张彤的自学报告.docVIP

上海大学2014～2015学年秋季学期本科生 课程自学报告 课程名称： 《概率论与随机过程》 课程编号： 题目: 大数定理在生产生活中的应用 学生姓名: 张 彤 学 号: 评语: 成 绩: 任课教师: 冯国瑞 评阅日期: 大数定理在生产生活中的应用 2014年10月22日 摘 要：这是《概率论与随机过程》课程的课外自学报告，本文主要是对自学内容的总体小结，以及大数定理在生产生活中的应用实际案例分析。 一 自学内容小结 自学内容主要包括两方面，随机变量和随机过程中的随机序列。随机事件的研究从随机变量开始，随机变量是随机事件的数量表现，要完备的描述随机变量就必须包括两个方面，在不要求全面考察随机变量的变化情况时，可研究随机变量的一些数字特征。期望，方差，协方差和相关系数等。但要比较全面的描述实际过程，就要研究随机变量的分布函数和概率密度函数。但是分布函数不易求得，于是我们引进随机变量的特征函数来求解概率密度函数。 1.随机变量的特征函数 随机变量的特征函数实质就是概率论的傅里叶变换，我们通过构造特征函数，将陌生转变成熟悉，能方便的展现随机变量的分布,??利用特征函数的一些性质，往往能使问题得到简化，比如求分布的数学期望和方差等。 求独立随机变量之和的概率密度函数时，特征函数是很有用的，它可以用来求随机变量的矩。特征函数定义为： 其实质是概率密度函数的傅里叶变换。对应联合概率密度也有联合特征函数。其性质里面我认为最有用的就是随机变量的和的特征函数等于各随机变量特征函数的积，在求得新变量的特征函数后反演就得到新随机变量的概率密度。进而求得随机变量的分布函数。其次是求矩公式，N阶原点矩就对特征函数求N次导数。通过这个性质可以很方便的求出方差。 特征函数的性质： 性质1 两两相互独立的随机变量之和的特征函数等于各个随机变量的特征函数之和。 性质2 随机变量X的n阶原点矩可由其特征函数的n次导数求得。 2.大数定理与中心极限定理 大数定理（包括弱大数定理和伯努利大数定理）是确切的数学形式表达了大量重复出现的随机现象的统计规律性，即随机变量的前一些项的算术平均值收敛于这些项的均值的算术平均值。大数定理论证了频率的稳定性，从而可以用一个数来表征事件发生的可能性大小，如多次抛硬币后每次正反面的概率趋于0.5，在看似偶然的事件中显示出规律。 弱大数定理：设随机变量X1，X2，…，Xn，….相互独立，且具有相同的 和 ，（k=1,2,……），则 有： 伯努利大数定理：设 是是n次独立试验中事件A中发生的次数，p是A在每次试验中发生的概率，则 有： 独立同分布的中心极限定理：设随机变量X1, X2,…, Xn, …相互独立，服从同一分布， 和 ≠0，k=1,2,…,则随机变量的分布函数满足 实际系统中，常会出现某些随机变量是由大量（重复次数n很大）的互相独立的随机变量综合影响而成的。大数定理告诉我们多次独立重复试验中事件发生的频率可代替该事件发生的概率。由中心极限定理，若已知均值及其方差，当抽取的n充分大时，其近似服从正态分布。这样给我们提供了一个计算分析大量重复随机变量的理论工具。 在每次随机试验中出现的结果可能不同，但大量重复试验出现的结果的平均值却几乎总是接近于某个确定的值，所以当研究的是N次独立的实验时，可以用事件发生的频率代替事件发生的概率，这就是大数定理。而中心极限定理就是将一些原本不是正态分布的一般相互独立的随机变量的总和的分布近似成正态分布。从而求得随机变量的概率密度函数。这些相互独立的随机变量都对总体造成的影响很小。从中心极限定理，可以很明显的感觉到正态分布的重要性。 3.随机序列及其统计特性 所谓随机序列就是将连续随机过程进行等间隔抽样。因为在实际研究中，连续随机过程处理起来很不方便，通过采样既可以获得我们要研究的内容又可以减少工作量，就像数字信号处理也是这个道理。对随机序列的研究过程也类似于连续随机过程，不过要用数字特征的描述方法，所以引入了均值向量、自相关矩阵和协方差矩阵。随机过程的重要性，就是研究随机序列的一些统计学特性，特别是“时相关”特性。 随机过程是依赖于时间t的一族随机变量，而随机序列是一种特殊的随机过程，它是连续随机过程在时间轴上抽样生成。在我们数字信号处理过程