大数定律及其应用的相关讨论.doc

大数定律及其应用的相关讨论

PAGE14

PAGE15

大数定律及其应用的相关讨论

1引言

概率论与数理统计是研究随机现象的统计规律的科学，而随机现象的统计规律性只有在相同条件下进行大量重复试验或观察才呈现出来．从概率的统计定义中可以看出：一个事件发生的频率具有稳定性，即随着试验次数的增多，事件的频率逐渐稳定在某个常数附近．人们在长期实践中观察其他一些随机现象时，常常会发现大量随机个体的平均效果也具有稳定性．深入思考后，人们会提出这样的问题：稳定性的确切含义是什么？在什么样的条件下具有稳定性？这就是大数定律所研究的问题．在随机事件的大量重复出现中，往往呈现几乎必然的规律，这个规律就是大数定律．通俗地说，这个定理就是，在试验不变的条件下，重复试验多次，随机事件的频率近似于它的概率．比如，我们向上抛一枚硬币，硬币落下后哪一面朝上本来是偶然的，但当我们上抛硬币的次数足够多后，达到上万次甚至几十万几百万次以后，我们就会发现，硬币每一面向上的次数约占总次数的二分之一．偶然必然中包含着必然．又如称量某一物体的重量，假如衡器不存在系统偏差，由于衡器的精度等各种因素的影响，对同一物体重复称量多次，可能得到多个不同的重量数值，但它们的算术平均值一般来说将随称量次数的增加而逐渐接近于物体的真实重量．随机变量序列向常数的收敛有多种不同的形式，常用的大数定律有：伯努利大数定律、辛钦大数定律、切比雪夫大数定律等．

本文将首先介绍大数定律的基本内容，并对大数定律的含义进行深入讨论，其次介绍三个常用的大数定律，分别对它们各自含义及应用范围做简要分析，并对它们之间的关系展开讨论，最后介绍大数定律在数学分析、统计学、保险学以及银行经营管理等领域中的应用.

2大数定律的基本内容

人们在实践中认识到频率具有稳定性，进而预见到概率的存在性，并且在实际应用中常用频率去估计概率．反映频率稳定于概率的极限理论即为大数定律，它揭示了概率的本质特征——存在性和唯一性.关于大数定律在不同的教课书中定义有所不同,一般可分为以下两种,现叙述如下:

定义1设{}为随机变量序列，并且存在，如果对任意的，恒有：

则称随机变量序列{}服从大数定律．

定义2设{}为随机变量序列，如果存在常数列，对任意的，恒有：

则称随机变量序列{}服从大数定律．

为了深入理解大数定律的含义，有必要对这两种定义进行一下讨论，

所谓大数定律，它是揭示大量随机现象的平均结果稳定于平均值的极限理论．而大量随机现象（即{}）的平均结果是，其平均值是．因此，从这一角度来考虑，定义1是恰当的．定义2与定义1的不同点在于它并不要求随机变量的期望存在，只要存在常数序列，使对任意的，恒有：

即可．为了弄清这两种定义的异同，我们必须讨论数列与数列之间的关系．

首先，当存在时，我们可以证明：

这个结果表明：当存在时，只需取，此时，定义1与定义2是等价的．

其次，当不存在时，由定义1知{}不服从大数定律，而此时仍可能存在常数列使定义2成立．综合上述，定义1与定义2不是等价的，定义2不仅在形式上而且在内涵上比定义1更广泛．

3三个常用的大数定律及其关系的讨论

大数定律的形式有很多，这里仅介绍三个最常用的三个大数定律，定律的证明在一般的教科书中都可以找到（见参考文献［1］），这里不再赘述．现在简述如下：

定理1（切比雪夫大数定律）

设{}为一相互独立的随机变量序列，又设它们的方差有界，即存在常数，使，则对任意的，有

．

切比雪夫大数定律说明经验平均值接近于理论平均值，也就是说一列相互独立的随机变量的样本值的算术平均数接近于这列随机变量平均结果期望值.这和我们平时的经验是相符合的.

定理2（辛钦大数定律）

设{}为一相互独立同分布的随机变量序列，且数学期望存在：则对任意的，有

．

辛钦大数定律说明随机变量的算术平均数接近于数学期望，这是测量中取平均值的理论依据．比如测量某一物体的长度，我们通常对同一物体重复测量多次，可能得到多个不同的长度数值，但它们的算术平均值一般来说将随测量次数的增加而逐渐接近于物体的真实长度．

定理3 （伯努利大数定律）

设是重伯努利试验中事件发生的次数，又在每次试验中出现的概率为，则对任意，有

．

伯努利大数定律说明频率具有稳定性，即频率依概率收敛于概率，这是用频率来估计概率的理论根据．因此,当我们无法计算一个随机事件的概率时,我们就可以做大量重复试验,用随机事件发生的频率来估计它的概率.

切比雪夫大数定律与辛钦大数定律之间的关系：切比雪夫大数定律只要求随机变量序列{}相互独立，而辛钦大数定律还要求其是同分布；切比雪夫大数定律条件中要求方差有限，而辛钦大数定律无此要求．

辛钦大数定律与伯努利大数定律的关系:伯努利大数定律是辛钦大数定律的特殊情况，在辛钦大数定律中，当随机变量序列{}