概率论自学报告~.docVIP

-_ PAGE 上海大学2013～2015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》 课程编号报告题目：大数定理与中心极限定理的实际应用 学生姓名：陈璐 学 号任课教师：任艳丽 成 绩： 评阅日期： 大数定理与中心极限定理的实际应用 摘 要： 概率论是研究随机现象统计规律性的学科。而随机现象的规律性在相同的条件下进行大量重复试验时会呈现某种稳定性，而这种稳定性就是我们将要讨论的大数定律的客观背景。在数学的应用中，一般都是利用大数定律和中心极限定理一起来应用。本文根据在不同的条件下存在的大数定律和中心极限定理做了具体的分析，给出了一些相关应用，并进一步地阐明了大数定律与中心极限定理在各分支学科中的重要作用和应用价值。 一、自学小结 1.7随机变量的特征函数 （1）随机变量的特征函数定义为。 由定义式可见，C(u)和f(x)是一对傅立叶变换对，同理C*(u)和f*(x)也是一对傅立叶变换对。 （2）特征函数的性质： ①两两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积。 ②随机变量的N阶原点矩可由特征函数的N次倒数求得。 ③将特征函数在原点用台劳级数展开，该级数说明随机变量的密度函数可由它的各阶矩唯一地确定。 1.8 大数定理与中心极限定理 （1）大数定理：随着试验次数的增多，事件发生的频率逐渐趋于其概率；大量测量值的算术平均值随着测量次数的增加也具有稳定性，这就是大数定律。数学表达式如下： ； 其中X1~Xn是相互独立的随机变量，且具有相同的E(Xk)=u，D(Xk)= 。 （2）中心极限定理： 对于，两个随机变量，它们的分布函数Fn(x)满足，。其中，X1~Xn是相互独立的随机变量，且具有相同的E(Xk)=u，D(Xk)= 。由式子可以看出当n很大的时候，Y(n)和Z(n)近似服从正态分布N(0，1)。由以上又可以推出对于任意区间（a，b]有，其中是具有参数为n，p的二项分布。 2.3 随机序列及其统计特性 （1）定义：将连续随机过程X（t）以ts为间隔进行等间隔抽样（记录），即可获得随机序列。 对于固定的j，Xj为一个随机变量，一个N点的随机序列可以看成是N维的随机向量，即 （2）对Xj的统计特征描述： ①定义均值向量：； ②自相关矩阵； ③协方差矩阵 自相关阵与协方差阵之间的关系：Cx=Rx-MxMx^T （3）自相关阵的性质： ①对称性； ②半正定性，即对任意的N维随机向量F，该式成立：F^T Rx F=0。 3.3平稳随机序列的自相关阵与协方阵 （1）定义：平稳随机序列的自相关阵与协方阵是Toeplitz矩阵，所谓Toeplitz矩阵，就是每一对角线上的元素都是相同的矩阵，其满足对称性。 （2）结论：只需要一行或一列元素就可以唯一确定自相关阵与协方阵。 （3）自相关阵的正定形式：当自相关矩阵的维数过大时，我们求解问题就会变得复杂，这时可以将矩阵进行特征分解，将它表示成正则形式的对角化方法。其正则形式：R=Q?λQ^（-1） 5.5 随机序列通过离散线性系统 (1)对于一个离散系统而言，输出y(n)=x(n)*h(n)，其中x(n)是输入，h(n)是系统传输函数。 由z变换可得其模型传递函数为：，这就是自回归滑动平均模型（ARMA）。 当ai=0时，有滑动平均模型（MA）：， 当b0=1且bl=0时，有自回归模型（AR）： 其实滑动平均模型（MA）和自回归模型（AR）是自回归滑动平均模型（ARMA）的两个特例。 (2)时域分析： 当输入是随机序列X(n)，则三种系统模型的输出分别为： ARMA模型: ， MA模型: ， 其自相关函数 ，当输入X(n)为白序列时，，。 AR模型: ， 其自相关函数，，该方程组称为Yule-Walker方程。 (3)频域分析： 由离散傅里叶变换可得 MA模型: ，功率谱密度 AR模型: 对于随机序列通过离散线性系统的分析,先求其H(z)，再转换成H(w)。根据功率谱密度的公式可以求出Gy(w)，知道了功率谱密度函数也就可以求出其自相关函数。 二、大数定理与中心极限定理的实际应用 2.1大数定理与中心极限定理 大数定律表明大量样本的统计值的平均数稳定于某一值。如频率稳定于概率，样本的均值接近总体均值，最常用的例子就是掷硬币，抛一万次正面出现的频率不断向0.5逼近，并稳定于0.5，使得频率稳定于概率。在看似偶然的事件中显示出规律。 中心极限定理表明样本足够大时，样本服从正态分布。例如对一千居民收入随机调查，发现无论低收入还是高