1.辛钦大数定理(弱大数定理)
设
X
1
,
X
2
,
…
X_1,X_2,\dots
X1,X2,…是相互独立,服从同一分布的随机变量序列,且具有数学期望
E
(
X
k
)
=
μ
(
k
=
1
,
2
,
…
)
.
E(X_k)=\mu(k=1,2,\dots).
E(Xk)=μ(k=1,2,…).作前
n
n
n个变量的算术平均
1
n
∑
k
=
1
n
X
k
,
\frac{1}{n}\sum_{k=1}^{n}X_k,
n1∑k=1nXk,则对于任意
ε
>
0
,
\varepsilon>0,
ε>0,有
l
i
m
n
→
∞
P
{
∣
1
n
∑
k
=
1
n
X
k
−
μ
∣
<
ε
}
=
1
lim_{n\to \infty}P\{|\frac{1}{n}\sum_{k=1}^{n}X_k-\mu|<\varepsilon\}=1
limn→∞P{∣n1k=1∑nXk−μ∣<ε}=1
辛钦大数定律又可叙述为
设
X
1
,
X
2
,
…
,
X
n
,
…
X_1,X_2,\dots,X_n,\dots
X1,X2,…,Xn,…相互独立,服从同一分布且具有数学期望
E
(
X
k
)
=
μ
(
k
=
1
,
2
,
…
)
,
E(X_k)=\mu(k=1,2,\dots),
E(Xk)=μ(k=1,2,…),则序列
X
‾
=
1
n
∑
k
=
1
n
X
k
\overline{X}=\frac{1}{n}\sum_{k=1}^{n}X_k
X=n1∑k=1nXk依概率收敛于
μ
,
\mu,
μ,即
X
‾
⟶
P
μ
\overline{X} \stackrel{P}{\longrightarrow} \mu
X⟶Pμ
2.伯努利大数定律
设
f
A
f_A
fA是
n
n
n次独立重复试验中事件
A
A
A发生的次数,
p
p
p是事件
A
A
A在每次试验中发生的概率,则对于任意正数
ε
>
0
,
\varepsilon>0,
ε>0,有
l
i
m
n
→
∞
P
{
∣
f
A
n
−
p
∣
<
ε
}
=
1
lim_{n\to \infty}P\{|\frac{f_A}{n}-p|<\varepsilon\}=1
limn→∞P{∣nfA−p∣<ε}=1
或
l
i
m
n
→
∞
P
{
∣
f
A
n
−
p
∣
≥
ε
}
=
0
lim_{n\to \infty}P\{|\frac{f_A}{n}-p|\ge \varepsilon\}=0
limn→∞P{∣nfA−p∣≥ε}=0
3.独立同分布的中心极限定理
设随机变量
X
1
,
X
2
,
…
,
X
n
,
…
X_1,X_2,\dots,X_n,\dots
X1,X2,…,Xn,…相互独立,服从同一分布,且具有数学期望和方差
:
E
(
X
k
)
=
μ
,
D
(
X
k
)
=
σ
2
>
0
(
k
=
1
,
2
,
…
)
,
:E(X_k)=\mu,D(X_k)=\sigma^2>0(k=1,2,\dots),
:E(Xk)=μ,D(Xk)=σ2>0(k=1,2,…),则随机变量之和
∑
k
=
1
n
X
k
\sum_{k=1}^{n}X_k
∑k=1nXk的标准化变量
Y
n
=
∑
k
=
1
n
X
k
−
n
μ
n
σ
Y_n=\frac{\sum_{k=1}^{n}X_k-n\mu}{\sqrt{n}\sigma}
Yn=nσ∑k=1nXk−nμ
的分布函数
F
n
(
x
)
F_n(x)
Fn(x)对于任意
x
x
x满足
l
i
m
n
→
∞
F
n
(
x
)
=
l
i
m
n
→
∞
P
{
∑
k
=
1
n
X
k
−
n
μ
n
σ
≤
x
}
=
∫
−
∞
x
1
2
π
e
−
t
2
2
d
t
=
ϕ
(
x
)
.
lim_{n\to \infty}F_n(x)=lim_{n\to \infty}P\{\frac{\sum_{k=1}^{n}X_k-n\mu}{\sqrt{n}\sigma}\leq x\}\\ =\int_{-\infty}^{x}\frac{1}{\sqrt{2 \pi}}e^{-\frac{t^2}{2}}dt=\phi (x).
limn→∞Fn(x)=limn→∞P{nσ∑k=1nXk−nμ≤x}=∫−∞x2π1e−2t2dt=ϕ(x).
4.李雅普诺夫定理
设随机变量
X
1
,
X
2
,
…
,
X
n
,
…
X_1,X_2,\dots,X_n,\dots
X1,X2,…,Xn,…相互独立且具有数学期望和方差:
E
(
X
k
)
=
μ
k
,
D
(
X
k
)
=
σ
k
2
>
0
,
k
=
1
,
2
,
…
,
E(X_k)=\mu_k,D(X_k)=\sigma_k^2>0,k=1,2,\dots,
E(Xk)=μk,D(Xk)=σk2>0,k=1,2,…,
记
B
n
2
=
∑
k
=
1
n
σ
k
2
.
B_n^2=\sum_{k=1}^{n}\sigma_k^2.
Bn2=k=1∑nσk2.
若存在正数
δ
,
\delta,
δ,使得当
n
→
∞
n\to \infty
n→∞时,
1
B
n
2
+
δ
∑
k
=
1
n
E
{
∣
X
k
−
μ
k
∣
2
+
δ
}
→
0
\frac{1}{B_n^{2+\delta}}\sum_{k=1}^{n}E\{|X_k-\mu_k|^{2+\delta}\}\to 0
Bn2+δ1k=1∑nE{∣Xk−μk∣2+δ}→0
则随机变量之和
∑
k
=
1
n
X
k
\sum_{k=1}^{n}X_k
∑k=1nXk的标准化变量
Z
n
=
∑
k
=
1
n
X
k
−
∑
k
=
1
n
μ
k
B
n
Z_n=\frac{\sum_{k=1}^{n}X_k-\sum_{k=1}^{n}\mu_k}{B_n}
Zn=Bn∑k=1nXk−∑k=1nμk
的分布函数
F
n
(
x
)
F_n(x)
Fn(x)对于任意
x
x
x满足
l
i
m
n
→
∞
F
n
(
x
)
=
l
i
m
n
→
∞
P
{
∑
k
=
1
n
X
k
−
∑
k
=
1
n
μ
k
B
n
≤
x
}
=
∫
−
∞
x
1
2
π
e
−
t
2
2
d
t
=
ϕ
(
x
)
lim_{n\to\infty}F_n(x)=lim_{n\to\infty}P\{\frac{\sum_{k=1}^{n}X_k-\sum_{k=1}^{n}\mu_k}{B_n}\leq x\}\\ =\int_{-\infty}^{x}\frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}dt=\phi(x)
limn→∞Fn(x)=limn→∞P{Bn∑k=1nXk−∑k=1nμk≤x}=∫−∞x2π1e−2t2dt=ϕ(x)
5棣莫弗—拉普拉斯定理
设随机变量
η
n
(
n
=
1
,
2
,
…
)
\eta_n(n=1,2,\dots)
ηn(n=1,2,…)服从参数为
n
,
p
(
0
<
p
<
1
)
n,p(0<p<1)
n,p(0<p<1)的二项分布,则对于任意
x
,
x,
x,有
l
i
m
n
→
∞
P
{
η
n
−
n
p
n
p
(
1
−
p
)
≤
x
}
=
∫
−
∞
x
1
2
π
e
−
t
2
2
=
ϕ
(
x
)
.
lim_{n\to \infty}P\{\frac{\eta_n-np}{\sqrt{np(1-p)}}\leq x\}=\int_{-\infty}^{x}\frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}=\phi(x).
limn→∞P{np(1−p)ηn−np≤x}=∫−∞x2π1e−2t2=ϕ(x).