正文
大数定律
定义:
设X 1 , X 2 , . . . , X n , . . .为随机变量序列,X XX为随机变量,若对任意的正数ϵ 有:
或
则称X n 依概率收敛于X ,记为
或
切比雪夫不等式
由于方差D ( X ) 用来描述随机变量X 的取值在其数学期望E ( X ) 附件的离散程度的,因此,对任意的正数ϵ \epsilonϵ,事件( ∣ X − E ( X ) ∣ ⩾ ϵ ) 发生的概率应该与D ( X ) 有关,而这种关系用数学形式表示出来,就是切比雪夫不等式。
切比雪夫不等式定理
设随机变量X 的数学期望E ( X ) 与方差D ( X ) 存在,则对于任意正数ϵ ,不等式
或
都成立,且这两个不等式称为切比雪夫不等式
切比雪夫不等式的重要意义
切比雪夫不等式给出了在随机变量X 的分布未知的情况下,只利用X XX的数学期望和方差即可对X XX的概率分布进行估值的方法。
切比雪夫大数定律
切比雪夫大数定律定理
设独立随机变量序列X 1 , X 2 , . . .的数学期望E ( X 1 ) , E ( X 2 ) , . . . 和方差D ( X 1 ) , D ( X 2 ) , . . . D都存在,并且方差是一致有上界的,即存在常数C ,使得D ( X i ) ⩽ C , i = 1 , 2 , . . . , n . . .则对于任意的正数ϵ \epsilonϵ,有
切比雪夫大数定律的统计意义
独立随机变量序列X 1 , X 2 , . . . , X n , . . .的数学期望与方差都存在,且方差一致有上届,则经过算术平均后得到的随机变量
当n 充分大时,它的值将比较紧密地聚集在它的数学期望E ( X ‾ )附件。
伯努利大数定律
伯努利大数定律是切比雪夫大数定律的一个重要推论
伯努利大数定律定理
设 n_A 为n 重伯努利试验中事件A 发生的次数,又设在每次试验中事件A 发生的概率P ( A ) = p,则对于任意的正数ϵ \epsilonϵ,当试验的次数n → ∞ 时,有
伯努利大数定律的统计意义
当试验在相同条件下重复进行很多次时,随机事件A 的频率f n ( A ) = n A/ n ,将稳定在事件A 的概率P ( A ) = p 附近,即频率收敛于概率。
中心极限定理
中心极限定理是研究独立随机变量和的极限分布为正态分布的命题。
经过科学家长期的观察和总结,发现服从正态分布的随机现象往往是由独立(或弱相依)的随机变量产生的。
这类随机现象往往可视为独立随机变量之和在什么条件下渐进于正态分布的问题。为使问题规范化,数学家们将问题归结为讨论规范和有渐进分布N ( 0 , 1 )的条件,并称有此结论的随机序列{ x n }服从中心极限定理。即:
独立同分布的中心极限定理(林德贝格-勒维中心极限定理)
设{ x n } 是独立同分布的随机变量序列,且E ( x i ) = μ , D ( x i ) = σ 2 , i = 1 , 2 , . . . n ,则随机变量的分布函数F n ( x )收敛于标准正态分布的分布函数Φ ( x ).即对于任意的实数x 有:
当n 充分大时,有:
1.随机变量
德莫佛-拉普拉斯中心极限定理
设在独立试验序列中,事件A 发生的概率为p ,随机变量n A 表示事件A 在n 次试验中发生的次数,即n A 服从二项分布,则对任意实数x ,有:
当n 充分大时,服从二项分布的随机变量n A 将近似地服从正态分布,因此当n nn较大时,可以用正态分布来近似地计算二项分布: