概率论第四章复习

概念

1.中心极限定理

对于伯努利分布，n次实验中成功的次数为$S_n$

$P(\alpha <S_n<\beta )=P(\frac{\alpha -np}{\sqrt{np(1-p)}}<\frac{P-np}{\sqrt{np(1-p)}}<\frac{\beta -np}{\sqrt{np(1-p)}})=\Phi (\frac{\beta -np}{\sqrt{np(1-p)}})-\Phi (\frac{\alpha -np}{\sqrt{np(1-p)}})$

注意到没有下界时后一项值为0，没有上界时，前一项值为1。

2.依概率收敛

记作：${ϵ}_n\stackrel{P}{\to }ϵ$,一般看是否服从大数律。

马尔可夫大数律

若${ϵ}_k$为一系列随机变量，$E{ϵ}_k={\mu }_k$,则$\frac{Var\sum {ϵ}_k}{n^2}\to 0\Rightarrow \frac{S_n}{n}\stackrel{P}{\to }\frac{\sum {\mu }_k}{n}$
要求k个随机变量绝对值的期望存在，Sn的方差存在。

切比雪夫大数率

若${ϵ}_k$为一系列随机变量，$E{ϵ}_k={\mu }_k$,则$\frac{\sum Var{ϵ}_k}{n^2}\to 0\Rightarrow \frac{S_n}{n}\stackrel{P}{\to }\frac{\sum {\mu }_k}{n}$
切比雪夫大数律是马尔可夫大数律的特殊情况，要求k个随机变量的方差和期望都存在。

辛钦大数率

若${ϵ}_k$为一系列独立同分布随机变量，$E{ϵ}_k=\mu$,则$\frac{S_n}{n}\stackrel{P}{\to }\mu$

3.依分布收敛

又称弱收敛于分布函数，记作${ϵ}_n\stackrel{d}{\to }ϵ$

一般是看分布函数$F_n(x)$的极限函数是否是分布函数。
分布函数要求：负无穷处为0，正无穷处为1，单调不减，右连续。

题目

1.中心极限定理运用

需要确定伯努利分布的次数和概率，之后直接代入公式，有时候需要转化问题。

例：计算机有120个终端，每个终端有5%的时间在使用，是否使用是独立的，求10个及以上终端在使用的概率。

转化为120次实验，每次概率0.05，成功10次以上的概率。

$P(S_n>10)=P(\frac{S_n-120\cdot 0.05}{\sqrt{120\cdot 0.05\cdot 0.95}}>\frac{10-120\cdot 0.05}{\sqrt{120\cdot 0.05\cdot 0.95}})=1-\Phi (\frac{10-120\cdot 0.05}{\sqrt{120\cdot 0.05\cdot 0.95}})$

例：种子中良种占$\frac{1}{6}$,取6000粒种子，求良种率与$\frac{1}{6}$相差不超过1%的概率

6000次实验，成功率为1/6，要求成功的次数/6000与1/6的差距不超过1%

成功的次数为$S_n$

$P(|\frac{S_n}{6000}-\frac{1}{6}|<1\%)=P(940<S_n<1060)$再套公式即可。

例：车间有200台机床，60%的时间开动，每台耗电1KW,求供电多少使得有0.999的概率正常工作。

主要的问题是什么叫正常工作。

正常工作就是供电数大于等于需要的电数。实验200次，每次成功率0.6，总的成功次数即需要的电数为$S_n$，若供电为$x$KW,

$P(S_n<x)=P(\frac{S-200\cdot 0.6}{\sqrt{200\cdot 0.6\cdot 0.4}}<\frac{x-200\cdot 0.6}{\sqrt{200\cdot 0.6\cdot 0.4}})=\Phi (\frac{x-200\cdot 0.6}{\sqrt{200\cdot 0.6\cdot 0.4}})$

2.大数律的应用

如果是同分布的一般用辛钦，其他的可以用马尔可夫或者切比雪夫。

例：$P({ϵ}_k=\sqrt{\ln k})=P({ϵ}_k=-\sqrt{\ln k})=\frac{1}{2}$，求证$\frac{ϵ}{n}\stackrel{P}{\to }0$

首先，不是同分布，那就只能用切比雪夫或者马尔可夫。它的意思是分布列一部分是正的，一部分是负的。因此$Eϵ=0$,期望是相同的。

首先计算$Var{ϵ}_k=\frac{1}{2}\ln k+\frac{1}{2}\ln k=\ln k$

显然每一个的方差和期望都存在，因此可以使用切比雪夫大数律，$\frac{\sum \ln k}{n^2}\le \frac{\ln n}{n}$收敛到0，则$\frac{S_n}{n}\stackrel{P}{\to }0$

例：伯努利实验中，A出现的概率为p，${ϵ}_k=1$表示k次和k+1次出现，其他为0，求证$ϵ$服从大数律

A事件是否出现是独立的，但是相邻的$ϵ$是不独立的，另外可以得到分布列$P({ϵ}_k=1)=p^2$,$|l-k|>2$时${ϵ}_l,{ϵ}_k$独立。

计算$Varϵ$得：(后一项只有相邻的才不为0)

$Varϵ=\sum Var{ϵ}_k+2\sum _{i=1}^{n-1}Cov({ϵ}_i,{ϵ}_{i+1})$

根据柯西不等式，$Cov({ϵ}_i,{ϵ}_{i+1})\le \sqrt{Var{ϵ}_i\cdot Var{ϵ}_{i+1}}=Var{ϵ}_i$

最后得到：$Varϵ=3\sum Var{ϵ}_k$

服从马尔可夫大数律。
其实也是可以使用切比雪夫大数律的。

例：${ϵ}_k$为[0,1]上均匀分布，$\eta =\sqrt[n]{{ϵ}_1{ϵ}_2...{ϵ}_n}$，求证：$\eta \stackrel{P}{\to }c$

此题乍一看感觉怪怪的，因为不是求和，但是求积，因此取对数即可。

$\ln \eta =\frac{\ln {ϵ}_1+...+\ln {ϵ}_k}{n}$，由于是独立同分布的，用辛钦大数律即可。

计算$E(\ln {ϵ}_k)=\underset{0}{\overset{1}{\int }}\ln xdx=-1$

利用辛钦大数律得：$\frac{1}{n}\sum \ln {ϵ}_k\to -1$

则$\eta =\exp (\frac{1}{n}\sum {ϵ}_k)\to \frac{1}{e}$

例： { ϵ k } \{\epsilon_k\} {ϵk​}独立同分布,$Var{ϵ}_k<\infty$，$E{ϵ}_k=a$,求证：$\frac{2\sum k{ϵ}_k}{n(n+1)}\to a$

看最后想要证的东西，是$\frac{k{ϵ}_k}{n}$,这个的期望为：$E\frac{k{ϵ}_k}{n}=\frac{ka}{n}$

注意到题目的条件：$Var{ϵ}_k=M$

这个的方差为：$Var\frac{k{ϵ}_k}{n}=\frac{k^2}{n^2}M$

代入到切比雪夫大数律中：$\frac{\sum Vark{ϵ}_k}{n^2}=\frac{\sum (\frac{k}{n}{)}^2}{n^2}\to 0$

因此有：$\frac{\sum k{ϵ}_k}{n^2}\to \frac{\frac{n(n+1)}{2}a}{n^2}$

注意看是最后有个n，如果没有n还不好证。