第四章大数定律与中心极限定理.docxVIP

第四章 大数定律与中心极限定理 一、 教学要求 1.深刻理解并掌握大数定律，能熟练应用大数定律证明题目； 2?理解随机变量序列的两种收敛性，了解特征函数的连续性定理； 3.深刻理解与掌握中心极限定理，并要对之熟练应用。 二、 重点与难点 本章的重点是讲清大数定律与中心极限定理的条件、 结论，难点是随机变量序列的两种 收敛及大数定律和中心极限定理的应用。 § 4. 1大数定律 一、大数定律的意义 1.引入 在第一章中引入事件与概率的概念时曾经指出， 尽管随机事件 A在一次试验可能出现 也可能不出现，但在大量的试验中则呈现出明显的统计规律性一一频率的稳定性。 频率是概 率的反映，随着观测次数 n的增加，频率将会逐渐稳定到概率。这里说的“ 频率逐渐稳定于 概率”实质上是频率依某种收敛意义趋于概率 ，这个稳定性就是“大数定律”研究的客观 背景。 详细地说：设在一次观测中事件 A发生的概率P A p，如果观测了 n次（也就是一 个n重贝努利试验）,A发生了 n次，则A在n次观测中发生的频率为 —，当n充分大时, n 频率」逐渐稳定到概率np 频率」逐渐稳定到概率 n p。若用随机变量的语言表述, 就是：设Xi表示第i次观测中事件 A发生次数，即1, A发生次数，即 1, 第i次试验中A发生 0, 第i次试验中A不发生 i 1,2, ,n 则X1, X 则X1, X2,L , Xn是n个相互独立的随机变量，显然 Xi i 1 ,从而有 n Xi. n i 1 因此“」稳定于p ”，又可表述为n次观测结果的平均值稳定于 p。 n 现在的问题是：“稳定”的确切含义是什么？ — 稳定于p是否能写成 n lim n n n p （1） 亦即，是否对 0， N,当n N时，有 n p ? （2） n 对n重贝努里试验的所有样本点都成立？ 实际上，我们发现事实并非如此，比如在 n次观测中事件 A发生n次还是有可能的, 此时 n n,n1，从而对0p，不论N 此时 n n, n 1，从而对0 p，不论N多么大，也不可能得到 成立。也就是说， 在个别场合下，事件（ ）还是有 可能发生的，不过当 n很大时，事件（ ）发生的可能性很小。例如, 对上面的 n n，有 P 显然，当n时,0，所以“ 显然，当n 时, 0，所以“ 丄稳定于p” n 是意味着对 0,有 （概率上“fl 于刍稳定于n开创了另一形式的极限定理limnP(l n （概率上“ fl 于刍 稳定于 n 开创了另一形式的极限定理 lim n P(l n 还有其他提法，如波雷尔建立了 ---强大数定律的研究） (3) p(lim」 n n p） 1，从而 沿用前面的记号，（3） 沿用前面的记号，（3） 1 式可写成lim P（ n n Xi n i 1 般地，设X1, X 般地，设X1, X2, L ,Xn, L是随机变量序列, a为常数，如果对 0,有 (4 (4) 1 n lim P(— Xi a n n i 1 1 1 lim P( Xi a n n i 1 n Xj稳定于a。 i 1 大数定律。概率论中，一切关于大量随机现象之平均结果稳定性的定理，统称为 大数定律。 2?定义 若将（4）式中的a换成常数列a1 ,a2, ,an,，即得大数定律的一般定义。 定义 4.1 若 X1, X2, L,Xn, L是随机变量序列，如果存在常数列 定义 4.1 若 X1, X2, L 使对0，有 使对 1 lim P(— Xi an n n i 1 成立，则称随机变量序列 Xn服从大数定律。 若随机变量 Xi具有数学期望EXi, i 1,2, L，则大数定律的经典形式是: EX EXi 1 0，有 1 lim P(- n n i 这里常数列an EXi, n 1,2,L 二、大数定律 本段介绍一组大数定律,设 X 本段介绍一组大数定律, 设 X1,X2,L 随机变量序列，我们总假定 EXi,i 1,2,L EXi,i 1,2,L 存在。 定理4.1 （马尔可夫大数定律） 如果随机变量序列｛ Xn｝，当n 时，有 Ad n Ad n n Xi i 1 证明：X 证明：Xn 服从大数定律。 证明： 证明：对 0，由切比雪夫不等式，有 因此故Xn0 P(XiXi服从大数定律。1nEXin i 112 Dn 因此 故Xn 0 P( Xi Xi 服从大数定律。 1nEXi n i 1 12 D nm P( lim P( n 此大数定律称为马尔可夫大数定律， P( Xi n Xi) i 1 Xi 1 0, n Xi Xi EXi EXi n i 1 (* )式称为马尔可夫条件。 定理4.2 (切比雪夫大数定律) 设Xl X2,L , Xn,L是一列独立随机变量列，若存在常数 DXiC,i1,2,L则随机变量序