[概率论与数理统计论文1120310513徐天宇.docxVIP

随机弱大数定律与大数定律的充要条件及其应用摘要：本文讨论随机大数定律, 得到随机变量序列分别服从随机弱大数定律和随机强大数定律的充要条件，以及大数定律与中心极限定理的相互关系，并且给出了大数定律在金融保险，数学分析，误差领域中的应用。1.引言“大数定律”本来是一个数学概念，又叫做“平均法则”。在随机事件的大量重复出现中，往往呈现几乎必然的规律，这个规律就是大数定律，通俗地说，这个定理就是在试验不变的条件下，重复试验多次，随机事件的频率以概率为稳定值。比如，我们向上抛一枚硬币，硬币落下后哪一面朝上本来是偶然的，但当我们向上抛硬币的次数足够多时，达到上万次甚至几十万几百万次之后，我们就会发现，硬币向上的次数约占总次数的二分之一。偶然中包含着必然。从概率的统计定义中可以看出：一个事件发生的频率具有稳定性，即随着试验次数的增多，事件的频率逐渐稳定在某个常数附近．人们在实践中观察其他一些随机现象时，也常常会发现大量随机个体的平均效果的稳定性。这就是说，无论个别随机个体以及它们在试验进行过程中的个别特征如何，大量随机个体的平均效果与每一个体的特征无关，且不再是随机的深入考虑后，人们会提出这样的问题：稳定性的确切含义是什么？在什么条件下具有稳定性？这就是大数要研究的问题。2.几个大数定律定理对任意的随机变量，若，又存在，则对任意的正常数，有， 则称此式子为切比雪夫不等式。粗糙地说，如果越大，那么也会大一些。大数定律形式有很多种，我们仅介绍几种最常用的大数定律。定理（伯努利大数定律）设是n重伯努利实验中事件A出现的次数，且A在每次试验中出现的概率为p（0p1）,则，有 （5）此定理表明：当n很大时，n重伯努利试验中事件A发生的频率几乎等于事件A在每次试验中发生的概率，这个定律以严格的数学形式刻画了频率的稳定性，因此，在实际应用中，当试验次数很大时，便可以用事件发生的频率来代替事件的概率。定理（切比雪夫大数定律）设是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，则对于任意的,有 （9）在上述的定理中，因为用到切比雪夫不等式，都有对方差的要求，其实方差这个条件并不是必要的。例如独立同分布时的辛钦大数定律定理（辛钦大数定律） 设是独立同分布的随机变量序列,且有有限的数学期望,则对于任意的,有 （10）上式也可表示为或,并且称依概率收敛于.定理（泊松大数定律）设是相互独立的随机变量序列,，，其中，则服从泊松大数定律。泊松大数定律是伯努利大数定律的推广，伯努利大数定律证明了事件在完全相同的条件下重复进行的随机试验中频率的稳定性；而泊松定理表明，当独立进行的随机试验的条件变化时，频率仍然具有稳定性：随着n的无限增大，在n次独立试验中，事件A的频率趋于稳定在各次试验中事件A出现概率的算术平均值附近。定理（马尔科夫大数定律）对于随机变量序列,若有则有3.证明随机大数定律的充要条件证明：由已知条件已知，对于每个正数，g（）0，则其中，是的分布函数，从而引理1得证 。引理2 设与g（x）是同引理1，则对于每个正数，有证明更具g（x）是有界的且不减函数，则存在Sup（|x|），从而得到：原式=g（||）EI（||））其中，是的分布函数，从而引理2得证 。引理3 独立随机变量组列{Xnk ; k=1, 2, …, kn,n=1, 2, …, } 满足无穷小条件且的充要条件是对于任意给定的0和0，（2）.定理及证明定理1 设{Xk ; k1}是随机变量序列，每个EXk都存在，{Un ; n叟1}是取正整数值的随机变量序列，则{Xk ; k1}, 依{Un ; n1}的随机弱大数定律成立的充要条件是：存在定义在[0，+∞）上的有界不减函数g(x)，在0 的右邻域取正值，g(+0)=g(0)=0，使Eg→0， (n→∞)。其中， 证明： 对于每个正数ε及满足定理1 条件的g(x)，由引理1 和引理2 得到从而得到由此定理1得证。定义1 称随机变量序列{Yn ; n1} 是弱稳定的，如果存在常数序列{an ; n1}和{bn ; n1}，0an∞，使得定义2 称称随机变量序列{Yn ; n1}是服从弱大数定律，如果{Sn ; n1} 是弱稳定的，这里Sn=ΣXk。定理2 对于独立的随机变量序列{Xn； n1}存在常数列{an ；n1 } ，0an∞ 。使得的充要条件是：如果取，则有证明：充分性： 对于任意给定的0因此所以必要性：由引理3 只需证明Xnk=Xk/an满足无穷小条件即可 记：Sn=nk=1 ΣXk，设ε和δ是任意正数，由(1)式，存在N=N(ε, δ)，当nN时，对于一切的kN，存在N′=N′(ε, δ)，使得nN′而当nN 时，对于任意