概率论与数理统计 第五章
概率论与数理统计第五章 大数定律及中心极限定理
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
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
第五章《概率论与数理统计教程》课件
试决定常数 3.
X ,Y
C
使得随机变量 cY 服从分布
2
分布。
相互独立，都与 N ( 0 , 9 ) 有相同分布， X 分别是来自总体
X ,Y
1
, X 2 , , X 9和
Y1 ,Y 2 , ,Y 9
的样本，
Z
9
X
i
i1
6 - 23
Y
i1
9
则Z 服从—— ，自由度为——。
2 i
4.
X1, X 2, X 3, X 4
是来自总体
X ~ N ( , )
2
的样本，则随机变
量 Y
X3 X4
服从——分布，其自由度为———。
2
(X i )
i1
2
5.
设
X 1 , X 2 , , X 10
是来自总体 X
~ N ( ,4 )
2
的样本， ( S 2 P
a ) 0 .1
一. 单个正态总体的统计量的分布
X 1 , X 2 , X n是来自正态总体 ~ N ( , 2 )的样本, X
X , S 分别是样本均值和样本 方差
2
定理1
X
n
1
n
X i ~ N ( ,
n
2
);
i1
定理2 U
1
X
/
~ N ( 0 ,1 );
n
定理3
6 - 18
定理7
当 1
2
2 2
2 2 时, 令 S w
( n1 1) S 1 ( n 2 1) S 2
2
概率论与数理统计课件第5章-PPT精品文档
PX Q 0 . 5 2
1
第三四分位数Q3： PX Q 0 . 7 5 3
例1
为对某小麦杂交组合F2代的株高X进行研究，抽
取容量为100的样本，测试的原始数据记录如下(单位： 厘米)，试根据以上数据，画出它的频率直方图，求随
机变量X的分布状况。
87 99 86 87 84 85 96 90 103 88 91 94 94 91 88 109 83 89 111 98 102 92 82 80 91 84 88 91 110 99 86 94 83 80 91 85 73 98 89 102 99 81 80 87 95 70 97 104 88 102 69 94 95 92 92 90 94 75 91 95 102 76 104 98 83 94 90 96 80 80 90 92 105 92 92 90 94 97 86 91 95 94 88 96 80 94 92 91 77 83
样本方差( X X i n 1i 1
几个常用的统计量
设 (X ,X , 1 2 是总体 X 的一个样本， ,X n) 样本均方差或标准差
2 1 n S X i X n 1i 1
它们的观测值用相应的小写字母表示.反映总 体X取值的平均，或反映总体X取值的离散程度。
几个常用的统计量
设 (X ,X , 1 2 是总体 X 的一个样本， ,X n)
子样的K阶（原点）矩
1 n k Ak X i n i 1
子样的K阶中心矩
1 B k X i X n i1
n
k
数据的简单处理
为了研究随机现象，首要的工作是收集原始数据. 一般通过抽样调查或试验得到的数据往往是杂乱无章
概率论与数理统计 第5章
n
n
性质2.（分布可加性）:若X～2(n1)，Y～2(n2)，X与 Y独立，则
X + Y～2(n1+n2 )
3、2分布表及有关计算
(1)构成 P{2(n)>λ}=α，已知n, α可查表求得λ; (2)有关计算P 2 (n) 2 (n) 称为上侧α分位数
例5.1 设 X ~ N ( , 2 ) (X1,X2,…,Xn)为X的一个样本，
求(X1,X2,…,Xn)的密度。 解 (X1,X2,…,Xn)为X的一个样本，故
X i ~ N ( , 2 )
n
i 1,2,, n
f ( x1 , x2 ,, xn ) f ( xi )
16 2
解
i 1,2,,16
2 1 16 2 2 P ( X i ) P 8 2 (16) 16 2 16 i 1
2—分布的密度函数f(y)曲线
n/2 1 f ( y) 2 ( n / 2) y 0,
n y 1 2 2
e , y0 y0
2 例5.4 X ~ N ( , ) (X1,X2,X3)为X的一个样本
X 1 X 2 X 3 的分布。 求
(n)为整体记号
2
2 (n) 2 2 查表得 0 ( 25 ) 34 . 382 10) 18.307 .1 0.05 (
1 当n充分大时，近似有 (n ) (u 2n - 1) 2 2
2
练习1. P(2(n)<s)=1-p ∵P(2(n) < s)=1- P(2(n) s )=1-p ∴ P(2(n) s )=p 2 s p (n) 练习2. P(2(11)>s)=0.05,求s
概率论与数理统计 第五章 大数定律与中心极限定理
的概率很小” ，用数学语言表达，就是要证明： 0 ，有
nA nA lim P p 0 lim P p 1 n ，或 n n ． n
另一种提法是：研究随机变量 n A 的分布的极限行为，即讨 论分布函数
nA lim P p 0 lim P n n 或 n
nA p 1 ． n
证 引入
1 , 第i次试验中事件A发生 Xi ，i 1 , 2 , , n ， 0 , 第i次试验中事件A不发生
下面我们进一步来讨论贝努利试验．若记 n A 为 n 次贝努利试
nA 验中事件 A 发生的次数， 则事件 A 发生的频率为 n ． 所谓 “频 率的稳定性” ，无非是指当试验次数 n 无限增大(即 n )时，
nA 频率 n 无限接近于某个固定常数．这个固定的常数就是“事 件 A 在一次试验中发生的的概率 p” ． nA 由此可见，讨论频率 n 的极限行为，是理解概率论中最基本
2019年1月14日星期一
11 / 102
§5.1
大数定律
作为预备知识，我们先明确随机变量序列收敛的
相关概念，同时给出一个重要的不等式，它是以下理 论证明所用的主要工具之一．
定 义 1.1 设 a 是常数，对于随机变量序列 ，如果 0 ，有
X1 , X 2 ,
, Xn ,
lim P
n
个常数，即在这个常数的附近摆动，这就是所谓的“频
率稳定性”．但对这一点，至今为止我们尚未给予理论 上的说明．另外，在第二章我们给出了二项分布的泊松 逼近，那么更一般的近似计算方案又是怎样呢?
概率论与数理统计第五章课后习题及参考答案
概率论与数理统计第五章课后习题及参考答案1．用切比雪夫不等式估计下列各题的概率．(1)废品率为03.0，1000个产品中废品多于20个且少于40个的概率；(2)200个新生儿中，男孩多于80个而少于120个的概率(假设男孩和女孩的概率均为5.0)．解：(1)设X 为1000个产品中废品的个数，则X ～)1000,03.0(B ，有30)(=X E ，1.29)(=X D ，由切比雪夫不等式，得)3040303020()4020(-<-<-=<<X P X P )103010(<-<-=X P )1030(<-=X P 709.0101.2912=-≥．(2)设X 为200个新生儿中男孩的个数，则X ～)200,5.0(B ，有100)(=X E ，50)(=X D ，由切比雪夫不等式，得)10012010010080()12080(-<-<-=<<X P X P )2010020(<-<-=X P )20100(<-=X P 87205012=-≥．2．一颗骰子连续掷4次，点数总和记为X ，估计)1810(<<X P ．解：设i X 为该骰子掷第i 次出现的点数，则61)(==k X P i ，6,,2,1 =i ，6,,2,1 =k ．27)654321(61)(=+++++=i X E ，691)654321(61)(2222222=+++++=i X E ，35)]([)()(22=-=i i i X E X E X D ，4,3,2,1=i ．因为4321X X X X X +++=，且1X ，2X ，3X ，4X 相互独立，故有14)(=X E ，335)(=X D ．由切比雪夫不等式，得)1418141410()1810(-<-<-=<<X P X P )4144(<-<-=X P )414(<-=X P 271.0433512=-≥．3．袋装茶叶用及其装袋，每袋的净重为随机变量，其期望值为100g ，标准差为10g ，一大盒内装200袋，求一盒茶叶净重大于5.20kg 的概率．解：设i X 为一袋袋装茶叶的净重，X 为一盒茶叶的净重，由题可知∑==2001i i X X ，100)(=i X E ，100)(=i X D ，200,,2,1 =i ．因为1X ，2X ，…，200X 相互独立，则20000)()(2001==∑=i i X E X E ，20000)()(2001==∑=i i X D X D ．)()(20500)()(()20500(2001X D X E X D X E X P X P i i ->-=>∑=)1020020000205001020020000(⋅->⋅-=X P )2251020020000(>⋅-=X P 由独立同分布的中心极限定理，1020020000⋅-X 近似地服从)1,0(N ，于是0002.0)5.3(1)2251020020000(=Φ-≈>⋅-X P ．4．有一批建筑用木桩，其80%的长度不小于3m ．现从这批木桩中随机取出100根，试问其中至少有30根短于3m 的概率是多少？解：设X 为100根木桩中短于3m 的根数，则由题可知X ～)2.0,100(B ，有20)(=X E ，16)(=X D ，由棣莫弗—拉普拉斯定理，得)30(1)30(<-=≥X P X P )42030(1)()((1-Φ-=-Φ-=X D X E X 0062.0)5.2(1=Φ-=．5．某种电器元件的寿命服从均值为100h 的指数分布．现随机选取16只，设它们的寿命是相互独立的．求这16只元件寿命总和大于1920h 的概率．解：设i X 为第i 只电器元件的寿命，由题可知i X ～)01.0(E ，16,,2,1 =i ，且1X ，2X ，…，16X 相互独立，则100)(=i X E ，10000)(=i X D ．记∑==161i i X X ，则1600)()(161==∑=i i X E X E ，160000)()(161==∑=i i X D X D ．))()(1920)()(()1920(X D X E X D X E X P X P ->-=>)400160019204001600(->-=X P )8.04001600(>-=X P ，由独立同分布的中心极限定理，1600-X 近似地服从)1,0(N ，于是2119.0)8.0(1)8.04001600(=Φ-=>-X P ．6．在数值计算中中，每个数值都取小数点后四位，第五位四舍五入(即可以认为计算误差在区间]105,105[55--⨯⨯-上服从均匀分布)，现有1200个数相加，求产生的误差综合的绝对值小于03.0的概率．解：设i X 为每个数值的误差，则i X ～)105,105(55--⨯⨯-U ，有0)(=i X E ，1210)(8-=i X D ，1200,,2,1 =i ．从而0)()(12001==∑=i i X E X E ，61200110)()(-===∑i i X D X D ．由独立同分布的中心极限定理，X 近似地服从)10,0(6-N ，于是)03.0(<X P ))()(03.0)()((X D X E X D X E X P -≤-=12101200003.0121012000(44--⋅-≤⋅-=X P 9974.01)3(2=-Φ=．7．某药厂断言，该厂生产的某药品对医治一种疑难的血液病治愈率为8.0．医院检验员任取100个服用此药的病人，如果其中多于75个治愈，就接受这一断言，否则就拒绝这一断言．(1)若实际上此药对这种病的治愈率是8.0，问接受这一断言的概率是多少？(2)若实际上此药对这种病的治愈率是7.0，问接受这一断言的概率是多少？解：设X 为100个服用此药的病人中治愈的个数，(1)由题可知X ～)8.0,100(B ，则80)(=X E ，16)(=X D ，由棣莫弗—拉普拉斯定理，得)75(1)75(≤-=>X P X P 48075(1))()((1-Φ-=-Φ-=X D X E X 8944.0)25.1(=Φ=．(2)由题可知X ～)7.0,100(B ，则70)(=X E ，21)(=X D ，由棣莫弗—拉普拉斯定理，得)75(1)75(≤-=>X P X P 217075(1)()((1-Φ-=-Φ-=X D X E X 1379.0)09.1(1=Φ-=．8．一射手在一次射击中，所得环数的分布律如下表：X678910P 05.005.01.03.05.0求：(1)在100次射击中环数介于900环与930环之间的概率是多少？(2)超过950环的概率是多少？解：设X 为100次射击中所得的环数，i X 为第i 次射击的环数，则∑==1001i i X X ，15.9)(=i X E ，95.84)(2=i X E ，2275.1)]([)()(22=-=i i i X E X E X D ，100,,2,1 =i ．由1X ，2X ，…，100X 相互独立，得915)()(1001==∑=i i X E X E ，75.122)()(1001==∑=i i X D X D ．由独立同分布的中心极限定理，75.122915-X 近似地服从)1,0(N ，于是(1))930900(≤≤X P ))()(930)()()()(900(X D X E X D X E X X D X E P -≤-≤-=75.12291593075.12291575.122915900(-≤-≤-=X P )75.1221575.122915(≤-=X P 823.01)35.1(2=-Φ≈．(2))950(>X P ))()(950)()((X D X E X D X E X P ->-=75.122915950)()((->-=X D X E X P 001.0)1.3(1=Φ-≈．9．设有30个电子元件1A ，2A ，…，30A ，其寿命分别为1X ，2X ，…，30X ，且且都服从参数为1.0=λ的指数分布，它们的使用情况是当i A 损坏后，立即使用1+i A (29,,2,1 =i )．求元件使用总时间T 不小于350h 的概率．解：由题可知i X ～)1.0(E ，30,,2,1 =i ，则10)(=i X E ，100)(=i X D ．记∑==301i i X T ，由1X ，2X ，…，30X 相互独立，得300)()(301==∑=i i X E T E ，3000)()(301==∑=i i X D T D ．))()(350)()(()350(T D T E T D T E T P T P ->-=>30103003503010300(⋅->⋅-=T P )91.03010300(>⋅-≈T P ，由独立同分布的中心极限定理，3010300⋅-T 近似地服从)1,0(N ，于是1814.0)91.0(1)91.03010300(=Φ-=>⋅-T P ．10．大学英语四级考试，设有85道选择题，每题4个选择答案，只有一个正确．若需要通过考试，必须答对51道以上．试问某学生靠运气能通过四级考试的概率有多大？解：设X 为该学生答对的题数，由题可知X ～41,85(B ，则25.21)(=X E ，9375.15)(=i X D ，85,,2,1 =i ．由棣莫弗—拉普拉斯中心极限定理，近似地有9375.1525.21-X ～)1,0(N ，得)8551(≤≤X P ))()(85)()()()(51(X D X E X D X E X X D X E P -≤-≤-=)9375.1525.21859375.1525.219375.1525.2151(-≤-≤-=X P 0)45.7()97.15(=Φ-Φ=．即学生靠运气能通过四级考试的概率为0．。
概率论与数理统计----第五章大数定律及中心极限定理
= 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) ,
东华大学《概率论与数理统计》课件 第五章 大数定律与中心极限定理
7 8.75E-06 6.2863E-05 7.19381E-05 7.28862E-05 7.2992E-05
8 3.65E-07 7.3817E-06 8.93826E-06 9.1053E-06 9.124E-06
4 0.01116 0.01494171 0.015289955 0.015324478 0.01532831
5 0.001488 0.00289779 0.003048808 0.003063976 0.00306566
6 0.000138 0.00046345 0.0005061 0.000510458 0.00051094
ln n) + 1 ( 2
ln n) = 0
Dn
=
E
2 n
=
1 2
(ln n) +
1 2
(ln n)
=
ln n
→
但 1
n2
n
D( i ) =
i =1
1 n2
n i =1
Di
=
1 n2
n
ln i
i =1
1 n2
n
ln n =
i =1
ln n n
→0
满足马尔可夫条件，{
｝服从大数定律
n
注意: 辛钦大数定律只要求一阶矩存在,但是 随机变量序列是独立同分布的. 若所讨论的 随机变量序列是不服从同分布的要求或不独 立可应用切比雪夫大数定律 或者马尔可夫大 数定律 .
（2）设 n 为 n 次独立重复试验中 A 出现的次数， p 是事件 A 在每次试验中出现的概率， 0 ，
则
lim
n→
P{
n
n
−
p
概率论数理统计基础知识第五章
C
]
（A）Y ~ 2 (n). （B）Y ~ 2 (n 1). （C）Y ~ F (n,1). （D）Y ~ F (1, n).
【例】设 随机变量X和Y都服从标准正态分布，则[ C ]
（A）X+Y服从正态分布.
2 2 2
（B）X2 +Y2服从 2分布. Y
2
2 X （C）X 和Y 都服从 分布. （D）
(X ) ~ t ( n 1) S n
客、考点 10，正态总体的抽样分布
33/33
34/33
35/33
【例】设总体 X ~ N (0,1)，X 1 , X 2 , X1 X 2
2 2 X3 X4
, X n 是简单随机
2 X i. i 4 n
样本 , 试问下列统计量服从什么分布？ （1 ） ; （2 ） n 1X1
记：F分布是两个卡方分布的商
2. F 分布的上侧分位数
设 F ~ F (k1 , k2 ) ，对于给定的 a (0,1) ，称满足条件
P{F Fa (k1 , k2 )}
Fa ( k1 ,k2 )
f F ( x)dx a
的数 Fa (k1 , k2 ) 为F 分布的上侧a 分位数。
服从F分布.
§5.5 正态总体统计量的分布
一、单个正态总体情形 总体
X ~ N ( , 2 ) ，样本 X1 , X 2 , , Xn ，
1 n 样本均值 X X i n i 1
n 1 2 样本方差 S 2 ( X X ) i n 1 i 1
1. 定理1 若设总体X~N(μ,σ2), 则统计量
有一约束条件
(X
i 1
概率论与数理统计 第三版 第五章 大数定律和中心极限定理
依概率收敛的序列还有以下性质: 设 X n p a, Yn pb, 且函数 g(x,y) 在点 (a,b)连续,
具有数学期望 E(X ) 和方差 D(X ) , 0 ,有
P{
X
E
(
X
)
≥
}≤
D(
X
2
)
,
或
P{ X E(X ) }≥1 D(X ) .
2
上页 下页 返回
证 以连续型随机变量X为例.
P{ X E( X ) ≥} f (x)dx x E ( X ) ≥
≤ x E ( X ) ≥
x E(X ) 2
E(
X
k
)
，D(
X
k
)
2
(k
1，2，
上页
,
n)．
下页
返回
则对任意的ε>0, 有
1
lim P{ n n
n
Xk
k 1
}1
证 由于
lim P X 1.
n
E
1 n
n k 1
X
k
1 n
n k 1
E(X
k
)
1 n
n
,
D
1 n
n k 1
Xk
1 n2
n
D
k 1
XK
1 n2
n
2
2
n
,
上页 下页 返回
由切比雪夫不等式知
P
1 n
n
Xk
k 1
≥1
2
n
2
.
令n , 并注意到概率不能大于1, 即得
1
lim
n
P
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》课件第五章大数定律及中心极限定理
4.大样本统计推断的理论基础
是什么？
大数定律中心极限定理
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
字母使用频率
生产过程中的废品率
§5.1 大数定律
背景：1. 频率稳定性2. 大量测量结果算术平均值的稳定性
回顾
随机现象的主要研究方法
概率分布
01
证：_x001A__x001B__x001B_,_x001A__x001B__x001B_,⋯, _x001A__x001B__x001B_, ⋯相互独立同分布，则_x001A__x001B__x001B__x001B_,_x001A__x001B__x001B__x001B_, ⋯,_x001A__x001B__x001B__x001B_, ⋯也相互独立同分布,由辛钦大数定律得证.
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
要点：用切比雪夫不等式估算概率独立同分布,用中心极限定理计算对于二项分布，当n很大时，计算
本章要解决的问题
1.为何能以某事件发生的频率
作为该事件的概率的估计？
2.为何能以样本均值作为总体
期望的估计？
3.为何正态分布在概率论中占
解：(1)设X表示一年内死亡的人数，则~(, )，其中=，=.%. 设Y表示保险公司一年的利润，=×−.需要求的是_x001A_<_x001B_.
由中心极限定理
_x001A_<_x001B_=_x001A_×−<_x001B_ =_x001A_>_x001B_=−_x001A_≤_x001B_
且，
由中心极限定理
解：设为第i个螺丝钉的重量， 相互独立同分布. 于是，一盒螺丝钉的重量为
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
第 ×× 次课 2学时本次课教学重点：常用的统计量 本次课教学难点：总体，简单随机样本，统计量的概念。
本次课教学内容：第五章 数理统计的基础知识 第一节 数理统计的基本概念 教学组织： 一、引言在前五章中我们学习了概率论的基本内容，因为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，所以在概率论的许多问题中，概率分布通常都是已知的，或者假设是已知的，而一切计算与推理都是在此基础上得出来的。
然而，实际情况往往并非如此。
一个随机现象所服从的分布概型可能完全不知道，或者只知道其概型而不知其分布函数中所含的参数。
例如，某工厂生产的灯泡的寿命服从什么分布是不知道的。
再如，某厂生产的一件产品是合格品还是不合格品，我们知道它服从两点分布，但其参数p 却不知道。
那么怎样才能知道一个随机现象的分布或其参数呢？这就是数理统计所要解决的一个首要问题。
为了获得灯泡的寿命分布，我们从所有的灯泡中抽出一部分进行观察与测试以取得相关信息，从而做出推断。
由于观察和测试是随机现象，依据有限个观察与测试对整体所做出的推断不可能绝对准确，这个不确定性我们用概率来表达。
数理统计学的基本问题就是依据观测或试验所取得的有限信息对整体做出推断，每个推断必须伴有一定的概率来表明其可靠程度。
这种伴有一定概率的推断称为统计推断。
二、总体与随机样本 1、总体在数理统计中，我们往往研究有关对象的某一数量指标(如灯泡的寿命这一数量指标)。
为此，考虑与这一数量指标相联系的随机试验，对这一数量指标进行试验或观察。
我们把研究对象的全体所构成的一个集合称为总体，总体中的每个对象称为个体。
总体中所包含的个体的个数称为总体的容量。
容量有限的总体称为有限总体，容量无限的总体称为无限总体。
例如，考察某批灯泡的质量，如这一批灯泡共有5000只，每个灯泡的寿命是一个可能的观察值，是一个个体。
所有5000只灯泡的寿命是一个有限总体。
- 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)。
数 理 定理3 统
lim P{|
n
1 n
n i 1
Xi
| } 1
计 电 子
lim
n
P{|
1 n
(X1
X2
... X
n)
p
|
}
1
教
案
即
lim P{| nA p | } 1
武
n
n
汉 科 技
定理3表明事件A发生的频率nA/n依概率收敛于事件A的概率p.
理
6
统
计
电 子
E( X ) 1 (1 2 3 4 5 6) 7
6
2
教 案
D( X ) E( X E( X ))2 (1 7 )2 1 (2 7 )2 1 (3 7 )2 1
26
26
26
武 (4 7 )2 1 (5 7 )2 1 (6 7 )2 1 1 [2 (2.52 1.52 0.52 )] 35
1 n
n i 1
[Xi
E( X i )] |
} 1(1)
案
武
证明:
由于X1,X2,...,Xn相互独立,故
D(
1 n
n i 1
Xi)
1 n2
n i 1
D(Xi )
C n
汉 再由切比雪夫不等式,可得
科
技
学 院 数
p( X
)
2 2
, (14) p( X
数 理
D 169 13
系
概 E 100Ei 200, D(1 2 ..100) 1001.69 169
率
论 D 169 13
与
数 理 统
p(180 220) p( 200 220 180 20) p( 200 20)
论 0.7.而假定开关时间彼此独立,估计夜晚同时开着灯数在6800和
与 数
7200之间的概率?
理 统
在上二节中我们计算它的概率为0.95.现在利用局部定理
计 E 10000 0.7 7000
电
子 D npq 10000 0.7 0.3 2100
教 案
np 10000 0.7 7000.
学 院
定理3以严格的数学形式表达了频率的稳定性.因此在实际应用
数
理 系
中,当n很大时,我们可用事件的频率来代替概率.
概
例1 设 X 是抛一颗骰子所出现的点数，若给定X =1，2，
率 论
实际计算 p( X E(X ) )，并验证切贝谢夫不等式成立。
与 分析：因为X 的概率函数 数
p(X k) 1 , (k 1,2,..6)
汉
26
26
2 66
12
科
技
学
院
数
理
系
概
率 论 与
p( X 7 1) 4 1 2 . X 1,2,5,6时满足不等式。
2
63
数
理 统 计
p( X 7 2) p( X 1) p( X 6) 1 1 1
2
66 3
电 子 教
X
1,
D(
X
2
)
35 12
0.2013
教 案
(2)用局部定理
武 汉 科
p( 3)
1 npq
0(k
np) npq
1 1.265
0
( 32 1.265
)
1 1.265
0 (0.79)
0.2308
技
学 院
如果n大于50,则误差就不会产生.
数
理
系
概 率
例3 设电站供电网有10000个电灯，夜晚每一盏灯开灯的概率是
武 汉
的二项分布.用贝努里公式
科
技
学
院
数
理
系
7200
概 率 论 与
p(6800 7200 )
Ck 10000
0.7k
0.310000k
k 6800
用切贝谢夫不等式估计
数 E np 10000 0.7 7000
理 统
D npq 10000 0.7 0.3 2100
子
教 量的和的分布，当随机变量的个数无限增加时是趋向正态分
案 布的。
武 汉
此后林德伯格又成功地找到独立随机变量和的分布，当随机
科
技 学
变量的个数无限增加时趋向正态分布的更一般的充分条件。
院 数
概率论中有关论证随机变量的和的极限分布是正态分布的一理Leabharlann 系 般定理称为中心极限定理。
概
率
论
与 数
定理5(独立同分布的中心极限定理)
计 电
p(6800
7200)
p(
7000
7200 6800 2
200 1
D 2
1
2100 2002
0.95
子
教 案
可见虽有10000盏灯,只要电力供应7200盏灯即有相当大的保
武 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
汉 科
不高.为此我们研究下面的内容.
率 论
停机的概率?
与 分析:机器停机是独立变量,且服从二项分布.
数 理
n 10, p 0.2, q 0.8, npq 10 0.2 0.8 1.6 1.265
统 计 电 子
(1)直接计算
p(
3)
C130 p q3 103
1098 0.23 3 2
0.87
与 率不少于0.9?
数 理
分析:设n重贝努里试验A出现的次数为
,
服从二项分布
统
计 n重贝努里试验A出现的频率为 /n
电
子 E( ) np 0.75n.D( ) npq 0.750.25n 0.1875n
教
案
武 汉
{0.74 x 0.76} {0.74n x 0.76n} { x 0.75n 0.01n} n
科 技
0.01n
学
D 0.1875n 1875
院 数
p(0.74 n 0.76) p( x 0.75n 0,01n) 1 2 1 (0.01n)2 1
n
0.9
理 系
n 18750
概
率 例4 设电站供电网有10000个电灯，夜晚每一盏灯开灯的概
)
1
2 2
(15)
理
系
概
率
论
与
数 理
P{|
1 n
n i1
[Xi
E(Xi )]|
} 1
D(1 n
n i1
Xi)
/
2
1
C
n 2
统
计 电 子
1
C
n 2
P{|
1 n
n
[Xi
i1
E(Xi )]| } 1
教
案
当n→∞时,取极限就得到(1)式
案 的合理性.
武 贝努里定理. 它的叙述如下:设是n次重复独立
汉 科
对于任意给定的ε>0,有
技
学 院 数 理
lim P{| nA p | } 1
n
n
系
概 lim P{| nA p | } 1
率 n
n
其中nA/n是频率,p是概率,即次数多
论 时事件发生的频率收敛于概率.表示频率的稳定性. 与
论
与率
数 理
是0.7.而假定开关时间彼此独立,估计夜晚同时开着灯数在
统 计
6800和7200之间的概率?
电
7200
子
p(6800 7200 )
Ck 10000
0.7k
0.310000k
教
k 6800
案 分析:令 为夜晚同时开着灯的数目.它服从参n=100000,p=0.7
2
理
统
计 电
定理6表明,正态分布也是二项分布的极限分布(二项分布
子 教
的另一极限分布是泊松分布).当n充分大时,我们可利用
案
定理6来计算二项分布的概率.
武 汉 科 技 学 院 数 理 系
概 例1 对敌人某地段进行100次轰炸，每次轰炸命中目标的炸
率 论
弹数目是一个随机变量，其期望值为2，方差为1.69.求100
Xi
| } 1(2)
子 教 定理2可由定理1得到证明.这里我们说明上述两个定理都在概
案 率意义下的极限结论,通常称为依概率收敛.
武 汉
一般,设X1,X2,..Xn是一个随机变量序列,a是一个常数,若对于任
科
技 学
意给定的ε>0,有 limP{|Xn-a|<ε}=1 则称该序列依概率收敛于a.
与 数
次轰炸中有180颗到220颗炸弹命中目标的概率?
理
统
计 分析:令第 I次轰炸命中目标的次数 i .100次轰炸中命中
电 子
目标次数
100
i
教 案
i 1