第五章 基本极限定理
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
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(车贝晓夫)不等式;
2、了解车贝晓夫大数定理及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】车贝晓夫不等式,车贝晓夫大数定理及Bernoulli 大数定理。 【本章难点】对车贝晓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】
§5.0 前 言
在第一章中我们曾提出,大量重复试验中事件发生的频率具有稳定性,随着试验次数n 的无限增大,事件A 在n 次试验中出现的次数n μ与试验次数之比n
n μ(即频
率)稳定在某个确定的常数附近(频率的稳定性),以此常数来近似作为事件A 在一次试验中发生的概率,并在实际中,当n 充分大时,用频率值作为概率值的近似估计。对于这些,我们需要给出理论上的说明,而这些理论正是概率论的理论基础。
§5.1 切比雪夫不等式及大数定律
一、切比雪夫不等式
定理1 设随机变量ξ具有有限的期望与方差,则对0>∀ε,有
2
)
())((εξεξξD E P ≤
≥-
或2
)
(1))((ε
ξεξξD E P -
≥<-
证明:仅对连续的情形给予证明,设ξ的分布函数为)(x F ,则
⎰⎰≥-≥
--≤=
≥-ε
ξ
ε
ξε
ξεξξ)(2
2
)()())(()())((E x E x x dF E x x dF E P
2
22
)
()())((1
εξξεD x dF E x =
-≤⎰
∞
+∞
-
该不等式表明:当)(ξD 很小时,))((εξξ≥-E P 也很小,即ξ的取值偏离)(ξE 的可能性很小。这再次说明方差是描述ξ取值分散程度的一个量。 在理论上切比雪夫不等式常作为其它定理证明的工具。
二、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) 定义:设{}n ξ是随机变量序列,它们都具有有限的数学期望 ),(),(21ξξE E ,若对
0>∀ξ,011lim 11=⎪⎭
⎪
⎬⎫⎪⎩⎪⎨⎧≥⎪⎭⎫ ⎝⎛-∑∑==∞→εξξn i i n i i n n E n P ,则称{}n ξ服从弱大数定律。
定理2(车贝晓夫大数定律)设相互独立的随机变量n ξξ,,1 分别具有数学期望
)(,),(1n E E ξξ 及方差)(,),(1n D D ξξ ,若存在常数C 使 ,2,1)(=≤i C D i ξ(方差一致有界),则}{n ξ服从大数定律。
既对任意的0>ε,有0})(11{lim 11=≥-∑∑==∞→εεεn i n
i i i n E n n P
证明:由车贝晓夫不等式知:,0>∀ε有:
)(0)1(1})(11{022********∞→→=≤=≤≥-≤∑∑∑∑====n n C
n nC n D n D E n n P n
i i
n
i i n i n i i i ε
εεξ
ξεεξξ
注: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Poisson 大数定律。
定理3(Bernoulli 大数定理)设n μ是n 重Bernoulli 试验中事件A 出现的次数,已知在每次试验中A 出现的概率为)10(<
∀ε,
0lim =⎭
⎬⎫
⎩⎨⎧≥-∞
→εμp n P n n
证明:令⎩⎨
⎧=不出现
次试验中第出现次试验中第A i A i i 0
1
ξ,n i ,1,2, =
则n n μ=∑=n
i i n 11ξ,P E i =)(ξ,41)1()(≤-=P P D i ξ,n i ,1,2, =
于是由切比雪夫不等式,对0>∀ε,有
()⎭⎬⎫⎩⎨⎧≥-=⎪⎭
⎪
⎬⎫⎪⎩⎪⎨⎧≥⎪⎭⎫ ⎝⎛-=⎭⎬⎫⎩⎨⎧≥-∑∑∑===εξξεξξεμn i i n i i n i i n E n P n E n P P n P 111)(111
()0)
(1)(11
2
11
2212→=
=⎪⎭⎫
⎝⎛-≤∑∑==ε
ξξεξξεn D n E n D n
i i n i i )(∞→n 即
P n
n
→μ )(∞→n 。故{i ξ}服从大数定律。
可见,只要把)2,1( =i i ξ看作服从(0-1)分布的随机变量即可。Bernoulli 大数定律在理论上说明了在大量重复独立实验中,事件出现频率的稳定性,正是因为这种稳定性,概率才有客观意义。
而Poisson 大数定律则为切比雪夫大数定律的另一特例
定理4(Poisson 大数定律)设n μ是n 次独立试验中事件A 出现的次数,已知在第i 次试验中A 出现的概率为i p (10<∀ε
∞→n lim {|n n μ—n 1∑=n
i Pi
1
≥ε}=0
证:(略)
显然,Poisson 大数定律是作为Bernoulli 大数定律的推广,它表明随着n ∞→,n 次独立试验中事件A 出现的概率稳定于各次试验中事件A 出现的概率的算术平均值。
推论:设n ξξ,,1 是相互独立的随机变量,且服从相同的分布,
,2,1)(,)(2
===i D E i i σξμξ,则,0>∀ε有:
0}1{lim 1=≥-∑=∞→εμξn i i n n P ⇒1}1{lim 1
=≤-∑=∞→εμξn
i i n n P 即∑=n i i n 11ξ以概率1收敛