浅谈大数定理和中心极限定理解析.docVIP

浅谈大数定律和中心极限定理 学生姓名：单清舒 学号：20085031219 数学与信息科学学院 数学与应用数学专业 指导教师：黄明湛 职称：讲师摘 要本文主要介绍了． 关键词；； Law of Large Numbers and Central Limit Theorem Abstract：This paper mainly investigates several common law of large numbers and central limit theorem and applications． Key Words：law of large numbers；central limit theorem；confidence interval 的期望和方差都存在，则对任意常数，有 ， 或者 ． 该不等式可以利用，的概率分布进行估计，同时还可以证明相应的大数定律． 1.2随机变量序列的收敛性 定义1　设为一随机变量序列，为一随机变量，如果对任意给的，有 ， 或 ． 则称随机变量序列依概率收敛于随机变量，记作． 2.大数定律 一般的大数定律都涉及一个随机变量序列，大数定律的结论都是如下形式：对任意的有 ， (1) 或 ， (2) 则称该随机变量序列服从大数定律． 定理2　(伯努利大数定律) 设是重伯努利实验中事件发生的次数，而是事件在每次实验中出现的概率，这对任意给定的，有(1)式或者(2)式成立． 该定律说明随着的增大，事件的频率与其频率的偏差大于预先给定的的可能性愈来愈小，小到可以忽略不计．即频率稳定于概率．或者说依概率收敛于概率，这也是用频率来估计概率的理论根据．该大数定律是独立同分布的大数定律的特例． 定理3 (独立同分布的大数定律) 设是一列两两相互独立的随机变量序列，且，，都存在，则对任何给的，有 ， 或 ． 该定理说明随机变量的经验平均值接近于数序期望，这是对立同分布测量中取平均值的理论根据，该大数定律是切比雪夫大数定律的特例． 定理4　(切比雪夫大数定律) 设为一列两两相互独立的随机变量序列，若每个的方差存在，且有共同的上界，即，，则服从大数定律，即对任给的，有(1)式或者(2)式成立． 该定理说明随机变量的经验平均值接近于理论平均值．切比雪夫大数定律只要求互不相关，并不要求他们是同分布的．假如是独立同分布的随机变量序列，且方差有限，则必定服从大数定律． 定理5 (普安松大数定律) 设在一个独立的实验序列中，事件在次实验中出现的概率等于，以表示前次实验中事件出现的次数，则对任给的，有 ， 或 ． 该定理说明时间A的频率依概率收敛于的算术平均值，是伯努利大数定律的特例． 定理6　(辛钦大数定律) 设则是一独立同分布的随机变量序列，若的数学期望存在，则服从大数定律即对任何给的，有(1)式或者(2)式成立． 该定理说明随机变量的经验平均值接近于数学期望，这是测量中取平均值的理论根据．该大数定律也是独立同分布的大数定律的特例． 定理7　(马尔可夫大数定律) 设是一随机变量序列，且满足条件，则服从大数定律，即对任给的，有(1)式或者(2)式成立． 该定理已没有任何关于对立性的假设，因此它是研究相依（不独立）随机变量序列的大数定律．由本大数定律还可以推的切比雪夫大数定律． 综上所述，概率论中用来阐明大量随机现象平均结果的稳定性的一系列定理称为大数定律，它揭示了必然与偶然性之间的辩证规律． 3.中心极限定理 前面叙述了大数定律的各种形式，不管他们在形式上如何不同，都断定了各种各样的随机变量依赖概率收敛或几乎处处收敛于某一确定的常量．但在大数定律中都不出现随机变量的分布率．分布率的极限问题则构成了另一类极限定理——中心极限定理．中心极限定理有时成为“大数定律的数量形式”． 定理8　(棣莫弗—拉普拉斯中心极限定理) 在重伯努利实验中，设事件在每次实验中，初相的概率为， 为次实验中事件出现的次数，且记，则 ． 定理9　(林德贝格—勒维中心极限定理) 设是独立同分布的随机变量序列，且，．记 ， 则对任意实数，有 ． 棣莫弗—拉普拉斯中心极限定理是该中心极限定理的特例．独立同分布中心极限定理有广泛的应用，在实际工作中只要足够大时，便可以把独立同分布随机变量之和当作是正态变量，这种做法，在数理统计中用得很普遍． 注　以上两定理对复杂的数值计算用处很大．例如，对棣莫弗—拉普拉斯中心极限定理中的，当很大时，需计算的值，它的计算量是很大的，然而利用独立同分布中心极限定理却很容易解决．因为 ， 又因很大，所以有 ， 于是 而这只需要查标准正态分布即，就可以容易地求出相当精确的近似值． 定理10　(林德