$5 大数定律和中心极限定理
$5.1大数定律
依概率收敛
设
{Xn}为一随机变量序列,
X为一随机变量或常数,若对
∀ϵ>0,有
n→∞limP{∣Xn−X∣<ϵ}=1
则称
{Xn}依概率收敛于
X,记为
Xn⟶PX 或
Xn−X⟶P0 (n→∞).
伯努利(Bernoulli)大数定律
n次独立重复试验中,只要独立重复试验的次数n充分大,结合实际推断原理,知:
可以用事件的频率来代替事件的概率。
n→∞limP{∣nnA−p∣<ϵ}=1 或
n→∞limP{∣nnA−p∣≥ϵ}=0 .
切比雪夫(Chebyshev)大数定律
①设随机变量序列X1,X2,...,Xn相互独立;②具有相同的数学期望和方差.E(Xk)=μ,D(Xk)=σ2,k=1,2,...则∀ϵ>0有:
n→∞limP{∣∣∣∣n1k=1∑nXk−μ∣∣∣∣≥ϵ}=0 或
n→∞limP{∣∣∣∣n1k=1∑nXk−μ∣∣∣∣<ϵ}=1.
辛钦大数定律(弱大数定律)
①设随机变量序列X1,X2,...,Xn独立同分布;②数学期望E(Xk)=μ,k=1,2,...则∀ϵ>0有:n→∞limP{∣∣∣∣n1k=1∑nXk−μ∣∣∣∣<ϵ}=1即X⟶Pμ.
*注:
$5.2中心极限定理
在实际问题中许多随机变量是由相互独立随机因素的综合(或和)影响所形成的.
如果一个随机变量是由大量相互独立的随机因素的综合影响所造成,而每一个别因素对这种综合影响中所起的作用不大. 则这种随机变量一般都服从或近似服从正态分布.
在概率论中,习惯于把和的分布收敛于正态分布这一类定理都叫做中心极限定理.
林德贝格-列维中心极限定理(独立同分布的中心极限定理)
①设随机变量序列X1,X2,...,Xn相互独立;②具有相同的数学期望和方差.E(Xk)=μ,D(Xk)=σ2,k=1,2,...则随机变量之和k=1∑nXk的标准化变量Yn=n
σk=1∑nXk−nμ,∀x,满足
n→∞limP{n
σk=1∑nXk−nμ≤x}=∫−∞x2π
1e−2t2dt=Φ(x)且k=1∑nXk∼近似地N(nμ,nσ2)n
σk=1∑nXk−nμ∼近似地N(0,1)或X=n1k=1∑nXkX∼近似地N(μ,nσ2)σ/n
X−μ∼近似地N(0,1)
李雅普诺夫(Lyapunov)定理(独立不同分布的中心极限定理)
①设随机变量序列X1,X2,...,Xn相互独立;②具有数学期望和方差如下E(Xk)=μk,D(Xk)=σk2,k=1,2,...记Bn2=k=1∑nσk2.若∃δ>0,使得当n→∞时,
Bn2+δ1k=1∑nE{∣Xk−μk∣2+δ}→0,
则随机变量之和k=1∑nXk的标准化变量
Zn=D(k=1∑nXk)
k=1∑nXk−E(k=1∑nXk)=Bnk=1∑nXk−k=1∑nμk,
∀x,满足
n→∞limP{Bnk=1∑nXk−k=1∑nμk≤x}=∫−∞x2π
1e−2t2dt=Φ(x)且k=1∑nXk∼近似地N(k=1∑nμk,Bn2)Zn∼近似地N(0,1)
棣莫弗—拉普拉斯定理(二项分布的中心极限定理)
设ηn(n=1,2,...)服从参数为n,p(0<p<1)的二项分布,则对∀x,
n→∞limP{np(1−p)
ηn−np≤x}=∫−∞x2π
1e−2t2dt=Φ(x)
且
P{a<X<b}≈Φ(npq
b−np)−Φ(npq
a−np),where q=1−p
P{X=k}≈2πnpq
1e−2npq(k−np)2=npq
1φ(npq
k−np)
*注:
-
正态分布与泊松分布都是二项分布的极限分布,但是
- 泊松分布要求:
n→∞,p→0,np→λ
- 棣莫弗—拉普拉斯定理要求:
n→∞
-
由于二项分布是离散分布,而正态分布是连续分布,
所以用正态分布作为二项分布的近似时,可作修正:
P{a−0.5<X<b+0.5}≈Φ(npq
b+0.5−np)−Φ(npq
a−0.5−np),where q=1−p
$5.3中心极限定理的应用
已知n和y,求概率
已知n和概率,求y
已知y和概率,求n