概率论基础 |
您所在的位置:网站首页 › 不等式计算例题 › 概率论基础 |
尽管统计学本身是门科学,我们也在纯数学的角度上研究了很多概率的性质。但是也不能否认统计学中依然有相当多经验总结。而且相当多的经验是行之有效的。在《概率论与数理统计》这本教材中,也列举了一些经验性的东西,因此我们也需要来学习一下。 文章目录 切比雪夫不等式 (Chebyshev's Inequality)大数定理(Law of Large Numbers)中心极限定理二项分布中心极限定理做点题吧! 切比雪夫不等式 (Chebyshev’s Inequality)我们来看一看切比雪夫不等式,有两个: P { ∣ X − E ( X ) ∣ ≤ ε } ≥ 1 − D ( X ) ε 2 P \{ |X - E(X)| \leq \varepsilon \} \geq 1 - \frac{D(X)}{\varepsilon ^ 2} P{∣X−E(X)∣≤ε}≥1−ε2D(X) P { ∣ X − E ( X ) ∣ > ε } ≤ D ( X ) ε 2 P \{ |X - E(X)| > \varepsilon \} \leq \frac{D(X)}{\varepsilon ^ 2} P{∣X−E(X)∣>ε}≤ε2D(X) 那么,它们表达什么含义呢?
从切比雪夫不等式出发,我们发现之所以切比雪夫不等式成立,其中一个很重要的原因就是因为同分布独立的概率事件,其期望值总是固定且相等。同样的,我们发现当对随机事件大量实验后,会发现随机事件A随着实验次数增大时总会呈现出某种稳定性,即朝着某个常数(通常即期望)收敛,而这就是所谓的大数定理。 上图清楚的表明,随着样本的增加,噪音逐渐减少,其样本值逐渐收敛到期望值。所以,从经验和大量的实验结果统计表明: X n ‾ = 1 n ( X 1 + ⋯ + X n ) \overline{X_n} = \frac{1}{n}(X_1 + \cdots + X_n) Xn=n1(X1+⋯+Xn) 当 n → ∞ n \rightarrow \infty n→∞ 时, X n ‾ → μ \overline{X_n} \rightarrow \mu Xn→μ。要满足这个结果的限制条件,就有如下几条: X i X_i Xi 彼此是独立、同分布的 E ( X i ) ≈ μ E(X_i) \approx \mu E(Xi)≈μ那么关于如何描述大数定理,目前数学界主要给出了三种 弱大数定理(辛钦大数定理) 对于独立、同分布的随机序列 X 1 X_1 X1, X 2 X_2 X2 ⋯ \cdots ⋯ X n X_n Xn,只要总体均值 μ \mu μ 存在,那么样本均值 X ‾ = 1 n ∑ X i \overline{X} = \frac{1}{n}\sum X_i X=n1∑Xi 会随着n增大而收敛到总体均值 μ \mu μ。 强大数定理 对于独立、同分布的随机序列 X 1 X_1 X1, X 2 X_2 X2 ⋯ \cdots ⋯ X n X_n Xn,只要总体均值 μ \mu μ 存在,那么样本均值 X ‾ = 1 n ∑ X i \overline{X} = \frac{1}{n}\sum X_i X=n1∑Xi 会随着n增大而处处收敛到 μ \mu μ。 切比雪夫大数定理 连续随机变量 X i X_i Xi两两独立,且存在期望 E ( X ) = μ E(X) = \mu E(X)=μ,方差存在且有共同有界上限 D ( X ) = σ 2 < M D(X) = \sigma^2 < M D(X)=σ2 0 \varepsilon > 0 ε>0,令 l i m n → ∞ P { ∣ 1 n ∑ ( X i − μ i ) ∣ < ε } = 1 lim_{n \rightarrow \infty} P \{ |\frac{1}{n} \sum (X_i - \mu_i) | < \varepsilon \} = 1 limn→∞P{∣n1∑(Xi−μi)∣ 0 \sigma^2 > 0 σ2>0。那么这样的数列近似服从正态分布: ∑ i = 1 n X i − n μ n σ ∼ N ( n μ , n σ 2 ) \frac{ \sum_{i=1}^n X_i - n\mu}{\sqrt{n} \sigma} \sim N(n \mu, n \sigma^2) n σ∑i=1nXi−nμ∼N(nμ,nσ2) 如果对上式子上下同时 1 n \frac{1}{n} n1,就可以令 1 n ∑ i = 1 n X i − μ σ / n ∼ N ( μ , σ 2 ) \frac{ \frac{1}{n}\sum_{i=1}^n X_i - \mu}{\sigma / \sqrt{n}} \sim N( \mu, \sigma^2) σ/n n1∑i=1nXi−μ∼N(μ,σ2) 即: lim n → ∞ P { ∑ i = 1 n X i − n μ n σ ≤ x } ≈ Φ ( x ) ∼ N ( μ , σ 2 ) \lim_{n \rightarrow \infty} P\{ \frac{ \sum_{i=1}^n X_i - n\mu}{\sqrt{n} \sigma} \leq x \} \approx \Phi(x) \sim N( \mu, \sigma^2) n→∞limP{n σ∑i=1nXi−nμ≤x}≈Φ(x)∼N(μ,σ2) 使得上式近似的变成一个标准正态分布。即,当n充分大的时候,我们可以用标准正态分布给出其近似分布。 另外,针对中心极限定理,一般通常情况下会问一个范围内是多少概率的问题,所以通常会把这类问题转换为标准正态分布来求解 N~ ( μ = 0 (\mu = 0 (μ=0, σ = 1 ) \sigma = 1) σ=1),正态分布的数学符号通常表示为 Φ \Phi Φ。 所以有: P { a < ∑ i = 1 n X i < b } ≈ Φ ( b − n μ n σ ) − Φ ( a − n μ n σ ) P\{ a a |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |