第一篇：部分作業解答或提示參考 第一章 習題一14 證 由切比雪夫不等式

部分作業解答或提示參考

第一章

習題一1.4

證（2）由切比雪夫不等式及E|?|?0

P(|?|?1/n)?1?P(|?|?1/n)?1?nE|?|?1

故P(??0)?P(?|?|?1/n)?limP(|?|?1/n)?1。

n?1n???

（4）由切比雪夫不等式P(|?|?n)?E|?|/n及E|?|??，得

P(|?|???)?P（習題二2.3

證對平穩序列{Xt}，任給整數k?1，(X1,X2,?,Xn)與(Xk,Xk?1,?,Xk?n?1)有相同的n階自協方差矩陣。故由平穩序列{Xt}的n階自協方差矩陣退化知，對任給整數k?1，存在非零實向量b?(b1,b2,?,bn)使得 var[Tn?k?1

i?k?{|?|?n})?limP(|?|?n)?0。n?1n????bi?k?1(Xi??)]?0。

不妨假設bn?0，則有對任給整數k?1，Xn?k可由Xk,Xk?1,?,Xn?k?1線性表出。

（1）對m?n?1，Xn可由X1,X2,?,Xn?1線性表出，Xn?1可由X2,X2,?,Xn線性

表出，故Xn?1可由X1,X2,?,Xn?1線性表出。

（2）假設對所有n?m?n?k，Xm可由X1,X2,?,Xn?1線性表出。則對

m?n?k?1，由于Xn?k?1可由Xk?1,Xk?2,?,Xn?k線性表出，由假設，Xn?k?1也可由X1,X2,?,Xn?1線性表出。

根據（1），（2），對任何m?n，Xm可由X1,X2,?,Xn?1線性表出，即存在常數a0,a1,?,an?1，使得Xm?a0??aiXn?i,i?1n?1a.s.。

習題四4.3

解 顯然(Xt,Xs)服從二維正態分布，且EXt?EXs?0。

記t?12k?l,s?12m?n,其中0?l?11,0?n?11，則Xt???12i?l,Xs???12j?n，這里?0?0。

i?0j?0km

由于{?t}是正態白噪聲WN(0,?2)，故

（1）當l?n，即t?s(mod12)時，?t,s?cov(Xt,Xs)?0；

（2）當l?n?0，即t?s(mod12),t?12k時，?t,s?cov(Xt,Xs)?min(k,m)?2?[min(t,s)2]?； 12

12),t?12k時，（3）當l?n?0，即t?s(mod

?t,s?cov(Xt,Xs)?min(k?1,m?1)?

所以

2?([min(t,s)]?1)?2。12t,tt,s?(Xt,Xs)~N(?,Σ)，其中??(0,0)T,Σ???????。?s,s??t,s??

第二章

習題二

1X???2.5tt?t?1,Xt??t?a?t?1（其中a?0.5)a

?1jjC(z)??az，證明 取?1?azj?0

令?t?C(B)Xt, 則

?2j????(1?a)a?t?jt?t

j?1?

由定理4.4，{?t}為正態平穩序列。由定理7.4,f?(?)?|C(e?i?)|2fX(?)

?|1?122?i?2i??/a

ae|?|1?ae|?2f?(?)?2?

為常數，因而{?t}~WN(0,?2/a2)，故結論成立。（也可計算自協方差來證明）

習題三

3.2提示：當{Xt}與{Yt}的特征多項式滿足A(z)?B(z)時，是AR(p)序列。

習題五

5.4 提示：利用第一章7.4和第二章定理3.1。

Zt}仍然 {

第二篇：切比雪夫不等式教學

★★★1．設

求的最小值

★★★2．若a、b、c是三角形三邊長，s是半周長。求證：Vn∈N，下式成立

解答或提示

．不妨令

由切比雪夫不等式

當且僅當

．設a≥b≥

c,則a+b≥a+c≥b+c,（）

第三篇：切比雪夫不等式及其應用(摘要)

天津理工大學2011屆本科畢業論文

切比雪夫不等式及其應用

摘要

切比雪夫不等式是概率論中重要的不等式之一。尤其在分布未知時，估計某些事件的概率的上下界時，常用到切比雪夫不等式。另外，大數定律是概率論極限理論的基礎，而切比雪夫不等式又是證明大數定律的重要途徑。如今，在切比雪夫不等式的基礎上發展起來的一系列不等式都是研究中心極限定理的有力工具。作為一個理論工具，切比雪夫不等式的地位是很高的。

本文首先介紹了切比雪夫不等式的一些基本理論，引出其概率形式，用現代概率方法證明了切比雪夫不等式并給出了其等號成立的充要條件。其次，從三大方面闡述了其在概率論中的應用，并且給出了切比雪夫大數定律和伯努利大數定律的證明。在充分了解切比雪夫不等式后，最后探索了其在生活中的應用，并且用切比雪夫不等式評價了IRR的概率風險分析。

關鍵詞:切比雪夫不等式大數定律IRR

The Chebyster’s Inequality and Its Applications

ABSTRACT

In probability theory, the Chebyshev’s Inequality is one of the important inequalities.In particular the distribution is unknown, the Chebyshev’s Inequality is usually used when estimating the boundary from above or below of probability.In addition, the Law Of Large Numbers is the basis of the limit theory of probability.The Chebyshev’s Inequality is an important way to prove it.Now, a series of inequalities that are developed on the basis of the Chebyshev’s Inequality are a powerful tool for the Central Limit Theorem.As a theoretical tool, its status is very high.First, this article introduces some basic theory of the Chebyshev’s Inequality, it raises the Chebyshev’s Inequality’s form of probability and makes a prove for the Chebyshev’s Inequality with the method of modern probability.Furthermore, it gives the necessary and sufficient condition of the establishment of the equal sign.天津理工大學2011屆本科畢業論文

Secondly, we introduces its five application in probability theory and gives theprove of the Chebyshev and Bernoulli Law Of Large Numbers.After the full understanding of the Chebyshev’s Inequality, finally, we explore its application in the life and give the probabilistic risk assessment of the IRR with the Chebyshev’s Inequality.Key Words：Chebyshev’s InequalityLaw Of Large NumbersIRR

第四篇：切比雪夫不等式證明

切比雪夫不等式證明

一、試利用切比雪夫不等式證明：能以大小0.97的概率斷言，將一枚均勻硬幣連續拋1000次，其出現正面的次數在400到600之間。

分析:將一枚均勻硬幣連續拋1000次可看成是1000重貝努利試驗,因此

1000次試驗中出現正面H的次數服從二項分布.解:設X表示1000次試驗中出現正面H的次數,則X是一個隨機變量,且

~XB(1000,1/2).因此

500

211000=×==npEX,250)

2答題完畢，祝你開心!

11（2

1000)1(=××==pnpDX,而所求的概率為

}500600500400{}600400{<<=<}100100{<<=EXXp

}100{<=EXXp

975.0

=≥

DX

.二、切比雪夫(Chebyshev)不等式

對于任一隨機變量X,若EX與DX均存在,則對任意ε>0,恒有p{|X-EX|>=ε}<=DX/ε^2或p{|X-EX|<ε}>=1-DX/ε^2

切比雪夫不等式說明，DX越小，則p{|X-EX|>=ε}

越小，p{|X-EX|<ε}越大，也就是說，隨機變量X取值基本上集中在EX附近，這進一步說明了方差的意義。

同時當EX和DX已知時，切比雪夫不等式給出了概率p{|X-EX|>=ε}的一個上界，該上界并不涉及隨機變量X的具體概率分布，而只與其方差DX和ε有關，因此，切比雪夫不等式在理論和實際中都有相當廣泛的應用。需要指出的是，雖然切比雪夫不等式應用廣泛，但在一個具體問題中，由它給出的概率上界通常比較保守。

切比雪夫不等式是指在任何數據集中，與平均數超過K倍標準差的數據占的比例至多是1/K^2。

在概率論中，切比雪夫不等式顯示了隨機變數的「幾乎所有」值都會「接近」平均。這個不等式以數量化這方式來描述，究竟「幾乎所有」是多少，「接近」又有多接近：

與平均相差2個標準差的值，數目不多于1/4

與平均相差3個標準差的值，數目不多于1/9

與平均相差4個標準差的值，數目不多于1/16

……

與平均相差k個標準差的值，數目不多于1/K^2

舉例說，若一班有36個學生，而在一次考試中，平均分是80分，標準差是10分，我們便可得出結論：少于50分(與平均相差3個標準差以上)的人，數目不多于4個(=36*1/9)。

設(X,Σ,μ)為一測度空間，f為定義在X上的廣義實值可測函數。對於任意實數t>0，一般而言，若g是非負廣義實值可測函數，在f的定義域非降，則有

上面的陳述，可透過以|f|取代f，再取如下定義而得：

概率論說法

設X為隨機變數，期望值為μ，方差為σ2。對于任何實數k>0，改進

一般而言，切比雪夫不等式給出的上界已無法改進。考慮下面例子：

這個分布的標準差σ=1/k，μ=0。

當只求其中一邊的值的時候，有Cantelli不等式：

證明

定義，設為集的指標函數，有

又可從馬爾可夫不等式直接證明：馬氏不等式說明對任意隨機變數Y和正數a有pr(|Y|leopeatorname{E}(|Y|)/a。取Y=(X?μ)2及a=(kσ)2。

亦可從概率論的原理和定義開始證明。

第五篇：切比雪夫不等式解析,度量誤差及推論

切比雪夫不等式解析，度量誤差及推論

摘要：切比雪夫不等式表征了素數定理的計算誤差極限，在孿生素數個數及偶數表為兩個奇素數之和的表法個數的漸近函數誤差估計中，可類比得到對應的表達式。

（1）切比雪夫不等式解析 由a?lim6?a，x??xlnx5x??，則必有 lnx?(x)設：?(x)??(x)?x?(x)??(x)?，??，?1??1??a，lnxxlnxxlnxxlnxxlnx已知a?0?92129，由切比雪夫不等式推知：

lnx對x的一維度量誤差率的下極限是同理 設：?(x)??xlnx?a?1??0?07871。

x???，則必有 lnx?(x)??(x)??6x?(x)???1??a，???，?1?xlnx5lnxxlnxxlnxxlnx已知a?0?92129，由切比雪夫不等式推知：

lnx對x的一維度量誤差率的上極限是

??xlnx?0?105548。

另：因為lnx對x的一維度量誤差極限是

60?92129???(0?92129)，5

則二維度量誤差極限是

0?848775264??2?1?22223638

（2）一個推論

由偶數Ne?6表示為兩個奇素數之和的表法個數r2(Ne)，1?3202Ne及其漸近函數r2?(Ne)?ln2Nes(Ne)i?2?(pi?1)，可與切比雪夫不等式類比。首先 pi?2?(Ne)??，設：r2(Ne)?r2r2(Ne)r(N)???1?，2e?1?。

r2?(Ne)r2?(Ne)r2?(Ne)r2?(Ne)s(Ne)i?2因誤差?是由ln(Ne)對1?3202Nes(Ne)2?(pi?1)二維度量產生的，所以可表 pi?2p?11?3202?(i)NNi?2pi?2r2?(Ne)?()(e)。顯然，由切比雪夫不等式可知，e是lnNe對lnNelnNelnNe1?3202?(i?2s(Ne)偶數Ne的一維度量，產生的誤差率的下極限是?0?07871。s(Ne)i?2pi?1)pi?2lnNe也是一維度量，而1?3202?(pi?1)?Ne，產生的誤差率絕對值必然?0?07871。pi?2由此推知，二維度量產生的總誤差率的下極限

2。?(1?0?07871)2?0?92129?a2?0?84877526同理可得，二維度量產生的總誤差率的上極限為

636?(1?0?105548)2?()2(0?92129)2?()a2?1?22223638。

525（3）結論：

0?84877526?lim

參參考文獻：

1初等數論：潘承洞

潘承彪著

1997,6月 北京大學出版社 2組合數學：屈婉玲

著

1997，9月

北京大學出版社 3王元論哥德巴赫猜想：李文林

1999,9月

山東教育出版社 4數學與猜想一，二卷：G·波利亞

2001,7月

科學出版社

5數論導引：G·H·Hardy，E·M·Wright 2008,10

人民郵電出版社 6華羅庚文集：（數論卷二）2010,5月

科學出版社

7代數數論：馮克勤

著

2000,7月

科學出版社

r2(Ne)?1?22223638

Ne??r?(N)2e