大数定理和中心极限定理研究的是随机变量的宏观特性。
大数定理反映的是随机变量的取值与随机变量均值和方差之间的关系。
1、切比雪夫Chebyshev不等式
设随机变量X的数学期望E(X)与方差D(X)存在,则对于任意的正数
ε
\varepsilon
ε,下列不等式成立:
P
[
∣
X
−
E
(
X
)
∣
≥
ε
]
≤
D
(
X
)
ε
2
P[\left | X-E\left ( X \right ) \right |\ge \varepsilon ]\le \frac{D\left ( X \right ) }{\varepsilon ^2}
P[∣X−E(X)∣≥ε]≤ε2D(X)
或
P
[
∣
X
−
E
(
X
)
∣
<
ε
]
≥
1
−
D
(
X
)
ε
2
P[\left | X-E\left ( X \right ) \right |< \varepsilon ]\ge 1- \frac{D\left ( X \right ) }{\varepsilon ^2}
P[∣X−E(X)∣<ε]≥1−ε2D(X)
说明,事件[|X-E(X)|
≥
\geq
≥
ε
\varepsilon
ε与|X-E(X)|<
ε
\varepsilon
ε为对立事件。
2、大数定理-----两个定理
2.1切比雪夫定理
设独立随机变量序列
X
1
X_1
X1,
X
2
X_2
X2,…,
X
n
X_n
Xn,…的数学期望为
E(
X
1
X_1
X1),E(
X
2
X_2
X2),…,E(
X
n
X_n
Xn),…
与方差D
X
1
X_1
X1),D(
X
2
X_2
X2),…,D(
X
n
X_n
Xn),…
都存在,并且方差时一致有上界的,即存在常数C,使得
D(
X
i
X_i
Xi)
≤
\leq
≤C, i=1,2,…,n,…
则对于任意的正数
ε
\varepsilon
ε,有
lim
n
→
∞
P
(
∣
1
n
∑
1
n
X
i
−
1
n
∑
1
n
E
(
X
i
)
∣
<
ε
)
=
1
\lim_{n \to \infty} P\left (\left | \frac{1}{n}\sum_{1}^{n}X_i-\frac{1}{n}\sum_{1}^{n}E\left ( X_i \right ) {} \right |< \varepsilon \right ) =1
n→∞limP(∣∣∣∣∣n11∑nXi−n11∑nE(Xi)∣∣∣∣∣<ε)=1
说明:若随机变量序列
X
1
X_1
X1,
X
2
X_2
X2,…,
X
n
X_n
Xn,…的数学期望和方差存在,且方差一致有上界,则经过算数平均后的到的随机变量
X
ˉ
\bar X
Xˉ=
1
n
\frac{1}{n}
n1
∑
i
=
0
n
\sum_{i=0}^n
∑i=0n
X
i
X_i
Xi,当n充分大时,它的值将比较紧密地聚集在他的数学期望E(
X
ˉ
\bar X
Xˉ)的附近。
2.2伯努利定理
在独立试验序列中,设时间A的概率P(1)=p,则对于任意的正数
ε
\varepsilon
ε,当试验的次数
n
→
+
∞
{n \to +\infty}
n→+∞时,有
lim
n
→
∞
P
(
∣
f
n
(
A
)
−
p
∣
<
ε
)
=
1
\lim_{n \to \infty} P\left ( \left | f_n\left ( A \right )-p \right | <\varepsilon \right ) =1
n→∞limP(∣fn(A)−p∣<ε)=1
其中,
f
n
f_n
fn(A)是事件A在n次试验中发生的频率。
说明:当试验在相同的条件下重复进行很多次时,随机时间A的频率
f
n
f_n
fn(A)将稳定在时间A的概率P(A)附近。
小概率事件的实际不可能性原理是指,概率很小的随机事件在个别试验中实际上是不可能发生的。
中心极限定理论证的是“大量对立随机变量的和的极限分布是正态的”一系列定理。
[林德伯格(Linderberg)——列维(Levy)中心极限定理]
设随机变量
X
1
,
X
2
,
.
.
.
,
X
n
,
X_{1},X_{2},...,X_{n},
X1,X2,...,Xn,…相互独立,服从相同的分布,且
E
(
X
i
)
=
μ
,
D
(
X
i
)
=
σ
2
>
0
,
i
=
1
,
2
,
.
.
.
n
,
.
.
.
;
E\left ( X_i \right )=\mu ,D\left ( X_i \right ) = \sigma ^2> 0, i=1,2,...n,...;
E(Xi)=μ,D(Xi)=σ2>0,i=1,2,...n,...;
则对于任何实数x,有
lim
x
→
∞
P
(
∑
1
n
X
i
−
n
μ
n
σ
≤
x
)
=
1
2
π
∫
−
∞
x
e
−
t
2
2
d
t
\lim_{x \to \infty} P\left ( \frac{\sum_{1}^{n}X_i-n\mu }{\sqrt{n}\sigma }\le x \right ) =\frac{1}{\sqrt{2\pi } } \int_{- \infty }^{x}e^{-\frac{t^2}{2} } dt
x→∞limP(nσ∑1nXi−nμ≤x)=2π1∫−∞xe−2t2dt
说明:当n充分大时,独立同分布的随机变量
X
1
,
X
2
,
.
.
.
,
X
n
,
X_{1},X_{2},...,X_{n},
X1,X2,...,Xn,的和
Y
n
=
∑
1
n
X
i
Y_n=\sum_{1}^{n}X_i
Yn=∑1nXi将近似地服从正态分布
N
(
n
μ
,
n
σ
2
)
N(n\mu ,n\sigma^2 )
N(nμ,nσ2)
[德莫佛(De Moivre)——拉普拉斯(Laplace)中心极限定理]
设在独立试验序列中,事件A的概率
P
(
A
)
=
p
(
0
<
p
<
1
)
P\left ( A \right ) =p\left ( 0<p<1 \right )
P(A)=p(0<p<1),随机变量Yn表示A在n次实验中发生的次数,对于任何实数x,有
lim
x
→
∞
P
(
Y
n
−
n
p
n
p
(
1
−
p
)
≤
x
)
=
1
2
π
∫
−
∞
x
e
−
t
2
2
d
t
\lim_{x \to \infty} P\left ( \frac{Y_n-np}{\sqrt{np(1-p)} }\le x \right ) =\frac{1}{\sqrt{2\pi } }\int_{-\infty }^{x}e^{-\frac{t^2}{2} }dt
x→∞limP(np(1−p)Yn−np≤x)=2π1∫−∞xe−2t2dt
说明:当n充分大时,服从二项分布B(n,p)的随机变量Yn将近似地服从正态分布
N
(
n
p
,
n
p
(
1
−
p
)
)
N\left ( np,np(1-p) \right )
N(np,np(1−p))
中心极限定理的理论应用
[例题]某电站供应10,000户居民用电,设在高峰时每户用电的概率为0.8,且各户用电量多少时相互独立的。求:
(1)同一时刻有8100户以上用电的概率。
(2)若每户用电功率为100W,则电站至少需要多少电功率才能保证以0.975的概率供应居民用电。(求分位点)
[解答]
(1)Yn表示10,000户中在同一时刻用电的户数,则
Y
n
∼
(
10000
,
0.8
)
Y_{n}\sim (10000,0.8)
Yn∼(10000,0.8),于是,np=10000*0.8=8000;
n
p
∗
(
1
−
p
)
=
10000
×
0.8
×
0.2
=
40
\sqrt{np*\left ( 1-p \right ) } =\sqrt{10000\times 0.8\times 0.2} =40
np∗(1−p)=10000×0.8×0.2=40
所以求概率为
P
(
8100
≤
Y
n
≤
10000
)
=
P
(
2.5
≤
Y
n
−
n
p
n
p
(
1
−
p
)
≤
50
)
≈
Φ
(
50
)
−
Φ
(
2.5
)
=
0.00622
P\left ( 8100\le Y_n\le 10000 \right ) =P\left (2.5\le \frac{Y_n-np}{\sqrt{np\left ( 1-p \right )} }\le 50 \right ) \approx \Phi \left ( 50 \right )- \Phi \left ( 2.5 \right ) =0.0062 2
P(8100≤Yn≤10000)=P(2.5≤np(1−p)Yn−np≤50)≈Φ(50)−Φ(2.5)=0.00622
标准正态分布的图如下:
(2)设电站供电功率为QW,则按题意有
P
(
100
Y
n
≤
Q
)
=
P
(
Y
n
≤
Q
100
)
=
P
(
Y
n
−
n
p
n
p
(
1
−
P
)
≤
Q
/
100
−
8000
40
)
≈
Φ
(
Q
/
100
−
8000
40
)
=
0.975
P\left ( 100Y_n\le Q \right ) = P\left ( Y_n\le \frac{Q}{100} \right ) =P\left ( \frac{Y_n-np}{\sqrt{np\left ( 1-P \right )} } \le \frac{Q/100-8000}{40} \right ) \approx \Phi\left ( \frac{Q/100-8000}{40} \right ) =0.975
P(100Yn≤Q)=P(Yn≤100Q)=P(np(1−P)Yn−np≤40Q/100−8000)≈Φ(40Q/100−8000)=0.975
解得Q=807840W
电站供电功率不少于707.84KW
总结:多个独立服从二项分布B(n,p)的随机变量Yn将近似地服从正态分布
N
(
n
p
,
n
p
(
1
−
p
)
)
N\left ( np,np(1-p) \right )
N(np,np(1−p))
大数定理及中心极限定理(随机变量的数字特征)
最新推荐文章于 2024-03-04 08:33:02 发布