中心极限定理-数学帮Math110.doc

第五章 中心极限定理 教学要求 　 1．掌握切比雪夫不等式． 2．了解切比雪夫、伯努里、辛钦大数定律成立的条件及结论理解其直观意义． 3．掌握棣莫弗—拉普拉斯中心极限定理和列维—林德伯格叫心极限定理(独立同分布中心极限定理)的结论和应用条件，并会用相关定理近似计算有关随机事件的概率． 本章重点：运用中心极限定理近似计算有关随机事件的概率 教学手段：讲练结合 课时分配：4课时 本课程一开始引入事件与概率的概念时，我们就知道就一次试验而言，一个随机事件可以出现也可不出现，但作大量的重复试验则呈现出明显的规律性——统计规律性。即，任一事件出现的频率是稳定于某一固定数的，这固定数就是该事件在一次试验下发生的概率，这里说的“频率稳定于概率”实质上是频率依某种收敛意义趋于概率，“大数定律”就是解释这一问题的。 另外在前一章介绍正态分布时，我们一再强调正态分布在概率统计中的重要地位和作用，为什么实际上有许多随机现象会遵循正态分布？这仅仅是一些人的经验猜测还是确有理论依据，“中心极限定理”正是讨论这一问题的。 §5.1随机变量序列的两种收敛性 假设是定义在同一概率空间（，F, P）上的一列随机变量，显然，其中每个r.v，可以看成是定义在概率空间上的一个有限可测函数，因此，我们可以象在实变函数论中对可测函数列定义收敛性一样，给出随机变量列{}的收敛性概念。 以下我们讨论时，总假定r.v列{}和r.v.都是定义在同一概率空间（，F,P）上的，对于某样本点，显然{}可视为一普通实数列，则可看作一实数，此时若有，则称随机变量列{}在点收敛到。若对任意，均有 ，则称{}在上点点收敛到。但在本章的讨论中，我们没有必要对{}要求这么高，一般是考虑下面给出的收敛形式。 定义5.1 设有一列随机变量，如对任意的＞0，有 （5.1） 则称{}依概率收敛到，并记作 （5.2） 或 （5.3） （5.1）式也等价于 从定义可见，依概率收敛就是实函中的依测度收敛。 我们知道，随机变量的统计规律由它的分布函数完全刻划，当时，其相应的分布函数与之间的关系怎样呢？ 例5.1 设都服从退化分布： 对任给＞0，当n＞时，有 所以 而的d.f为 的d.f为 易验证 当时，有→（n→） 但，不趋于 上例表明，一个随机变量依概论收敛到某随机变量，相应的分布函数不是在每一点都收敛，但如果仔细观察这个例，发现不收敛的点正是的不连续点，类似的例子可以举出很多，使人想到要求在每一点都收敛到是太苛刻了，可以去掉的不连续点来考虑。 定义5.2 设{}为一分布函数序列，如存在一个函数，使在的每一连续点x，都有 则称分布函数列{}弱收敛于，并 记作 （5.4） 定义5.3 设r.v.和的分布函数分别为，，若 ，则称按分布收敛于，并记作 （） 定理5.1 若，则 证 对于，因有 故 即 因 ，故 所以有 同理可证，对 有 于是对任意 有 令，有 若x是的连续点，就有。 证毕。此定理的逆不真。 例5.2 抛掷一枚均匀硬币，记=“出现正面”，=“出现反面” 则 令 n=1，2，…… 因与完全相同，显然有→对成立。 但 =。 对成立 ∴ 不成立。 一般来说，按分布收敛不能推出依概率收敛，但在特殊情况下，却有下面的结果。 定理5.2 设C是一常数，，则 （即）， 证（）由定理4.1推得 （）（不妨就设）对任给0，有 (5.5) 因 的分布函数为 只在处不连续，而处都是连续的，由 令得 本章将要向大家介绍的大数定律实际上就是随机变量列依概率收敛于常数的问题，由定理5.2知，它可归结为相应的分布函数列弱收敛于一退化分布，而中心极限定理就是随机变量的分布函数列弱收敛问题，可见分布函数列的弱收敛在本章讨论中占重要地位。然而，要直接判断一个分布函数列是否弱收敛是很困难的上一章我们就知道，分布函数与特征函数一一对应，而特征函数较之分布函数性质优良很多，故判断特征函数的收敛一般较易，那么是否有 相应的 答案是肯定的。 定理5.3 分布函数列{}弱收敛于分布函数的充要条件是相应的特征函数列{}收敛于的特征函数 例5.4 若～证