定理5.1.2(切比雪夫大数定律)设随机变量X 1,X 2,…,X n,…相互独立,且具有相同的数学期望和方差:E(X k)=μ,D(X k)=σ2(k=1,2,…).作前n个随机变量的算术平,则对于任意的正数ε,有
证明 由于根据切比雪夫不等式,有
在上式中令n→+∞,并注意到概率不能大于1,即得
现在来解释一下式(5.1.3)的意义是一个随机事件,式(5.1.3)表明,当n→+∞时,这个事件的概率趋于1.即,对于任意的正数ε,当n充分大时,不等成立的概率很大.
定理5.1.2表明,当n很大时,随机变量X 1,X 2,…,Xn的算术平均=接近于数学期望E(X 1)=E(X 2)=…=E(X n)=μ.这种接近是在概率意义下的接近.通俗地说,在定理5.1.2的条件下,n个随机变量的算术平均,当n无限增加时将几乎变成一个常数.
定义5.1.1 设Y 1,Y 2,…,Y n,…是一个随机变量序列,a是一个常数.若对于任意的正数ε,有
则称序列Y 1,Y 2,…,Y n,…依概率收敛于a.记为
依概率收敛的序列还有以下性质.
设,又设函数g(x,y)在点(a,b)处连续,则
这样,定理5.1.2用“依概率收敛”又可以叙述为
定理5.1.2 设随机变量X 1,X 2,…,Xn,…相互独立,且具有相同的数学期望和方差:E(X k)=μ,D(X k)=σ2(k=1,2,…),则序列依概率收敛于μ,即
例5.1.2 设随机变量X 1,X 2,…,Xn,…相互独立,且Xi(i=1,2,…)的分布律如下表:
问对随机变量序列X 1,X 2,…,X n,…可否使用切比雪夫大数定律?
解 由于随机变量X 1,X 2,…,Xn,…相互独立,且E(X i)=0,D(Xi)=1,i=1,2,…,因此,满足定理5.1.2的条件,可以使用切比雪夫大数定律.
定理5.1.3(伯努利大数定律)设n A是n次独立重复试验中事件A发生的次数,p是事件A在每次试验中发生的概率,则对于任意的正数ε,有
或
证明 由于n A~B(n,p),根据例4.2.6,有n A=X 1+X 2+…+X n,其中,X 1,X 2,…,X n相互独立,且都服从B(1,p).因此,E(X k)=p,D(X k)=p(1-p),k=1,2,…,n.根据定理5.1.2(切比雪夫大数定律),得
(www.xing528.com)
即
定理5.1.3(伯努利大数定律)表明,事件A发生的频依概率收敛于事件A发生的概率.它揭示了“事件发生的频率具有稳定性”.因此,在实际问题的应用中,当试验的次数很大时,用事件的频率代替它的概率是合理的.
例5.1.3 根据例1.2.1我们知道,抛一枚质地均匀的硬币出现正面的概率为0.5.以下分三种情况验证硬币出现正面的频率与概率的关系,三种情况下均进行1000组实验,每组实验次数即抛硬币的次数分别为100,1000,10000.
解 三种情况下均进行1000组实验,每组实验次数即抛硬币的次数分别为100,1000,10 000,硬币出现正面的频率与概率的偏离情况见图5-1的(1)—(4).
从图5-1的(1)—(4)可以看出,硬币出现正面的频率与概率的偏离程度,随着抛硬币次数的增加(100→1000→10000),频率与概率的偏离程度越来越小,即频率与概率越来越接近.这就直观地验证了定理5.1.3(伯努利大数定律).
说明:例5.1.3中三种情况下频率与概率偏离图的MATLAB程序,见本书附录B的例B.2.3.
如果事件A的概率很小,根据伯努利大数定律,事件A发生的频率也是很小的,或者说A很少发生,即“概率很小的事件在个别试验中几乎不会发生”,这一原理称为小概率事件原理(或实际推断原理),它的应用很广泛.例如,如果在某种假设下,一个事件发生的概率很小,可是它在一次试验中竟然发生了,我们根据小概率事件原理,有理由怀疑假设的正确性.但应该注意,小概率事件与不可能事件是有区别的.
图5-1 抛硬币问题中频率与概率的关系
定理5.1.2中要求随机变量X 1,X 2,…,Xn,…的方差存在,但在这些随机变量相互独立且服从同一分布的场合,并不需要这一条件,我们有以下定理.
定理5.1.4(辛钦大数定律)设随机变量X 1,X 2,…,X n,…相互独立,服从同一分布,且具有数学期望E(X k)=μ(k=1,2,…),则对于任意的正数ε,有
定理5.1.4的证明从略.定理5.1.2(切比雪夫大数定律)是定理5.1.4(辛钦大数定律)的特殊情形,定理5.1.4在应用中是很重要的.
*例5.1.4 设随机变量X 1,X 2,…,X n相互独立同分布,都在(0,1)区间上服从均匀分布,则依 概率收敛于
证明 由于随机变量X 1,X 2,…,Xn独立同分布,则随机变量也独立同分布.因为X k在(0,1)上服从均匀分布,其概率密度函数为f(x)=1(0<x<1),则
根据定理5.1.4(辛钦大数定律),当n→+∞时,依概率收敛于
例5.1.4 的结果在定积分的数值计算上是很有用的.
*例5.1.5 用例5.1.4的结果计(要求计算结果精确到小数点后六位数).
解 根据例5.1.4的结果,先在计算机上产生n个(0,1)区间上的均匀分布的随机数x k(k=1,2,…,n),然后对每一个x k计算,最后得其精确值和n=1 0 0 0 0,1 0 0 0 0 0时的模拟值见下表(其MATLAB程序,见本书附录B的例B.2.10):
当然,由是标准正态分布的概率密度函数,所以查标准正态分布表,得
但是,一般的标准正态分布表都只有小数点后4位,有时可能精度不够.
由于可以通过线性变换将(a,b)区间上的定积分化为(0,1)区间上的定积分,所以上述计算定积分的方法具有普遍意义.这就是辛钦大数定律在蒙特卡洛(Monte Carlo)方法计算定积分方面的应用.
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。