另开窗口全屏阅读.pptVIP

4.1 大数定理 4.1.1 问题的提出 我们知道，概率论是研究随机现象统计规律性的数学学科，然而随机现象的统计规律性只有在相同条件下进行大量重复的试验或观察才能显现出来．或观察才能显现出来．例如，实际经验告诉我们，掷一枚均匀的硬币，虽然事前我们不能准确预言每次掷出的结果，但是如果我们重复地进行n次，并以 记n次试验中正面出现的次数，当n充分大时，正面出现的频率 与掷一枚正面出现的概率 p＝1/2很接近．这个例子直观地告诉我们从随机现象中去寻求必然规律性. 通常的一种提法是：当n充分大时，频率 与概率p有较大偏差的概率很小，若用严格的数学语言可描述为：对任意ε＞０，有 4.1.2 大数定理 定义4.1.1：若 是随机变量序列，记作 令 如果对于任意ε＞０，恒有 成立,则称序列 服从大数定理(或大数法则). 定理4.1.1：（贝努里大数定律）设 是n重贝努里试 验中事件A出现的次数，而p是每次试验中事件A出现的 概率，则对任意ε＞０，有 定理4.1.2：（切贝晓夫大数定律）设 是两两不相 关的随机变量序列，每一随机变量都有有限的方差，并且它们有公 共的上界，即 则对任意的 有 证明 因为 两两不相关且方差有公共上界，所以 由切贝晓夫不等式有 定义4.1.2： 若序列｛ξ k｝满足 则称｛ξ k｝满足马尔柯夫条件． 定理4.1.4：（马尔柯夫大数定律）若｛ξ k｝满足马尔 柯夫条件，则｛ξ k｝服从大数定律，即 4.2.1 依概率收敛 定义4.2.1： （依概率收敛）设ξ１，…，ξ k，…为随机变 量序列，如果存在一个随机变量ξ，使对任意ε＞０有 则称随机变量序列｛ξ k｝依概率收敛于ξ，并记作 4.2.2 依分布收敛 定义4.2.2：（弱收敛）设｛F n （x） ｝是一个分布函数序列，如果存在一个分布函数F （x） ，使得在F （x）的每一个连续点上有 成立，则称｛ F n （x） ｝弱收敛于F （x） ，并记为 　　 定义4.2.3：（依分布收敛）　设｛ξ n｝为随机变量序列，而｛ F n （x） ｝是对应的分布函数序列，如果存在一个具有分布函数F （x） 的随机变量ξ，使得 , 则称｛ ξ n ｝依分布收敛于ξ，并记作 4.2.3 两种收敛性之间的关系 上述两种收敛性（依概率收敛与依分布收敛）之间的关系，可以通过下面两个定理加以阐明． 定理4.2.1： 定理4.2.2：设ξ退化取常数C,则 我们知道，分布函数列的弱收敛是很重要的，但要判断一个分布函数序列是否弱收敛，有时需要用到以下特征函数的两个极限定理． 定理4.2.3 （正极限定理）设分布函数序列 ｛F n（x）｝弱收敛于某一分布函数F（x），则相应的特征函数序列｛φ n（t）｝收敛于 F（x）的特征函数φ（t），且在t的任一有限区间内收敛是一致的． 定理4.2.4 （逆极限定理）设特征函数序列 ｛φ n（t）｝收敛于某一函数φ（t），且φ（t）在t＝０连续，则相应的分布函数序列 ｛ F n（x）｝弱收敛于某一分布函数F（x），而且φ（t）是F（x）的特征函数. 下面我们以特征函数为工具，并应用上述定理的结果证明一个重要的大数定律． 定理4.2.5：（辛钦大数定律）设ξ１，…，ξ k，…是独立同分布的随机变量序列，且具有有限的数学期望 a＝E ξ k（k＝１，２…） 则对任意的ε＞０，有 我们给出中心极限定理的一般定义． 定义4.3.1：设ξ１，…，ξn，…为相互独立的随机变量序列，有有限的数学 期望和方差： E ξ k＝a k，D ξ k＝σ2k　（k＝１，２，…） 令 若对任意的x∈ R１，一致地有