k
Bn
当 n很 大
时, 近似地服从正态分布N(0, 1),由此当n很大时,
∑X
k =1 n
n
t2 2
（本定理 可以由独立同分布 的中心极限定理证 明）
说明: 说明 本定理不难看出 :若ηn
~ b(n,p), 有
t2 2
b ηn − np 1 lim P a < e dt = Φ(b) − Φ(a), ≤ b = ∫ a n →∞ npq 2π 因 而 当 n较 大 时 , 我 们 可 以 用 正 态 分 布 近 似 计 算 二 项 分布 的 概率 。
2. 切比雪夫大数定律: 设X1 , X 2 , L Xn , L 是由两两互 不相关的随机变量所构成的序列, 每一个随机变量都 有有限的方差, 并且它们有公共的上界 , D(X1 ) ≤ C, D(X 2 ) ≤ C, L , D(Xn ) ≤ C, L 则对∀ε > 0, 都有 1 n 1 n lim P ∑ Xk − ∑ E(Xk ) < ε = 1. n →∞ n k =1 n k =1
k
2 , k = 0,1, L ,90000. 3 ≤ 30500}
90000-k
显然直接计算十分麻烦, 我们利用德莫佛-拉普拉斯定理 来求它的近 似 值 即有P{29500 < X ≤ 30500} 29500-np = P < np(1-p ) 30500-np ≤ np(1-p ) np(1-p ) X-np
∑ X − ∑µ
k =1 k =1
k
Bn
≤ x} = ∫
ቤተ መጻሕፍቲ ባይዱ
x
1 2π
−∞
e
t2 − 2
dt＝Φ(x).
说明: 说明
在定理条件下, r.v. Zn =
∑ X − ∑µ
k =1 k k =1
n
n
k
Bn
当 n很 大
时, 近似地服从正态分布N(0, 1),由此当n很大时,
∑X
k =1 n
n
t2 2
（本定理 可以由独立同分布 的中心极限定理证 明）
说明: 说明 本定理不难看出 :若ηn
~ b(n,p), 有
t2 2
b ηn − np 1 lim P a < e dt = Φ(b) − Φ(a), ≤ b = ∫ a n →∞ npq 2π 因 而 当 n较 大 时 , 我 们 可 以 用 正 态 分 布 近 似 计 算 二 项 分布 的 概率 。
2. 切比雪夫大数定律: 设X1 , X 2 , L Xn , L 是由两两互 不相关的随机变量所构成的序列, 每一个随机变量都 有有限的方差, 并且它们有公共的上界 , D(X1 ) ≤ C, D(X 2 ) ≤ C, L , D(Xn ) ≤ C, L 则对∀ε > 0, 都有 1 n 1 n lim P ∑ Xk − ∑ E(Xk ) < ε = 1. n →∞ n k =1 n k =1
k
2 , k = 0,1, L ,90000. 3 ≤ 30500}
90000-k
显然直接计算十分麻烦, 我们利用德莫佛-拉普拉斯定理 来求它的近 似 值 即有P{29500 < X ≤ 30500} 29500-np = P < np(1-p ) 30500-np ≤ np(1-p ) np(1-p ) X-np
概率论与数理统计----第五章大数定律及中心极限定理
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>
∫
+∞
−∞
= 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>
∫
+∞
−∞
概率论与数理统计(第五章第1节)
5
பைடு நூலகம்
定义2. 设有随机变量序列 {Xn}, n = 1, 2, · · ; X是随机变量。Fn(x) 和 FX (x) 分 ·· ·· 别是 Xn 和 X 的分布函数, 如果在 FX (x) 的 连续点处, 都有
则称 {Xn} 依分布收敛于X, 也说 Xn 以 X 的 分布为极限分布。记为
6
依分布收敛是随机变量序列的又一种 收敛形式, 可以证明: 如果 反之则不一定。
第五章 大数定律与中心极限定理
极限理论是概率论与数理统计的基本 理论, 在理论研究和应用中都十分重要。 随机现象的统计规律性描述的实际上 是试验次数无限增大时呈现的极限状态。
大数定律和中心极限定理是关于随机 变量序列的极限定理最基本的两种类型。 下面先介绍关于随机变量序列收敛性的概 念。
1
第一节 随机变量序列的收敛性
4
例1. 设随机变量序列 X1, X2,·, · · Xn· · 服从如下的分布: ·· ··
P{ Xn = 0 }= 1 则对任意的 0, 有 P{ | Xn |≥ } = P{ Xn = 2n } = 0 P{ Xn = 2n }=
故 {Xn} 依概率收敛于 0。但无论对多大的 n, Xn都可能取远离 0 的值 2n。
两种收敛性 的关系
7
, 则必有
,
3
在定义 1中, 随机变量X也可以是一个 常数 a, 称为随机变量序列 {Xn} 依概率收 敛于常数 a。记为 随机变量序列依概率收敛和一般序列 的收敛有很大的不同。假定 {Xn} 依概率收 敛于常数 a , 是指当 n 足够大时, 有足够 大的概率保证 Xn 任意接近于 a , 但此时Xn 仍然有可能取与 a 相差很大的数值(参见下 面例1 ), 即依概率收敛不是绝对保证。
பைடு நூலகம்
定义2. 设有随机变量序列 {Xn}, n = 1, 2, · · ; X是随机变量。Fn(x) 和 FX (x) 分 ·· ·· 别是 Xn 和 X 的分布函数, 如果在 FX (x) 的 连续点处, 都有
则称 {Xn} 依分布收敛于X, 也说 Xn 以 X 的 分布为极限分布。记为
6
依分布收敛是随机变量序列的又一种 收敛形式, 可以证明: 如果 反之则不一定。
第五章 大数定律与中心极限定理
极限理论是概率论与数理统计的基本 理论, 在理论研究和应用中都十分重要。 随机现象的统计规律性描述的实际上 是试验次数无限增大时呈现的极限状态。
大数定律和中心极限定理是关于随机 变量序列的极限定理最基本的两种类型。 下面先介绍关于随机变量序列收敛性的概 念。
1
第一节 随机变量序列的收敛性
4
例1. 设随机变量序列 X1, X2,·, · · Xn· · 服从如下的分布: ·· ··
P{ Xn = 0 }= 1 则对任意的 0, 有 P{ | Xn |≥ } = P{ Xn = 2n } = 0 P{ Xn = 2n }=
故 {Xn} 依概率收敛于 0。但无论对多大的 n, Xn都可能取远离 0 的值 2n。
两种收敛性 的关系
7
, 则必有
,
3
在定义 1中, 随机变量X也可以是一个 常数 a, 称为随机变量序列 {Xn} 依概率收 敛于常数 a。记为 随机变量序列依概率收敛和一般序列 的收敛有很大的不同。假定 {Xn} 依概率收 敛于常数 a , 是指当 n 足够大时, 有足够 大的概率保证 Xn 任意接近于 a , 但此时Xn 仍然有可能取与 a 相差很大的数值(参见下 面例1 ), 即依概率收敛不是绝对保证。
概率论与数理统计第5章
p( x1 , x2 ,
, xn ) = p(x1 )p(x2 )
p(xn ) = ∏ p( xi )
i =1
n
14 September 2009
1.
若连续型总体 X 的密度函数为 p(x )， , X n )是取自总体 X 的样本， iid
(X 1 , X 2 ,
X1, X2, … , Xn
n 则 (X 1 , X 2 , , X n )的密度函数为 p( x1 , x2 , , xn ) = p(x1 )p(x2 ) p(xn ) = ∏ p( xi ) i =1
数理统计
学习基础：1、高等数学 2、概率论
前面的学习已知:随机变量及其所伴随的概率分布全面描述了 随机现象的统计规律性,所以要研究一个随机现象首先要 知道它的概率分布. 概率论中:许多问题的概率分布通常是已知的或假设为已知的然后 在此基础上进行一切计算与推理. 实际中:一个随机现象的概率分布可能完全不知道 或知道分布类型却不知道其中的参数.例如正态分布
则 (X 1 , X 2 ,
, X n )的密度函数为
p( x1 , x2 ,
, xn ) = p(x1 )p(x2 )
n
p(xn )
⎧n −λ ∑ xi ⎪ Π λe −λxi = λ ne i=1 = ⎨ i =1 ⎪ 0 ⎩
xi > 0, i = 1, 2, 其它
,n
例如 设某批产品共有N 个,其中的次品 数为M, 其次品率为 p = M / N 若 p 是未知的,则可用抽样方法来估计它. 从这批产品中任取一个产品,用随机变量 X来描述它是否是次品: 所取的产品是次品 ⎧ 1, X =⎨ ⎩ 0, 所取的产品不是次品 X 服从参数为p 的0-1分布,可用如下表示 方法: P(x) = p (1− p) ,
概率论与数理统计总结之第五章
或
证明：
因为 ～ ，有
…
其中， … …相互独立，且都服从以p为参数的（0-1）分布，因而 … ，由定理一得
…
即
这个定理表明事件发生的频率的稳定性
定理三（辛钦定理）
设随机变量 … …相互独立，服从同一分布，且具有数学期望 … ，则对于任意正数ε，有
显然，伯努利大数定理是辛钦定理的特殊情况
中心极限定理
定理四（独立同分布的中心极限定理）
定理五（李雅普诺夫定理）
设随机变量 … …相互独立，它们具有数学期望和方差：
…，
记 ,
若存在正数δ，使得当 时，
则随机变量之和 的标准化变量：
的分布函数 对于任意x，满足
对其的解释为：
随机变量 ，
当n很大时，近似服从正态分布N(0,1)，因此，当n很大时， 近似服从正态分布
这就是说，无论各个随机变量 服从什么分布，只要满足定理的条件，那么它们的和 当n很大时，就近似服从正态分布
第五章
大数定律
定理一（契比雪夫定理的特殊情况）
设随机变量 … …相互独立（是指对于任意n>1， … …是相互独立），且具有相同的数学期望和方差： … 。作前n个随机变量的算术平均
则对于任意正数ε，有
证明：
由于
，
由契比雪夫不等式可 … …是一个随机变量序列，a是一个常数。若对于任意正数ε，有
定理六（棣莫弗-拉普拉斯定理）
设随机变量 服从参数为n,p（0<p<1)的二项分布，则对于任意x，有
证明：
将 分解成为n个相互独立、服从同一（0-1）分布的诸随机变量 … 之和，即有
= ，
其中 的分布律为
由于 由定理四得
这个定理表明，正态分布是二项分布的极限分布，当n充分大时，我们可以利用定理六中的式子来计算二项分布的概率
证明：
因为 ～ ，有
…
其中， … …相互独立，且都服从以p为参数的（0-1）分布，因而 … ，由定理一得
…
即
这个定理表明事件发生的频率的稳定性
定理三（辛钦定理）
设随机变量 … …相互独立，服从同一分布，且具有数学期望 … ，则对于任意正数ε，有
显然，伯努利大数定理是辛钦定理的特殊情况
中心极限定理
定理四（独立同分布的中心极限定理）
定理五（李雅普诺夫定理）
设随机变量 … …相互独立，它们具有数学期望和方差：
…，
记 ,
若存在正数δ，使得当 时，
则随机变量之和 的标准化变量：
的分布函数 对于任意x，满足
对其的解释为：
随机变量 ，
当n很大时，近似服从正态分布N(0,1)，因此，当n很大时， 近似服从正态分布
这就是说，无论各个随机变量 服从什么分布，只要满足定理的条件，那么它们的和 当n很大时，就近似服从正态分布
第五章
大数定律
定理一（契比雪夫定理的特殊情况）
设随机变量 … …相互独立（是指对于任意n>1， … …是相互独立），且具有相同的数学期望和方差： … 。作前n个随机变量的算术平均
则对于任意正数ε，有
证明：
由于
，
由契比雪夫不等式可 … …是一个随机变量序列，a是一个常数。若对于任意正数ε，有
定理六（棣莫弗-拉普拉斯定理）
设随机变量 服从参数为n,p（0<p<1)的二项分布，则对于任意x，有
证明：
将 分解成为n个相互独立、服从同一（0-1）分布的诸随机变量 … 之和，即有
= ，
其中 的分布律为
由于 由定理四得
这个定理表明，正态分布是二项分布的极限分布，当n充分大时，我们可以利用定理六中的式子来计算二项分布的概率
陈国华等主编概率论与数理统计第五章习题解答
x>0 x≤0
(α > 0, β > 0)
a a 1 1 1 dx = ∫ cos(tx) ⋅ dx + ∫ sin(tx) ⋅ dx −a −a −a 2a 2a 2a 1 1 1 = ⋅ sin(tx) |a sin(at ) x =− a = at 2a t t −1 （2）参数为 λ 的指数分布的特征函数为， φ X (t ) = (1 − i ) ，参数为 λ 的指数分布可看做
1
π (1 + x 2 )
(−∞ < x < +∞) ；
⎧A ⎪ (D) X i 的概率函数为 ： g ( x) = ⎨ x 3 ⎪0 ⎩
x ≥1 x <1
(i = 1,2,3, ) ．
答案：CABAD 三．解答题
1．一颗骰子连续掷 4 次，点数总和记为 X ，估计 p (10 < X < 18) ．
3．已知随机变量 X 的数学期望为 10，方差 DX 存在且 P (−20 < X < 40) ≤ 0.1 ，则
DX ≥ ． 4．设 X 1 , X 2 , , X n， 为独立同分布的随机变量序列，且 X i (i = 1,2, ) 服从参数为 2 的
指数分布，则 n → ∞ 当时， Yn =
1 n 2 ∑ X i 依概率收敛于 n i =1
1 1 ln n + ln n = 0 2 2
n
DX n = EX n = ln n
n 1 1 D ( Xi) = 2 ∑ 2 n n i =1
2
∑ ln i → 0(n → ∞)
i =1
根据马尔可夫大数定律， {X n } 服从大数定律。
3 、 已 知 随 机 变 量 X 和 Y 的 数 学 期 望 、 方 差 以 及 相 关 系 数 分 别 为 E ( X ) = E (Y ) = 2 ,
概率论与数理统计 第五章
贝努里定理. 它的叙述如下:设是n次重复独立 对于任意给定的ε>0,有
lim P{| nA p | } 1
n
n
lim P{| nA p | } 1
n
n
其中nA/n是频率,p是概率,即次数多
时事件发生的频率收敛于概率.表示频率的稳定性.
定理3
lim P{|
n
1 n
n i 1
Xi
| } 1
数理统计的方法属于归纳法,由大量的资料作依据,而不
是从根据某种事实进行假设,按一定的逻辑推理得到的.例
如统计学家通过大量观察资料得出吸烟和肺癌有关,吸烟
者得肺癌的人比不吸烟的多好几倍.因此得到这个结论.
数理统计的应用范围很广泛.在政府部门要求有关的资
料给政府制定政策提供参考.由局部推断整体,学生的假期
第五章 大 数 定 律 与 中 心 极 限 定 律
§ 5.1大 数 定 律
定理1(切比雪夫定理) 设X1,X2,...,Xn,...是相互独立的随机变
量序列若存在常数C,使得D(Xi)≤C. (i=1,2,...n),则对任意给
定的ε>0,有
lim P{|
n
1 n
n i 1
[Xi
E( X i )] |
7200 6800 2
200 1
D 2
1
2100 2002
0.95
可见虽有10000盏灯,只要电力供应7200盏灯即有相当大的保 证率切贝谢夫不等式对这类问题的计算有较大价值,但它的精度 不高.为此我们研究下面的内容.
2021/9/5
10
§ 5.2 中 心 极 限 定 理
在随机变量的一切可能性的分布律中，正态分布占有特殊的
概率论与数理统计 第五章 大数定律与中心极限定理 第一节 大数定律
即n 取18750时，可以使得在n次独立重复 试验中, 事件A出现的频率在0.74~0.76之间的 概率至少为0.90 .
二、大数定律
在大量的随机现象中，随机事件的频率具有稳定性
例 如 ， 在 n 重 贝 努 力 试 验 中 ， P ( A ) p， 若 n 次 试 验 事 件 A 共 发 生 μ n次 ， 则 μn n 即 为 事 件 A发 生 的 频 率 。
1
n
n
xi
依概率收敛于 即n充分大时， x
1
i 1
n
n
xi
i 1
在切比雪夫不等式中取 0.01 n，则
P (0.74
1
X
0.76)
1
= P{ |X-E(X)| <0.01n}
0.1875n
2
n D( X )
(0.01n)
2
1
1875 n
0.0001n
一、切贝谢夫不等式
依题意，取 1 解得
n 1875 n 1875 1 0.9 18750 0.9
大数定律与中心极限定理
第一节 大数定律
一、切贝谢夫不等式
一、切贝谢夫不等式
一、切贝谢夫不等式
一、切贝谢夫不等式
一、切贝谢夫不等式
练习 在每次试验中，事件A发生的概率为 0.75, 利用切比雪夫不等式求：n需要多么大时，才能使得 在n次独立重复试验中, 事件A出现的频率在0.74~0.76 之间的概率至少为0.90? 解：设X为n 次试验中，事件A出现的次数， 则 X~B(n, 0.75) E(X)=0.75n, 所求为满足 的最小的n .
D(X)=0.75*0.25n=0.1875n
概率论与数理统计第五章知识点
概率论与数理统计第五章知识点第五章的概率论与数理统计的知识点主要涉及到概率函数、统计推断、分布函数和多元正态分布等内容，这其中包括了多项式概率分布、超几何分布、二项分布、线性回归、假设检验、多重切线回归、卡方检验、小抽样检验、检验均值和协方差等内容。
首先，多项式概率分布是一种特殊的概率分布，它建立了在有限次试验中某个事件出现次数的概率，它由定义性的概率空间和一组完备的事件集合组成，并可以使用不同的统计技术来计算它们。
其次，超几何分布是一种分布，用于计算取样观测中某种特征发生次数的概率，它与多项式分布有着很大的不同，它建立了一个独立的取样模型，它是一种独立取样模型，它利用概率论中的概率空间来分析一个独立取样实验中观测到一个特征发生次数的概率。
再次，二项分布也是一种概率分布，它用来计算一系列试验中出现某种特征的次数的概率。
它是一种特殊的多项式分布，可以使用概率论的工具来应用二项式分布，以确定两个不同事件之间的概率。
此外，线性回归也是第五章概率论与数理统计中一个重要的概念，它是一种统计方法，用来预测一个变量的变化可能会导致另一个变量的变化。
线性回归的基本原理是拟合两个变量的关系，使回归线能够最佳地拟合所有数据，以找到其中的趋势。
另外，假设检验是一种重要的统计技术，在假设检验中，需要使用概率空间，以便计算假设检验中备择假设的概率，并判断假设是否成立。
另外，多重切线回归也是一种重要的统计方法，它是以多元关系作为因变量和因变量之间的关系来拟合数据，以确定多元回归线的最佳拟合方式，让其效果最好。
此外，卡方检验、小抽样检验和检验均值和协方差等也是第五章概率论与数理统计的重要内容。
其中，卡方检验是一种特殊的假设检验，用来判断一组数据的差异是否大于预期，以确定数据的分布情况。
而小抽样检验是一种统计方法，用于给出总体参数的精确估计，以帮助确定相关的总体统计量，用来估计总体参数。
最后，检验均值和协方差也是一种重要的统计方法，它可以帮助分析两个变量之间的关系，以确定两个变量之间的相关程度。
概率论与数理统计第5章
2、定理以数学形式证明了随机变量X
1
,
X
的算术平均
n
X
1 n
n i 1
X i接近数学期望E( X k ) （k
1,2, n）,这种接近
说明其具有的稳定性
这种稳定性的含义说明算术平均值是依概率收敛的意义下 逼近某一常数.
1.(2010-1)设 n 为n次独立重复试验中事件A发生的次数,p是事件
10
3.(2009 1)
设X i
0, 1,
事件A不发生 事件A发生 (i 1, 2,
,100),且P(A) 0.8,
100
X1, X 2 , , X100相互独立,令Y Xi则由中心极限定理知Y 近似服从于 i 1
正态分布,其方差为________ .
4.(2008 -10)设总体X的分布律为P{X 1} p, P{X 0} 1- p, 其中0 p 1.
P{|
m n
p
|
}1
或
ln im
P{|
m n
p
|
}
0
注： 贝努里大数定律表明，当重复试验次数n充分 大时，事件A发生的频率m/n与事件A的概率p有较 大偏差的概率很小.
事件发生的频率可以代替事件的概率.
5.2.2 独立同分布随机变量的切比雪夫大数定律
定理5-3
设随机变量X
1
,
X
，
2
，X
n
,
是独立同分布随机变量序列,
E( Xi ) , D( Xi ) 2 (i 1, 2, )均存在,则对任意 0有
lim{|
n
概率论与数理统计-第五章
【数理统计简史】
1. 近代统计学时期
18 世纪末到 19 世纪，是近代统计学时期．这一 时期的重大成就是大数定律和概率论被引入统计 学．之后最小二乘法、误差理论和正态分布理论 等相继成为统计学的重要内容．这一时期有两大 学派：数理统计学派和社会统计学派．
【数理统计简史】 数理统计学派始于19世纪中叶，代表人物是比 利时的凯特莱（ A.Quetelet ， 1796-1874 ），著有 《概率论书简》《社会物理学》等，他主张用研 究自然科学的方法研究社会现象，正式把概率论 引入统计学，并最先用大数定律证明了社会生活 中随机现象的规律性，提出了误差理论．凯特莱 的贡献，使统计学的发展进入个了一个新的阶 段．
i =1 36
1 2 2 3 2 2 2 2 D( X ) = E ( X ) − E ( X ) = ( 0 + 1 + 2 + 3 ) − 4 2 5 = 4
2
二、样本与抽样 由于X1，X2，...，X36均与总体X同分布，且相互独 立，所以，Y的均值和方差分别为
E (Y ) = E ( ∑ X i ) = 36 E ( X ) = 54,
【数理统计简史】 18世纪到 19世纪初期，高斯从描述天文观测的 误差而引进正态分布，并使用最小二乘法作为估 计方法，是近代数理统计学发展初期的重大事件， 对社会发展有很大的影响．
【数理统计简史】 用正态分布描述观测数据的应用是如此普遍，以 至 在 19 世 纪 相 当 长 的 时 期 内 ， 包 括 高 尔 顿 （ Galton ）在内的一些学者，认为这个分布可用 于描述几乎是一切常见的数据．直到现在，有关 正态分布的统计方法，仍占据着常用统计方法中 很重要的一部分．最小二乘法方面的工作，在 20 世纪初以来，经过一些学者的发展，如今成了数 理统计学中的主要方法．
概率论与数理统计第五章
四、单因素敏感性分析
进行敏感性分析一般要考虑几个可变参数， 为简化起见，通常假设各参数之间是相互独立的， 每次只研究一个可变参数，其它参数则保持不变。
例5-5：某城与某煤矿目前靠一条沿河修建的三级石面公路运输， 公路全长60km，拥挤现象严重，公路保养费呈上升趋势。现拟 新建一条二级沥青路面公路进行分流，预计建设期2年，项目经 济寿命20年，期末无残值，该项目预计投资3970万元，建设期 第一年初和第二年初分别耗用50％，新线建成后，在经济寿命 期内预计常年养护维修成本为13万元，大修成本575万元（定于 新线建成10年后进行）项目建成后年经济效益为2540万元，项
(2)盈亏平衡生产能力利用率:
Q 2143 E 100% 100% 53.5% Qc 4000
＊
(3)盈亏平衡销售价格：
300104 P* Cv 1600 2600 元 / 套) ( Q 3000 Cf
(4)盈亏平衡单位产品变动成本
Cv
*
300104 P 3000 2000 元 / 套) ( Q 3000 Cf
*
*
1、盈亏平衡产量：
Q
*
Cf P Cv2、若项源自设计生产能力为 QC ，则盈亏平衡生产能力 利用率：
Cf Q E 100% 100% QC ( P Cv )QC
*
*
3、盈亏平衡价格:
Cf B C P Cv Q Q Q
*
P*为保本价格
4、盈亏平衡单位产品变动成本：
点，可根据具体情况选择。一般选择还款期间第一个达产
年和还完借款以后的年份分别计算，以便分别给出最高盈 亏平衡点和最低盈亏平衡点。
四、非线形盈亏平衡分析
概率论与数理统计第五章
lim P n
i n i 1 x n
n
x
1 2
e
t
2 2
dt ( x )
等价的描述：
当n很大时有如下结论：
定理1：独立同分布的中心极限定理的常用形式
1 , 2 n 独立同分布，且
n
X
i
i 1
这便是在n较大情况下反映出的客观规律,故称为“大数” 定律。 比推论1条件更宽的一个大数定律是辛钦 DX （Khintchine）大数定律,它不需要推论1条件中“方差 i 存在”的限制，而在其它条件不变的情况下，仍有（5-4） 式的结论。
人们已经知道，在自然界和生产实践中遇到大量随机变量 都服从或近似服从正态分布，正因如此，正态分布占有特 别重要的地位。那么，如何判断一个随机变量服从正态分 布显得尤为重要。如经过长期的观测，人们已经知道，很 多工程测量中产生的误差X都是服从正态分布的随机变量。 分析起来，造成误差的原因有仪器偏差X1、大气折射偏差 X2,温度变化偏差X3、估读误差造成的偏差X4等等，这些偏 差Xi 对总误差 X X 的影响都很微小，没有一个起到特别 突出的影响，虽然每个Xi的分布并不知道，但 X X i 却服 从正态分布。类似的例子不胜枚举。
n
i 1, 2 , , n .
则
nA X1 X 2 X n
nA n 1
X i.
i 1
n
n
X i , E ( X i ) p.
i 1
定理2 （贝努利大数定律）
设 n A为n 次独立试验中事件A发生的次数，p是A在 一次试验中发生的概率，则对任意ε （＞0），恒有
- 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)。
则称序列 … …依概率收敛与a，记为
设 ，又设g(x,y)在点（a,b)连续，则
上述定理一又可叙述为：
定理一
设随机变量 … …，相互独立，且具有相同的数学期望和方差： … ，则序列 依概率收敛于μ，即
定理二（伯努利大数定理）
设 是n次独立重复试验中事件A发生的次数。p是事件A在每次试验中发生的概率，则对于任意正数ε>0,有
定理六（棣莫弗-拉普拉斯定理）
设随机变量 服从参数为n,p（0<p<1)的二项分布，则对于任意x，有
证明：
将 分解成为n个相互独立、服从同一（0-1）分布的诸随机变量 … 之和，即有
= ，
其中 的分布律为
由于 由定理四得
这个定理表明，正态分布是二项分布的极限分布，当n充分大时，我们可以利用定理六中的式子来计算二项分布的概率
第五章
大数定律
定理一（契比雪夫定理的特殊情况）
设随机变量 … …相互独立（是指对于任意n>1， … …是相互独立），且具有相同的数学期望和方差： … 。作前n个随机变量的算术平均
则对于任意正数ε，有
证明：
由于
，
由契比雪夫不等式可得
在上式中令 并注意到概率不能大于1，即得
设 … …是一个随机变量序列，a是一个常数。若对于任意正数ε，有
设随机变量 … …相互独立，服从同一分布，且具有数学期望和方差： … ，则随机变量之和 的标准化变量：
的分布函数 对于任意x满足
对其的解释：
均值为μ，方差为 >0的独立同分布的随机变量之和 的标准化变量，当n充分大时，有 ～
将上式左端改写成 这样上述结果可写成：
当n充分大时，
～ 或 ～
这也就是说，均值为μ，方差为 的独立同分布的随机变量 … 的算术平均 ，当n充分大时近似地服从均值为μ，方差为 的正态分布
或
证明：
因为 ～ ，有
…
其中， … …相互独立，且都服从以p为参数的（0-1）分布，因而 … ，由定理一得
…
即
这个定理表明事件发生的频率的稳定性
定理三（辛钦定理）
设随机变量 … …相互独立，服从同一分布，且具有数学期望 … ，则对于任意正数ε，有
显然，伯努利大数定理是辛钦定理的特殊情况
中心极限定理
定理四（独立同分布的中心极限定理）
定理五（李雅普诺夫定理）
设随机变量 … …相互独立，它们具有数学期望和方差：
…，
记 ,
若存在正数δ，使得当 时，
则随机变量之和 的标准化变量：
的分布函数 对于任意x服从正态分布N(0,1)，因此，当n很大时， 近似服从正态分布
这就是说，无论各个随机变量 服从什么分布，只要满足定理的条件，那么它们的和 当n很大时，就近似服从正态分布
设 ，又设g(x,y)在点（a,b)连续，则
上述定理一又可叙述为：
定理一
设随机变量 … …，相互独立，且具有相同的数学期望和方差： … ，则序列 依概率收敛于μ，即
定理二（伯努利大数定理）
设 是n次独立重复试验中事件A发生的次数。p是事件A在每次试验中发生的概率，则对于任意正数ε>0,有
定理六（棣莫弗-拉普拉斯定理）
设随机变量 服从参数为n,p（0<p<1)的二项分布，则对于任意x，有
证明：
将 分解成为n个相互独立、服从同一（0-1）分布的诸随机变量 … 之和，即有
= ，
其中 的分布律为
由于 由定理四得
这个定理表明，正态分布是二项分布的极限分布，当n充分大时，我们可以利用定理六中的式子来计算二项分布的概率
第五章
大数定律
定理一（契比雪夫定理的特殊情况）
设随机变量 … …相互独立（是指对于任意n>1， … …是相互独立），且具有相同的数学期望和方差： … 。作前n个随机变量的算术平均
则对于任意正数ε，有
证明：
由于
，
由契比雪夫不等式可得
在上式中令 并注意到概率不能大于1，即得
设 … …是一个随机变量序列，a是一个常数。若对于任意正数ε，有
设随机变量 … …相互独立，服从同一分布，且具有数学期望和方差： … ，则随机变量之和 的标准化变量：
的分布函数 对于任意x满足
对其的解释：
均值为μ，方差为 >0的独立同分布的随机变量之和 的标准化变量，当n充分大时，有 ～
将上式左端改写成 这样上述结果可写成：
当n充分大时，
～ 或 ～
这也就是说，均值为μ，方差为 的独立同分布的随机变量 … 的算术平均 ，当n充分大时近似地服从均值为μ，方差为 的正态分布
或
证明：
因为 ～ ，有
…
其中， … …相互独立，且都服从以p为参数的（0-1）分布，因而 … ，由定理一得
…
即
这个定理表明事件发生的频率的稳定性
定理三（辛钦定理）
设随机变量 … …相互独立，服从同一分布，且具有数学期望 … ，则对于任意正数ε，有
显然，伯努利大数定理是辛钦定理的特殊情况
中心极限定理
定理四（独立同分布的中心极限定理）
定理五（李雅普诺夫定理）
设随机变量 … …相互独立，它们具有数学期望和方差：
…，
记 ,
若存在正数δ，使得当 时，
则随机变量之和 的标准化变量：
的分布函数 对于任意x服从正态分布N(0,1)，因此，当n很大时， 近似服从正态分布
这就是说，无论各个随机变量 服从什么分布，只要满足定理的条件，那么它们的和 当n很大时，就近似服从正态分布