第四章大数定律与中心极限定理.ppt

第四章 大数定律与中心极限定理 特征函数是处理许多概率论问题的有力工具. 它能把寻求独立随机变量和的分布的卷积运算转换成乘法运算. 它能把求分布的各阶原点矩(积分运算)转换成微分运算. 它能把寻求随机变量序列的极限分布转换成一般的函数极限问题. 它能完全决定分布函数. 它具有良好的分析性质函数． §1.3 特征函数的性质 §1.4 分布函数的再生性 契比雪夫大数定律的特殊情况 §4.2 独立同分布的中心极限定理 §4.3 二项分布的正态近似 定理[林德贝尔格-勒维(Lindeberg-Levy)定理] :设{Xk}为独立同分布的随机变量序列,且具有数学期望E(Xk)=μ和方差D(Xk)=σ2 ,则随机变量 的分布函数Fn(x),对于任意x,满足 证明 例: 将一颗骰子连掷100次，则点数之和不少于500的概率是多少？ 解:设Xk为第k 次掷出的点数,k=1,2,…,100,则X1,…,X100独立同分布. 由中心极限定理 例:一加法器同时收到20个噪声电压Vk (k=1,2,…,20),它们相互独立且都在区间[0,10]上服从均匀分布,噪声电压总和V=V1+V2+…+V20,求P{V105}的近似值. 解 易知E(Vk)=5,D(Vk)=100/12,由独立同分布的中心极限定理知 近似服从标准正态分布N(0,1),于是 解 解 定理(辛钦大数定律):设{Xk}是相互独立同分布的的随机变量序列,若有数学期望E(Xk)=μ (k=1,2,…),则对于任意给定的ε0,恒有 注:若对同一随机变量X进行观察,把第k次观察的结果看着一个随机变量Xk,则{Xk}是相互独立且与X同分布的随机变量序列.由辛钦大数定律知:对随机变量X进行n次观察的算术平均值依概率收敛于其数学期望E(X),这就为寻找随机变量的数学期望提供了一条切实可行的途径. 辛钦 解 §3 随机变量序列的收敛性 则称随机变量序列{Xn}依概率收敛于X,记为 定义：设{Xn}是随机变量序列,若存在随机变量X(或常数),对于任意ε0,有 §3.1 依概率收敛 定理:设{Xk}依概率收敛于a, {Yk}依概率收敛于b,f(x,y)在点(a,b)连续,则f(Xk , Yk)依概率收敛f (a,b). 证明:因f(x,y)在点(a,b)连续,故对任给的ε0,存在δ0,当(x-a)2+(y-b)2 δ2时有 {|f(Xk , Yk)- f (a,b)|≥ε} ?{(Xk -a)2+(Yk -b)2 ≥δ2} |f(x,y)- f (a,b)|ε 于是 ? {(Xk -a)2 ≥δ2/2} ∪{(Yk -b)2 ≥δ2/2} ? {|Xk -a| ≥δ/√2} ∪{(Yk -b)2 ≥δ2/√2} 故有 0≤P{|f(Xk , Yk)- f (a,b)|≥ε} ≤P ({|Xk -a| ≥δ/√2} ∪{(Yk -b)2 ≥δ2/√2}) 由于 所以 推论:设{Xk}依概率收敛于a, {Yk}依概率收敛于b,则 (1) {Xk±Yk}依概率收敛于a±b; (2) {XkYk}依概率收敛于ab; (3)当b≠0时, {Xk/Yk}依概率收敛于a/b. 注:此定理及推论可以推广到有限个随机变量序列的情形. 定义：设{Xn}是随机变量序列,若存在随机变量X(或常数),使得 则称随机变量序列{Xn}以概率1收敛于X,或称几乎处处收敛于X,记为 §3.2 以概率收敛 在上面所讲的收敛概念中,尚未直接涉及到随机变量序列{Xn}的分布函数列{Fn(x)}和随机变量X的分布函数F(x)之间的关系,而分布函数又完整地刻划了随机变量的统计规律,因此有必要讨论{Fn(x)}与F(x)之间的关系. §3.3 依分布收敛 定义:设F(x), F1(x), F2(x),…是一列分布函数,如果对F(x)的每个连续点x,都有 则称分布函数列{Fn(x)}弱收敛于分布函数F(x),并记作 如果随机变量序列{Xn}的分布函数列{Fn(x)}弱收敛于随机变量X的分布函数F(x),则称{Xn}依分布收敛于X,并记作 §3.4 三种收敛的关系 以概率1收敛 ?依概率收敛 ?依分布收敛 而其逆都有不真. 定理:随机变量序列{Xn}以概率1收敛于X的充要条件是:对任意的ε0,有 不加证明地给出如下定理 定理:若随机变量序列{Xn}以概率1收敛于X,则{Xn}依概率收敛于X. 证明:显然对任意n有 由于随机变量序列{Xn}以概率1收敛于X 即{Xn}依概率收敛于X. 定理:若随机变量序列{Xn}依概率收敛于X,则{Xn}依分布收敛于X. 证明:设随机变量序列{Xn}和随机变量X的分布函数分别为{Fn(x)}和