浙大版概论,大数定律与中心极限定理.docVIP

第四章大数定律与中心极限定理 一、?? 教学目的与要求 1． 掌握三个大数定律的条件、结论； 2． 了解随机变量序列的两种收敛性； 3． 掌握独立同分布中心极限定理的条件、结论，并会用来解决一些实际问题。 二、?? 教学重点和难点 教学重点是讲清大数定律的条件、结论和中心极限定理的条件、结论。 教学难点是随机变量序列的两种收敛性及大数定律和中心极限定理的应用。 §4.1? 大数定律 一、大数定律的意义 在第一章中引入概率的概念时曾经指出，频率是概率的反映，随着观测次数n的增加，频率将会逐渐稳定到概率。详细地说：设在一次观测中事件A发生的概率，如果观测了次（也就是一个重贝努里试验），A发生了次，则A在次观测中发生的频率，当充分大时，逐渐稳定到。若用随机变量的语言表述，就是：设表示第次观测中事件A发生次数，即 则为一列独立随机变量，显然 从而有 因此 “稳定于”，又可表述为次观测结果的平均值稳定于。 现在的问题是：“稳定”的确切含义是什么？稳定于是否能写成 （1） 亦即，是否对， （2） 对所有的样本点都成立？ 实际上，我们发现事实并非如此，比如在次观测中事件A发生次还是有可能的，此时，从而对，不论N多大，也不可能有成立。就是说，在个别场合下，事件（）还是有可能发 生的，不过当n很大时，事件（）发生的可能性很小。例如，对上面的，有 。 显然，当时，这个概率趋于0，所以“稳定于”是意味着 （3） 成立 沿用前面的记号，（3）式可写成 ? 一般地，设为一列独立随机变量，为常数，如果对任意，有 （4） （ 即） 则称稳定于。 概率论中，一切关于大量随机现象之平均结果稳定性的定理，统称为大数定律。 若将（4）式中的换成常数列，即得大数定律的一般定义。 定义：若为一列随机变量序列，如果存在常数列， 使对，有成立，则称随机变量序列服从大数定律。 若随机变量具有数学期望，则大数定律的经典形式是： 对，有 这里常数列， 注：本书只讨论经典形式的大数定律。 二、大数定律 本段介绍一组大数定律，设为一列随机变量，我们总假定 存在。 定理（契贝晓夫大数定律）设为一列两两不相关的随机变量，又设它们的方差有界，即存在常数，使有，则称随机变量序列服从大数定律，即有 对，有 证明见书196页。 例：例4.1 推论（贝努里大数定律）:设是n重贝努里试验中事件A出现的次数，又A在每次试验中出现的概率为，则对任意的，有 证：设 显然 由假定，独立同分布（均服从二点分布） 且都是常数，从而方差有界 由契贝晓夫大数定律，有 ＃ 此推论阐述了频率稳定性的含义，为用频率估计概率提供了理论依据。 例:? 设为一列随机变量，如果 （*） 则服从大数定律。 证明 : ?表明对充分大的n， 的方差存在 对，由契贝晓夫不等式 两边取极限得 即 故服从大数定律 此称为马尔可夫大数定律 （*）式称为马尔可夫条件。 例：设的分布列为：，， 且相互独立，试证明服从大数定律。 证： 故服从大数定律（马尔可夫大数定律）。 以上大数定律是以契贝晓夫不等式为基础的，所以要求随机变量的方差存在，通过进一步研究，我们发现方差存在的条件并不是必要条件。 定理（辛钦大数定律）设是一列独立同分布的随机变量，且数学期望存在 则对，有? 成立。 定理的证明将在下一章给出。 例：设独立同分布，且共同密度函数为 问（1）的数学期望及方差是否存在？ ? （2）是否服从大数定律？ 解：（1）因为 故 的数学期望存在。 又因为 故 的方差不存在。 （2）由（1）知存在，故满足辛钦大数定律的条件， 服从辛钦大数定律。 从此例可以看出，随机变量序列不满足契贝晓夫大数定律的条件，因而服从大数定律的随机变量序列，它们的方差可以不存在。 例：若为一列独立同分布的随机变量序列，且的密度函数为本 问：（1）是否满足契贝晓夫大数定律的条件？ （2）是否满足辛钦大数定律的条件？ 解： 故不存在 的数学期望存在，但方差不存在 所以不满足契贝晓夫大数定律的条件，满足辛钦大数定律的条件。 辛钦大数定律为实际生活中经常采用的算术平均值法则提供了理论依据，它断言：如果诸是具有数学期望、相互独立、同分布的随机变量，则当n充分大时，算术平均值一定以接近1的概率落在真值的任意小的邻域内。据此，如果要测量一个物体的某指标值，可以独立重复地测量n次，得到一组数据：，当n充分大时，可以确信，且把作为的近似值比一次测量作为的近似值要精确的多，因，；但，，即关于的偏差程度是一次测量的。 §4.2随机变量序列的两种收敛性 一、依概率收敛 1、定义 在上一节上，我们从频率的稳定性出发，得出下面的极限关系式： P 0，其中或等价于（， 这与数学分析中通常的函数收敛的意义不同。在上式中以随机变量 代替以便得到新的收敛概念。本节假定所得到的随机变量都是定义在同一概率空间