第四章大数定律与中心极限定理.doc.docVIP

第四章 大数定律与中心极限定理 §4.1 特征函数 4.1.1 特征函数的定义 定义4.1.1 设X是一个随机变量，称 为X的特征函数 注意：(1)因为，所以总是存在的，即任一随机变量的特征函数总是存在的。 (2)离散随机变量的特征函数为； 连续随机变量的特征函数。 (3)与随机变量的数学特征一样，特征函数只依赖于随机变量的分布，分布相同则特征函数相同，所以也称为分布的特征函数。 常用分布的特征函数(一) (1)单点分布：，其特征函数为 (2)0-1分布：，其特征函数为 (3)泊松分布：，其特征函数为 (4)均匀分布：因为密度函数为 所以特征函数为 。 (5)标准正态分布：因为密度函数为 所以特征函数为 其中是利用复变函数中的围道积分求得的。 (6)指数分布：因为密度函数为 所以特征函数为 以上的积分中用到了复变函数中的欧拉公式：。 4.1.2 特征函数的性质 表示X的特征函数 性质4.1.1 。 性质4.1.2。 性质4.1.3若，其中是常数，则 性质4.1.4独立随机变量和的特征函数为特征函数的积，即设X与Y相互独立，则 性质4.1.5 若存在，则X的特征函数可次求导，且对有。 性质4.1.5提供了一个求随机变量的各阶矩的途径，特别可用下式去求数学期望和方差：；。 性质的证明：仅对连续场合证明，离散时类似。 (1) (2) (3) (4)因为X与Y相互独立，所以与也是独立的，从而有 。 (5)因为存在，也就是 于是含参变量的广义积分可以对求导次，于是对，有 ， 令即得。 常用分布的特征函数(二) (7)二项分布：设～，则，其中是互相独立同分布的随机变量，～。由前述知 所以由独立随机变量和的特征函数为特征函数的积，得 (8)正态分布：设Y～，则～由前述知，所以由得 (9)伽玛分布：设Y～，则，其中是互相独立同分布的随机变量，～，由前述知 所以由独立随机变量和的特征函数为特征函数的积，得 进而，当为任一实数时，可得分布的特征函数为 (10)分布：因为，所以分布的特征函数为 下例是利用性质4.1.5求分布的数学期望和方关差。 例1 利用特征函数方法求伽玛分布的数学期望和方差。 解 因为伽玛分布的特征函数及其一、二阶导数为 ， ，； ； 所以 ； 定理4.1.1(一致连续性) 随机变量X的特征函数在(-)上一致连续。 定理4.1.2(非负性) 随机变量X的特征函数是非负定的，即对任意正整数n，及n个实数和n个复数，有 。 注意：(1)随机变量的分布惟一地确定它的特征函数； (2)两个分布的数学期望和方差及各阶矩都相等，也无法证明此两个分布相等，但两个分布函数相等当且仅当它们所对应的特征函数相等。 定理4.1.3(逆转公式) 设分别为随机变量X的分布函数和特征函数，则对的任意两个连续点，有 注意：该定理给出了由特征函数求分布函数的公式。 定理4.1.4(惟一性定理) 随机变量的分布函数由其特征函数唯一决定。 注意：该定理说明了分布函数与特征函数是一一对应的。 定理4.1.5 若X为连续随机变量，其密度函数为，特征函数为。如果，则 注意：(1)该定理给出了连续随机变量由特征函数求密度函数的公式。 (2)该定理在数学分析中称为傅里叶变换，由密度求特征函数和由特征函数求密度是一对互逆的变换：特征函数是密度函数的傅里叶变换，而密度函数是特征函数的傅里叶逆变换。 和 特征函数方法可以简化处理独立随机变量和的难度。如下例 例2 用特征函数方法证明正态分布的可加性。 设X～，Y～，且X与Y独立，因为 ， 则 而上式正是正态分布的特征函数，再由特征函数的唯一性定理，即知X+Y～。 例3 已知连续随机变量的特征函数如下，求其分布。 (1)，(2) 解 (1)由逆转公式可知其密度函数为 这是柯西分布的密度，所以对应的是柯西分布 (2)是均匀分布的特征函数，由唯一性定理知，该特征函数对应的分布不是别的，只能是均匀分布。 §4.2 大数定律 4.2.1 伯努利大数定律 定理4.2.1(伯努利大数定律) 设是重伯努利试验中事件出现的次数，而是事件在每次试验中出现的概率，则对任意，都有 定理的含义：是重伯努利试验中出现的次数,则便是这次试验中出现的频率，上式表明，当次数很大时，事件出现的频率与事件A出 现的概率p的偏差超过任意正数(的可能性很小，或者基本上说，是不可能的。即要从理论上证明：对于任意的(((，有，它等价于 。伯努利大数定律是研究这种极限定理的第一个定律，也是一个从理论上证明随机现象的频率具有稳定性的定律。 证 因为 由切贝雪夫不等式有 因此 ，亦即 注意：(1)伯努利大数定律证明了在大量重复实验时，随机事件的频率在它的概率的附近摆动，若事件的概率很小，则正如伯努利定律所指出的，事件的频率也很小，或者