杭州紫金港培训学校(紫金港专升本)杭州紫金港培训学校(紫金港专升本)
在职研究生数学(一)考前辅导第十三章 极限定理与数理统计第 30 节 / 共 32 节约 40 分钟报名学员看全文

大数定律、中心极限定理与抽样分布

讲切比雪夫不等式与三个大数定律、两个中心极限定理,数理统计中的总体、样本、统计量与样本矩,卡方分布、t 分布、F 分布与上侧分位数,以及正态总体的常用抽样分布。

本节考点:切比雪夫不等式与大数定律中心极限定理总体样本与统计量三大抽样分布与分位数正态总体的抽样分布

本节导读

本节对应两部分考试内容。「大数定律和中心极限定理」:「切比雪夫(Chebyshev)不等式」「切比雪夫大数定律」「伯努利(Bernoulli)大数定律」「辛钦(Khinchine)大数定律」「棣莫弗-拉普拉斯(De Moivre-Laplace)定理」「列维-林德伯格(Levy-Lindberg)定理」,考试要求原文:

  1. 了解切比雪夫不等式。
  2. 了解切比雪夫大数定律、伯努利大数定律和辛钦大数定律(独立同分布随机变量序列的大数定律)。
  3. 了解棣莫弗-拉普拉斯定理(二项分布以正态分布为极限分布)和列维-林德伯格定理(独立同分布随机变量序列的中心极限定理)。

「数理统计的基本概念」:「总体」「个体」「简单随机样本」「统计量」「样本均值」「样本方差和样本矩」「χ2\chi^2χ2 分布」「ttt 分布」「FFF 分布」「分位数」「正态总体的常用抽样分布」,考试要求原文:

  1. 理解总体、简单随机样本、统计量、样本均值、样本方差及样本矩的概念,其中样本方差定义为 S2=1n−1∑i=1n(Xi−X‾)2S^2 = \dfrac{1}{n - 1}\sum\limits_{i = 1}^{n}\left(X_i - \overline{X}\right)^2S2=n−11​i=1∑n​(Xi​−X)2。
  2. 了解 χ2\chi^2χ2 分布、ttt 分布和 FFF 分布的概念及性质,了解上侧 α\alphaα 分位数的概念并会查表计算。
  3. 了解正态总体的常用抽样分布。

大纲原文中的分布名称、分位数记号和样本方差的定义式是公式图,这里按教材写法写出。本节记号:X‾\overline{X}X 是样本均值,S2S^2S2 是样本方差(分母为 n−1n - 1n−1),zαz_\alphazα​ 是标准正态分布的上侧 α\alphaα 分位数。本节的分位数都由题目给出,正式考试中以试卷提供的数值为准。

切比雪夫不等式与大数定律

切比雪夫不等式:设 E(X)=μE(X) = \muE(X)=μ,D(X)=σ2D(X) = \sigma^2D(X)=σ2,则对任意 ε>0\varepsilon > 0ε>0,

P{∣X−μ∣≥ε}≤σ2ε2,P{∣X−μ∣<ε}≥1−σ2ε2P\{\lvert X - \mu \rvert \ge \varepsilon\} \le \frac{\sigma^2}{\varepsilon^2}, \quad P\{\lvert X - \mu \rvert \lt \varepsilon\} \ge 1 - \frac{\sigma^2}{\varepsilon^2}P{∣X−μ∣≥ε}≤ε2σ2​,P{∣X−μ∣<ε}≥1−ε2σ2​

大数定律说的是「平均值稳定」:

  • 切比雪夫大数定律:X1,X2,⋯X_1, X_2, \cdotsX1​,X2​,⋯ 相互独立,各有期望和方差,且方差有公共上界,则 1n∑i=1nXi−1n∑i=1nE(Xi)\dfrac{1}{n}\sum\limits_{i = 1}^{n} X_i - \dfrac{1}{n}\sum\limits_{i = 1}^{n} E(X_i)n1​i=1∑n​Xi​−n1​i=1∑n​E(Xi​) 依概率收敛于 0。1n∑i=1nE(Xi)\dfrac{1}{n}\sum\limits_{i = 1}^{n} E(X_i)n1​i=1∑n​E(Xi​) 一般随 nnn 变化,所以要写成两者之差收敛于 0;各 E(Xi)E(X_i)E(Xi​) 都等于 μ\muμ 时,就是 1n∑i=1nXi\dfrac{1}{n}\sum\limits_{i = 1}^{n} X_in1​i=1∑n​Xi​ 依概率收敛于 μ\muμ。
  • 伯努利大数定律:nnn 次独立重复试验中事件发生的频率 nAn\dfrac{n_A}{n}nnA​​ 依概率收敛于概率 ppp。
  • 辛钦大数定律:X1,X2,⋯X_1, X_2, \cdotsX1​,X2​,⋯ 独立同分布,E(Xi)=μE(X_i) = \muE(Xi​)=μ,则 1n∑i=1nXi\dfrac{1}{n}\sum\limits_{i = 1}^{n} X_in1​i=1∑n​Xi​ 依概率收敛于 μ\muμ(不要求方差存在)。

中心极限定理

中心极限定理说的是「大量独立随机变量之和近似服从正态分布」:

  • 列维-林德伯格定理:X1,X2,⋯X_1, X_2, \cdotsX1​,X2​,⋯ 独立同分布,E(Xi)=μE(X_i) = \muE(Xi​)=μ,D(Xi)=σ2>0D(X_i) = \sigma^2 > 0D(Xi​)=σ2>0,则 nnn 充分大时 ∑i=1nXi−nμnσ\dfrac{\sum\limits_{i = 1}^{n} X_i - n\mu}{\sqrt{n}\sigma}n​σi=1∑n​Xi​−nμ​ 近似服从 N(0,1)N(0, 1)N(0,1)。
  • 棣莫弗-拉普拉斯定理:X∼B(n,p)X \sim B(n, p)X∼B(n,p)(0<p<10 \lt p \lt 10<p<1),nnn 充分大时 X−npnp(1−p)\dfrac{X - np}{\sqrt{np(1 - p)}}np(1−p)​X−np​ 近似服从 N(0,1)N(0, 1)N(0,1)。

使用方法:先算和的期望 nμn\munμ 与方差 nσ2n\sigma^2nσ2,标准化后用 Φ\PhiΦ 计算。

总体、样本与统计量

研究对象的全体叫总体,每个对象叫个体。X1,⋯ ,XnX_1, \cdots, X_nX1​,⋯,Xn​ 相互独立、且与总体 XXX 同分布,叫来自总体的简单随机样本。不含未知参数的样本函数叫统计量,常用的有:样本均值 X‾=1n∑i=1nXi\overline{X} = \dfrac{1}{n}\sum\limits_{i = 1}^{n} X_iX=n1​i=1∑n​Xi​,样本方差 S2=1n−1∑i=1n(Xi−X‾)2S^2 = \dfrac{1}{n - 1}\sum\limits_{i = 1}^{n}\left(X_i - \overline{X}\right)^2S2=n−11​i=1∑n​(Xi​−X)2,样本 kkk 阶原点矩 Ak=1n∑i=1nXikA_k = \dfrac{1}{n}\sum\limits_{i = 1}^{n} X_i^kAk​=n1​i=1∑n​Xik​。总体 E(X)=μE(X) = \muE(X)=μ,D(X)=σ2D(X) = \sigma^2D(X)=σ2 时,E(X‾)=μE\left(\overline{X}\right) = \muE(X)=μ,D(X‾)=σ2nD\left(\overline{X}\right) = \dfrac{\sigma^2}{n}D(X)=nσ2​,E(S2)=σ2E\left(S^2\right) = \sigma^2E(S2)=σ2。

三大抽样分布与分位数

设 Z1,⋯ ,ZnZ_1, \cdots, Z_nZ1​,⋯,Zn​ 独立同分布于 N(0,1)N(0, 1)N(0,1):

分布构造性质
χ2(n)\chi^2(n)χ2(n)Z12+⋯+Zn2Z_1^2 + \cdots + Z_n^2Z12​+⋯+Zn2​期望 nnn,方差 2n2n2n;独立的 χ2\chi^2χ2 变量之和仍服从 χ2\chi^2χ2 分布,自由度相加
t(n)t(n)t(n)ZY/n\dfrac{Z}{\sqrt{Y / n}}Y/n​Z​,Z∼N(0,1)Z \sim N(0, 1)Z∼N(0,1),Y∼χ2(n)Y \sim \chi^2(n)Y∼χ2(n),二者独立密度关于 0 对称,nnn 很大时近似 N(0,1)N(0, 1)N(0,1)
F(n1,n2)F(n_1, n_2)F(n1​,n2​)U/n1V/n2\dfrac{U / n_1}{V / n_2}V/n2​U/n1​​,U∼χ2(n1)U \sim \chi^2(n_1)U∼χ2(n1​),V∼χ2(n2)V \sim \chi^2(n_2)V∼χ2(n2​),二者独立1F∼F(n2,n1)\dfrac{1}{F} \sim F(n_2, n_1)F1​∼F(n2​,n1​)

本节后面还有约 2659 字:报名学员看全文

每门课前 10 节免费看全文;从第 11 节起,完整教程要报名后由顾问在后台为你的账号开通才能看。

题库账号可以直接登录,但第 11 节起的完整教程要报名后由后台开通才能看。

学完练一练

按本节考点从本课的课后练习里抽题(每次 10 道以内),做完看解析、错题自动进错题本。第 11 节起的课后练习报名学员才能练。

本节内容由 AI 辅助编写,配图由 AI 生成,仅供备考参考;考试要求以《全国各类成人高等学校招生考试大纲(2024 年版)》及浙江省教育考试院当年公布为准。

我要提问免费报名咨询