基本极限定理.doc

第五章 基本极限定理【授课对象】理工类本科二年级【授课时数】2学时【授课方法】课堂讲授与提问相结合【基本要求】1、理解切比雪夫不等式；2、了解切比雪夫大数定理及Bernoulli大数定理；3、知道独立同分布的中心极限定理，了解德莫佛拉普拉斯中心极限定理。【本章重点】切比雪夫不等式，切比雪夫大数定理及Bernoulli大数定理。【本章难点】对切比雪夫大数定理及独立同分布的中心极限定理的理解。【授课内容及学时分配】5.1 切比雪夫不等式及大数定律0.前言在第一章我们提到过事件发生的频率具有稳定性，即随着试验次数的增加，事件发生的频率逐渐稳定于某个常数，这一事实显示了可以用一个数来表征事件发生的可能性大小，这使人们认识到概率是客观存在的，进而由频率的三条性质的启发和抽象给出了概率的定义，而频率的稳定性是概率定义的客观基础。在实践中人们还认识到大量测量值的算术平均值也具有稳定性，而这种稳定性就是本节所要讨论的大数定律的客观背景，而这些理论正是概率论的理论基础。下面介绍三个定理，它们分别反映了算术平均值及频率的稳定性。一、大数定律(包括强大数定律和弱大数定律，本书主要讲弱大数定律) 事件的频率稳定于概率，能否有，答案是否定的。而是用以概率收敛来刻划（弱）。或者用a.e.收敛 来刻划（强）。定义：设是随机变量序列，如果存在常数列，对，恒有，则称服从弱大数定律。二、切比雪夫大数定律1切比雪夫不等式 设随机变量具有有限的期望与方差，则对，有或证明：我们就连续性随机变量的情况来证明。设，则有该不等式表明：当很小时，也很小，即的取值偏离的可能性很小。这再次说明方差是描述取值分散程度的一个量。切比雪夫不等式常用来求在随机变量分布未知，只知其期望和方差的情况下，事件概率的下限估计；同时，在理论上切比雪夫不等式常作为其它定理证明的工具。2定理1（切比雪夫大数定律）设是相互独立的随机变量序列，每一随机变量都有有限的方差，且一致有界，即存在常数，使，则对任意的，有即证明：由切比雪夫不等式知：有：该定理表明：当很大时，随机变量的算术平均值接近于其数学期望，这种接近是在概率意义下的接近。通俗的说，在定理的条件下，个相互独立的随机变量算术平均值，在无限增加时将几乎变成一个常数。推论：设是相互独立的随机变量，由相同的数学期望和方差，则有 （即以概率收敛于）这个结论有很实际的意义：人们在进行精密测量时，为了减少随机误差，往往重复测量多次，测得若干实测值，然后用其平均值来代替。切比雪夫大数定律是最基本的大数定理，作为切比雪夫大数定律的特殊情形有Bernoulli 大数定理和辛钦大数定律。三、Bernoulli 大数定理定理2：设是重Bernoulli试验中事件出现的次数，而是事件在每次试验中出现的概率，则对，证明：令，则相互独立且，故由切比雪夫大数定律立刻推出贝努里大数定律。或者，直接由切比雪夫不等式，对，有 即 。故服从大数定律。Bernoulli 大数定律表表明：事件发生的频率依概率收敛于事件的概率，这个定理以严格的数学形式表达了频率的稳定性。就是说当很大时，事件发生的频率于概率有较大偏差的可能性很小。由实际推断原理，在实际应用中，当试验次数很大时，便可以用事件发生的频率来代替事件的概率。切比雪夫大数定律（定理1）中要求随机变量的方差存在，但在这些随机变量服从相同分布的场合，并不需要这一要求，从而我们有以下的定理：四、辛钦大数定律定理3：设随机变量独立同分布，且具有数学期望，则有 （即以概率收敛于）证明：略。显然，Bernoulli大数定律是辛钦大数定律的特殊情况。5.2 中心极限定理0.前言在客观实际中有许多随机变量，它们是由大量的相互独立的随机因素的综合影响所形成的，而其中每一个因素在总的影响中所起的作用都是微小的，这种随机变量是近似地服从正态分布，这种现象就是中心极限定理的客观背景。中心极限定理的内容包含极限，因而称它为极限定理是很自然的，又由于它在统计中的重要性，称它为中心极限定理这是Poyla在1920年取得名字。设是相互独立的随机变量序列，它们的期望与方差均存在，考虑（标准化和），这时对于任意的都有，因而当时，不至于发生趋向于0或这种情形，这时讨论它的分布才有意义。下面研究的分布：一、定义1：设n为相互独立的随机变量序列，若其标准化和的分布函数P弱收敛于标准正态分布的分布函数,即P=，则称n服从中心极限定理。中心极限定理有多种不同的形式，下面我主要讲独立同分布的中心极限定理及其一特殊情形：二、定理1:(Levy-Lindeberg极限定理)独立同分布的中心极限定理设是独立同分布的随机变量序列，且（），均存在，则，有证：（略）该定理也可改写为：对，有 在一般情况下，很难求出n个随机变量之和的分布函数，该定理表明：当n充分大时，可以通过给出其近似分布，这样就可以利用正态分布对作理论分析或作实际计算，其好处是明显的。三、定理2（De Moivre-Laplace极限定理）(定理1的特殊情形)设是n重Bernoulli试验中成功的次数，已知每次试验成功的概率为，则对有 。该定理也可改写为：，有证明： 令 则为独立同分布的随机变量序列,且均存在显然：，此时该定理为上定理的一个特殊情形，故由上定理该定理得证。 中心极限定理表明：在相当一般的条件下，当独立随机变量的个数增加时，其和的分布趋于正态分布。因此，只要和式中加项的个数充分大，就可以不必考虑和式中的随机变量服从什么分布，都可以用正态分布来近似，这在应用上是有效的和重要的。作为以上两个定理的应用，我们给出下面例子：例1：（关于二项分布的近似计算式）设，试求解：令，其中 则为独立同分布的随机变量序列,且均存在，所以由中心极限定理可得：=【注】：在进行近似计算时，对于，因为表