第5章大数定理与中心极限定理130414要点.doc

第5章的教学要求： 1.了解切比雪夫大数定理、伯努利(Bernoulli)大数定理、辛钦(Khinchine)大数定理. 2.了解列维-林德伯格(Levy-Lindberg)中心极限定理(独立同分布的中心极限定理)和棣莫弗-拉普拉斯(De Moivre-Laplace)中心极限定理. 3.了解棣莫弗-拉普拉斯中心极限定理在实际问题中的应用. 第5章 大数定理与中心极限定理 §5.1 大数定理 第1章已指出：概率是频率的稳定值．伯努利大数定理以严格的数学形式表达了频率的这种稳定性．凡是阐述大量随机现象的平均结果具有稳定性的定理都称为大数定理． 大量的重复试验如何用数学语言描述？ n重伯努利试验概型就是重复试验的数学模型．在n重伯努利试验中，各次试验是相互独立的，且在每次试验中某事件A发生的概率p保持不变． 例如，抛一枚均匀的硬币，设A表示“出现正面”，试验数据显示，在相同的条件下，A发生的频率的稳定值为0.5．如果设 ， 则显然是相互独立、有相同分布（简称独立同分布）的随机变量序列，且 . 如果令 ， 这是n个随机变量的算数平均，也是A发生的频率，所以当n很大时，的取值应该稳定在0.5． 是随机变量，该如何表示的值稳定在0.5呢？ 一种提法是：当n足够大时，与0.5有较大偏差的概率很小．用数学语言表述就是，对于任意正数，有 . 或 . 定义5.1 设是一个随机变量序列，如果有数，使对于任意正数，有 ， 则称依概率收敛于a，并记. 依概率收敛有如下性质： 若，函数在a处连续，则 ． 若，函数在处连续，则 ． 更多元随机变量的序列有类似的结果．(这是矩估计的理论基础) 定理5.1(切比雪夫大数定理的特殊情况) 设随机变量相互独立，且具有相同的数学期望和方差：.若令 ， 则对于任意正数，有 . 切比雪夫大数定理表明，相互独立、具有相同的数学期望和方差的随机变量的算数平均依概率收敛于算数平均的期望．即 ． 定理5.2(伯努利大数定理) 设是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，则对于任意正数，有 . 伯努利大数定理表明，事件发生的频率依概率收敛于事件发生的概率．因此，当试验次数很大时，人们经常用事件发生的频率来代替事件发生的概率． 定理5.3(辛钦大数定理) 设随机变量相互独立，服从同一分布，具有数学期望，则对于任意正数，有 . 辛钦大数定理表明，相互独立同分布、具有数学期望的随机变量的算数平均依概率收敛于算数平均的期望． 例 设独立同分布于参数为2的指数分布，则当时， 依概率收敛于 . §5.2 中心极限定理 如何计算关于随机变量的事件的概率？切比雪夫不等式只给出了估计关于的特定事件的概率： . 大数定理则指出： . 一般说来，概率计算依赖于随机变量的概率分布，而的概率分布一般不好求，所以计算关于的事件的概率不容易．本节讨论的中心极限定理则能比较好地解决这个问题． 定理5.4(列维-林德伯格(Levy-Lindberg)定理) 设随机变量相互独立，服从同一分布，具有数学期望和方差，则对任意实数x，有 . 定理5.4又称为独立同分布的中心极限定理. 定理5.4的含义：因为 ， 所以其实是的标准化变量．因此定理5.4实际上表明，均值为、方差为的独立同分布的随机变量和的标准化变量，当n很大时， ， (5.2) 而且n越大近似程度越好． 由正态变量的性质，进一步得 ， (5.3) . (5.4) 后一个结果是数理统计中大样本统计推断的基础． 中心极限定理的意义：无论随机变量服从什么分布，只要满足一定的条件，它们的和，当n很大时，就近似地服从正态分布．这就是正态分布在概率统计中占有重要地位的一个基本原因． 例5.1(P157) 定理5.5(棣莫弗-拉普拉斯(De Moivre-Laplace)定理) 设随机变量，则对任意实数，有 . 定理5.5表明，二项变量近似地服从正态分布. 例5.2(P158) 例5.3(P158) 作业(P159)：1.-4. 6. 7. 补充： 1. 大数定理 设是随机变量序列，令.若存在常数序列，使得对于任意的正数，总有 ， 则称随机变量序列服从大数定理(或大数法则). 2. 契比雪夫大数定理 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，且有共同的上界，即，则对于任意的正数，总有 . 3. 普阿松大数定理 在一个独立试验序列中，设事件在第次试验中发生的概率为，以表示在前次试验中事件发生的次数，则对于任意的正数，总有 . 大数定理的重要意义 人类的大量经验告诉我们，概率很接近1的随机事件在一次试验中几乎一定要发生，即可以把该事件看作实际中的必然事件；同样，概率很小的随机事件在一次试验中几乎不发生，即可