第八讲大数定律与中心极限定理实验.doc

第八讲 大数定律与中心极限定理实验 一、实验目的及意义 (1) 学习依概率收敛和依分布收敛的统计思想和基本原理； (2) 掌握随机模拟和随机逼近的基本方法； (3) 熟悉Mathematica软件进行随机模拟的实现方法； (4) 通过范例学习，熟悉随机模拟的基本思想和常用方法。 二、实验内容 (1) 对一些实际问题进行随机模拟建模与分析： (提出假设→确定随机模型→数值模拟计算→结果验证)； (2) 对一些简单的数学问题进行随机模拟计算； (3) 使用mathematica软件包进行随机模拟，分析相应的模拟结果。 在通讯、计算机网络等一些工程应用问题中，通常需要进行大量的仿真模拟，目前采用最多的随机模拟方法是Monte Carlo方法，初等概率统计中的大数定律就是该方法的数学原理之一。 在概率中，一般采用随机变量X来描述和分析随机现象，随机变量X从本质上来说是一函数，但随机变量X这个函数和我们在高等数学中学过的函数稍有所不同： 定义域不同： 等数学中的函数f(x)，其定义域和值域都是实数R； 而随机变量X的定义域是一非常抽象的集合――样本空间 研究方法不同： 实数域R具有非常好的性质，如它是个全序集，具有拓扑结构和线性结构等等，所以对其上的函数f(x)我们可研究其是否连续和可导等函数本身的性质； 而样本空间通常仅仅是一个非空集合而已，没有任何其他可用的数学性质，这样就无法采用普通函数f(x)的一些研究方法来研究随机变量X，而是通过研究随机变量X的分布函数F(x)或其数字特征来研究其统计规律。 但在实际应用中，通常很难得到随机变量X的分布函数F(x)和其数字特征，能收集到的只是关于该随机变量的一些实验观察数据(称为样本)，那么如何通过这些样本来得到该随机变量X的分布函数F(x)或其数字特征，这就成了我们需要解决的关键问题之一。而大数定律和中心极限定理就为解决上问题提供了一种数学途径。 三、大数定律与中心极限定理的基本内容 大数定律和中心极限定理主要研究的是大数量随机实验的一种极限性质，在初等概率论中涉及到的随机变量的极限主要有以下三种收敛： 几乎处处收敛 设是一列随机变量，是一随机变量，若有： 则称随机变量列几乎处处收敛到，记为 依概率收敛 设是一列随机变量，是一随机变量，若对 任意的，有： 则称随机变量列依概率收敛到，记为 依分布收敛 设是一列随机变量，是一随机变量，记 的分布函数分别记为 ，若对 的任一连续点，有 则称随机变量列依分布收敛到，记为 大数定律 大数定律主要描述了大数量随机实验平均结果的稳定性，揭示了随机现象的一种统计规律。 大数定律的定义：设是一列相互独立的随机变量序列，数学期望均存在，若有： 即对任意的，有： 则称随机变量序列服从大数定律。 大数定律为估计随机变量的数字特征如数学期望提供了一种途径：即用大量随机实验的观察值的平均值来近似其数学期望。 大数定律首要解决的问题是；当随机变量序列满足什么条件时，才服从大数定律？ 常用的大数定律有： 契比雪夫大数定理的特殊情形 设随机变量序列是相互独立，且有相同的数学期望和方差： 则随机变量序列服从大数定律，即对任意的 ，有： 伯努利大数定理 设是n次独立重复试验中事件A发生的次数，p是事件A在每次试验中发生的概率，即P(A)=p，则对任意的 ，有： 辛钦大数定理 设随机变量序列是相互独立，服从同一分布，且其数学期望存在：，则随机变量序列服从大数定律，即对任意的 ，有： 中心极限定理 中心极限定理主要研究大数量独立随机变量和的分布函数的极限，揭示了大量独立随机因素综合影响的一种统计规律。 中心极限定理的定义：设是一列相互独立的随机变量序列，其数学期望和方差均存在： ，记 则随机变量序列是一标准化随机变量序列，即 设其分布函数为：，若随机变量序列依分布收敛到标准正态分布N(0，1)x，有： 则称随机变量序列服从中心极限定理。 常用的中心极限定理： 独立同分布的中心极限定理 设随机变量序列相互独立，服从同一分布，且数学期望和方差存在：，则随机变量序列服从中心极限定理，即对任意的x，有： De Moivre--Laplace定理 设随机变量服从参数为n，p(0p1)的二项分布，则对于任意的x，有 Liapunov定理 设随机变量序列相互独立，且数学期望和方差存在： 记 若存在正数，使得 则随机