概率论--特征函数与极限定理研讨.ppt

极限定理 一 随机变量的收敛性 二 大数定律与中心极限定理 特征函数 引进特征函数的目的在于有些问题用分布函数不好解决，比如计算随机变量的矩以及对立随机变量和的分布.使用特征函数就会特别方便，在极限理论的研究中也发挥了很大作用。 如以前我们讲过随机变量X＋Y的分布函数求法过程比较复杂，实际上经常碰到求X1+X2+X3+…+Xn 的密度函数，重复使用卷极公式，非常繁杂。 0. 复随机变量的定义 相互独立，就称复随机 如果 相互独立. 变量 设 是定义在概率空间 随机变量，则 称为复随机变量。 上的实 1、特征函数的定义 设 的分布函数为 称 为X的特征函数。 对每个随机变量X （或者说每个分布函数F(x)）, 都有一个特征函数f(t)与之一一对应。 2. 特征函数的性质 设 是X的特征函数，则 2)特征函数 在R上一致连续 3)特征函数 是非负定的，即对任意实数 及复数 证明 4） 设 是常数， 则 5)随机变量 相互独立，则 此性质可推广至多个 随机变量 相互独立，则 6）设随机变量 则它的特征函数可微分n次，且 特征函数提供了一条求各阶矩的捷径。 7）唯一性定理：分布函数由其特征函数唯一确定。 相应的分布函数F(x）可导且导函数连续，则有 构成傅里叶变换对 1）．二项分布 参数为 X的分布律 3 常见的几个分布的特征函数 2）．泊松分布： 分布律 参数为 密度函数 3）．指数分布： 参数为 4）．正态分布： 密度函数 参数为 特征函数 4）． 卡方分布的特征函数： 某些独立随机变量的分布函数的可加性 可用特征函数证明： 如：二项分布，泊松分布，正态分布，卡方分布均具有可加性。 1、依概率收敛 一 随机变量的收敛性 2、依分布收敛 3、r-阶收敛 1-阶收敛又称为平均收敛，2-阶收敛即为均方收敛。 4、以概率1收敛 四种收敛关系： 以概率1收敛或r-阶收敛 依概率收敛 依分布收敛 二、大数定律与中心极限定理 研究两类问题： （大数定律） （中心极限定理） 为相互独立的随机变量序列 （2）n充分大时， 服从什么分布？ （1） 定义 1、大数定律 定理一 （切比雪夫大数定律） 量，且具有相同的数学 期望 和方差 设 为一列相互独立的随机变 即