第四章大数定律与中心极限定理说课.docVIP

第四章 大数定律与中心极限定理 教学目的与教学要求：了解特征函数的定义和常用分布的特征函数；理解并能应用大数定律；掌握依概率收敛和按分布收敛的概念；掌握并能应用独立同分布下的中心极限定理。 教学重点：大数定律、依概率收敛和按分布收敛的概念、中心极限定理。 教学难点：大数定律和中心极限定理的应用。 教学措施：理论部分的教学多采用讲授法，注意思想方法的训练计算类问题采用习题与讨论的方法进行教学。(1) 可将求独立随机变量和的分布的卷积运算化成乘法运算； (2) 可将求各阶矩的积分运算化成微分运算； (3) 可将求随机变量序列的极限分布化成一般的函数极限问题等。 §4.1.1 特征函数的定义 定义4.1.1 设是一个随机变量，称 其中为虚数单位，为的特征函数。 注：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。 特征函数的求法： (1) 当离散随机变量的分布列为 则的特征函数为 ； (2) 当连续随机变量的密度函数为，则的特征函数为 。 特征函数的计算中用到复变函数，为此注意： (1) 欧拉公式：； (2) 复数的共轭：； (3) 复数的模：。 例4.1.1 常用分布的特征函数 (1) 单点分布：，其特征函数为； (2) 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，所以其特征函数为； (5) 标准正态分布：因为密度函数为，所以其特征函数为； (6) 指数分布：因为密度函数为，所以其特征函数为 。 §4.1.2 特征函数的性质 性质4.1.1 。 性质4.1.2 ，其中是的共轭。 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，即设与相互独立，则。 性质4.1.5 若存在，则的特征函数可次求导，且对，有。 注：上式提供了一条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，、。 例4.1.2 利用特征函数的方法求伽玛分布的数学期望和方差？ 解：因为的特征函数，从而 于是 所以 。 定理4.1.1（一致连续性）随机变量的特征函数在上一致连续。 定理4.1.2（非负定性）随机变量的特征函数是非负定的，即对任意正整数及个实数、、…、和个复数、、…、，有 。 定理4.1.3（逆转公式）设和分别是随机变量的分布函数和特征函数，则对的任意两个连续点，有 。 定理4.1.4（唯一性定理）随机变量的分布函数由其特征函数唯一决定。 定理4.1.5 若为连续随机变量，其密度函数为，特征函数，如果，即，则有 。 §4.2 大数定律 在本课程一开始引入事件与概率的概念时，曾指出就一次试验而言，一个随机事件可以出现也可不出现，但作大量的重复试验则呈现出明显的规律性（统计规律性），即：任一事件出现的频率是稳定于某一固定数的，这固定数就是该事件在一次试验下发生的概率，这里说的“频率稳定于概率”，实质上是频率依某种收敛意义趋于概率，“大数定理”就是解释这一问题的。 由于正态分布在概率统计中的重要地位和作用，因而用很多时间介绍正态分布，为什么实际上有许多随机现象会遵循正态分布？这仅仅是一些人的经验猜测还是确有理论依据，“中心极限定理”正是讨论这一问题的。 §4.2.1 伯努利大数定律 定理4.2.1(伯努利大数定律)设为重伯努利试验中事件发生的次数，而是事件在每次试验中发生的概率，则，有 。 证明：令，则、、…、是个相互独立的随机变量，且、、，于是 由切比雪夫不等式得： 从而 即：。 §4.2.2 常用的几个大数定律 一、大数定律的一般形式 定义4.2.1 设是一随机变量序列，若，有 成立，则称随机序列服从大数定律。 二、切比雪夫大数定律 定理4.2.2（切比雪夫大数定律）设为一两两不相关的随机变量序列，若每个的方差存在，且有共同的上界，即存在常数，使得，则，有 。 证明：由不相关性知： 由切比雪夫不等式得： 从而 即：。 三、马尔可夫大数定律 定理4.2.3（马尔可夫大数定律）设为一随机变量序列，若马尔可夫条件 成立，则，有 。 例4.2.1 设为一同分布、方差存在的随机变量序列，且仅与和相关，而与其他的不相关，试问该随机变量序列是否服从大数定律？ 解：由于为相依随机变量序列，于是利用马尔可夫大数定律判断 记，则，从而 即马尔可夫条件满足，故结论成立。 四、辛钦大数定律 定理4.2.4（辛钦大数定律）设为一独立同分布的随机变量序列，若的数学期望存在，则，有 。 注意：(1) 伯努利大数定律是切比雪夫大数定律的特例； (2) 切比雪夫大数定律是马尔可夫大数定律的特例； (3) 伯努利大数定律是辛钦大数定律的特例。 §4.3 随机变量序列的两种收敛性 随