切比雪夫不等式和依概率收敛
切比雪夫不等式
设
随
机
变
量
X
的
数
学
期
望
E
(
X
)
和
方
差
D
(
X
)
存
在
,
对
于
任
意
的
ε
>
0
,
设随机变量X的数学期望E(X)和方差D(X)存在,对于任意的\varepsilon >0,
设随机变量X的数学期望E(X)和方差D(X)存在,对于任意的ε>0,
总
有
总有
总有
P
{
∣
X
−
E
(
X
)
∣
⩾
ε
}
⩽
D
(
X
)
ε
2
,
或
者
P
{
∣
X
−
E
(
X
)
∣
<
ε
}
⩾
1
−
D
(
X
)
ε
2
P\left \{ |X-E(X)|\geqslant \varepsilon \right \}\leqslant\frac{D(X)}{\varepsilon ^2},或者P\left \{ |X-E(X)|<\varepsilon \right \}\geqslant 1-\frac{D(X)}{\varepsilon ^2}
P{∣X−E(X)∣⩾ε}⩽ε2D(X),或者P{∣X−E(X)∣<ε}⩾1−ε2D(X)
依概率收敛
设
X
1
X
2
,
X
3
,
.
.
.
.
,
X
n
,
是
一
个
随
机
序
列
,
A
是
一
个
常
数
,
如
果
对
于
设X_1X_2,X_3,....,X_n,是一个随机序列,A是一个常数,如果对于
设X1X2,X3,....,Xn,是一个随机序列,A是一个常数,如果对于
任
意
的
ε
>
0
有
,
任意的\varepsilon >0有,
任意的ε>0有,
lim
n
→
∞
P
{
∣
X
n
−
A
∣
<
ε
}
=
1
,
\lim\limits_{n\to\infty}P\left \{ |X_n-A|<\varepsilon \right\}=1,
n→∞limP{∣Xn−A∣<ε}=1,
即
X
n
落
在
以
A
为
中
心
ε
为
半
径
的
邻
域
里
面
,
X
n
→
p
A
(
X
n
依
概
率
P
收
敛
于
A
)
即X_n落在以A为中心\varepsilon为半径的邻域里面,X_n\overset{p}{\rightarrow}A(X_n依概率P收敛于A)
即Xn落在以A为中心ε为半径的邻域里面,Xn→pA(Xn依概率P收敛于A)
大数定律
切比雪夫大数定律
设
X
1
X
2
,
X
3
,
.
.
.
.
,
X
n
,
是
两
两
不
相
关
的
随
机
变
量
序
列
,
其
期
望
E
(
X
i
)
设X_1X_2,X_3,....,X_n,是两两不相关的随机变量序列,其期望E(X_i)
设X1X2,X3,....,Xn,是两两不相关的随机变量序列,其期望E(Xi),
方
差
D
(
X
i
)
均
存
在
,
且
存
在
常
数
C
,
使
得
D
(
X
i
)
⩽
C
,
则
对
于
任
意
的
方差D(X_i)均存在,且存在常数C,使得D(X_i)\leqslant C,则对于任意的
方差D(Xi)均存在,且存在常数C,使得D(Xi)⩽C,则对于任意的,
ε
>
0
,
有
\varepsilon >0,有
ε>0,有
=
lim
n
→
∞
P
{
∣
1
n
∑
i
=
1
n
X
i
−
1
n
∑
i
=
1
n
E
(
X
i
)
∣
<
ε
}
=\lim\limits_{n\to\infty}P\left \{ |\frac{1}{n}\sum_{i=1}^{n}X_{i}-\frac{1}{n}\sum_{i=1}^{n}E(X_{i})|<\varepsilon\right\}
=n→∞limP{∣n1∑i=1nXi−n1∑i=1nE(Xi)∣<ε}
=
lim
n
→
∞
P
{
∣
X
‾
−
E
(
X
‾
)
∣
<
ε
}
=
1
,
=\lim\limits_{n\to\infty}P\left \{ |\overline{X}-E(\overline{X})|<\varepsilon\right\}=1,
=n→∞limP{∣X−E(X)∣<ε}=1,
即
随
机
变
量
的
算
数
平
均
值
依
概
率
收
敛
于
它
的
数
学
期
望
即随机变量的算数平均值依概率收敛于它的数学期望
即随机变量的算数平均值依概率收敛于它的数学期望
伯努力大数定律
设
随
机
变
量
X
n
设随机变量X_n
设随机变量Xn~
B
(
n
,
p
)
,
n
=
1
,
2
,
.
.
.
.
,
则
对
于
任
意
的
ε
>
0
,
有
B(n,p),n=1,2,....,则对于任意的\varepsilon >0,有
B(n,p),n=1,2,....,则对于任意的ε>0,有
=
lim
n
→
∞
P
{
∣
X
‾
−
E
(
X
‾
)
∣
<
ε
}
=\lim\limits_{n\to\infty}P\left \{ |\overline{X}-E(\overline{X})|<\varepsilon\right\}
=n→∞limP{∣X−E(X)∣<ε}
=
lim
n
→
∞
P
{
∣
X
n
−
n
p
∣
<
ε
}
=\lim\limits_{n\to\infty}P\left \{ |X_n-np|<\varepsilon\right\}
=n→∞limP{∣Xn−np∣<ε}
=
lim
n
→
∞
P
{
∣
X
n
n
−
p
∣
<
ε
}
=
1
=\lim\limits_{n\to\infty}P\left \{ |\frac{X_n}{n}-p|< \varepsilon \right \}=1
=n→∞limP{∣nXn−p∣<ε}=1
辛钦大数定律
设
X
1
X
2
,
X
3
,
.
.
.
.
,
X
n
,
独
立
同
分
布
,
其
期
望
E
(
X
i
)
=
μ
,
i
=
1
,
2
,
.
.
.
.
,
设X_1X_2,X_3,....,X_n,独立同分布,其期望E(X_i)=\mu,i=1,2,....,
设X1X2,X3,....,Xn,独立同分布,其期望E(Xi)=μ,i=1,2,....,,
则
对
于
任
意
的
ε
>
0
,
有
则对于任意的\varepsilon >0,有
则对于任意的ε>0,有
=
lim
n
→
∞
P
{
∣
X
‾
−
E
(
X
‾
)
∣
<
ε
}
=\lim\limits_{n\to\infty}P\left \{ |\overline{X}-E(\overline{X})|<\varepsilon\right\}
=n→∞limP{∣X−E(X)∣<ε}
=
lim
n
→
∞
P
{
∣
1
n
∑
i
=
1
n
X
i
−
μ
∣
<
ε
}
=
1
=\lim\limits_{n\to\infty}P\left \{ |\frac{1}{n}\sum_{i=1}^{n}X_{i}-\mu|<\varepsilon\right\}=1
=n→∞limP{∣n1∑i=1nXi−μ∣<ε}=1
中心极限定理
大 量 的 独 立 同 分 布 的 随 机 变 量 X 1 X 2 , X 3 , . . . . , X n , 近 似 服 从 正 态 分 布 大量的独立同分布的随机变量X_1X_2,X_3,....,X_n,近似服从正态分布 大量的独立同分布的随机变量X1X2,X3,....,Xn,近似服从正态分布
拉普拉斯中心极限定理
设
随
机
变
量
X
n
设随机变量X_n
设随机变量Xn~
B
(
n
,
p
)
,
则
对
于
任
意
实
数
x
,
有
B(n,p),则对于任意实数x,有
B(n,p),则对于任意实数x,有
=
lim
n
→
∞
P
{
∣
X
‾
−
E
(
X
‾
)
D
(
X
‾
)
∣
⩽
x
}
(
x
−
μ
σ
)
为
正
态
分
布
标
准
化
=\lim\limits_{n\to\infty}P\left \{ \vert \frac{\overline{X}-E(\overline{X})}{\sqrt{D(\overline{X})}}\vert \leqslant x\right\}(\frac{x-\mu}{\sigma})为正态分布标准化
=n→∞limP{∣D(X)X−E(X)∣⩽x}(σx−μ)为正态分布标准化
=
lim
n
→
∞
P
{
∣
X
n
−
n
p
n
p
(
1
−
p
)
∣
⩽
x
}
=\lim\limits_{n\to\infty}P\left \{ \vert \frac{X_n-np}{\sqrt{np(1-p)}}\vert\leqslant x\right\}
=n→∞limP{∣np(1−p)Xn−np∣⩽x}
=
Φ
(
x
)
=\Phi(x)
=Φ(x)
林德伯格中心极限定理
设
独
立
同
分
布
的
随
机
变
量
X
1
X
2
,
X
3
,
.
.
.
.
,
X
n
,
E
(
X
n
)
=
μ
,
D
(
X
n
)
=
σ
2
,
设独立同分布的随机变量X_1X_2,X_3,....,X_n,E(X_n)=\mu,D(X_n)=\sigma^2,
设独立同分布的随机变量X1X2,X3,....,Xn,E(Xn)=μ,D(Xn)=σ2,
其
中
n
=
1
,
2
,
.
.
.
.
,
则
对
于
任
意
的
实
数
x
,
有
其中n=1,2,....,则对于任意的实数x,有
其中n=1,2,....,则对于任意的实数x,有
=
lim
n
→
∞
P
{
∣
X
‾
−
E
(
X
‾
)
D
(
X
‾
)
∣
⩽
x
}
(
x
−
μ
σ
)
为
正
态
分
布
标
准
化
=\lim\limits_{n\to\infty}P\left \{ \vert \frac{\overline{X}-E(\overline{X})}{\sqrt{D(\overline{X})}}\vert \leqslant x\right\}(\frac{x-\mu}{\sigma})为正态分布标准化
=n→∞limP{∣D(X)X−E(X)∣⩽x}(σx−μ)为正态分布标准化
=
lim
n
→
∞
P
{
∣
1
n
∑
i
=
1
n
X
i
−
μ
σ
2
n
∣
⩽
x
}
=\lim\limits_{n\to\infty}P\left \{ \vert \frac{\frac{1}{n}\sum_{i=1}^{n}X_{i}-\mu}{\sqrt{\frac{\sigma^{2}}{n}}}\vert \leqslant x\right\}
=n→∞limP{∣nσ2n1∑i=1nXi−μ∣⩽x}
=
lim
n
→
∞
P
{
∣
∑
i
=
1
n
X
i
−
n
μ
n
σ
∣
⩽
x
}
=\lim\limits_{n\to\infty}P\left \{ \vert \frac{\sum_{i=1}^{n}X_{i}-n\mu}{\sqrt{n}\sigma}\vert \leqslant x\right\}
=n→∞limP{∣nσ∑i=1nXi−nμ∣⩽x}
=
Φ
(
x
)
=\Phi(x)
=Φ(x)