概率5-2中心极限定理

合集下载

chapt5-2 中心极限定理

chapt5-2 中心极限定理

) − Φ (−
10 175 8
)
= 2Φ (1.51) − 1 = 2 × 0.9345 − 1 = 0.869.
某电视机厂每周生产10000台电视机, 10000台电视机 例3 某电视机厂每周生产10000台电视机,但它的显像 管车间的正品率为0 为了能以0 997的概率保证出 管车间的正品率为 0.8 , 为了能以 0.997 的概率保证出 厂的电视机都装上正品显像管, 厂的电视机都装上正品显像管 , 该车间每周应生产多 少只显像管? 少只显像管? 解:设该车间每周生产 只显像管,其中正品的个数为 设该车间每周生产n只显像管 只显像管, X,则 X~B(n, 0.8), ,
(2) P{0 ≤
∑X
i =1
100
i
< 200}
i
= P{−13.33 ≤
∑X − 200
i=1
100
15
< 0}
≈ Φ(0) − Φ(−13.33)
= Φ(0) −[1− Φ(13.33)] (表上没有了,超过3σ , 表上没有了,
= 0.5 − 1 − 1) 0.5 ( =
近似1 近似 )
练习
[0.5 − (−0.5)]2 1 −0.5 + 0.5 = 0 D( X i ) = = 则 E( X i ) = 2 12 12
由中心极限定理得: 由中心极限定理得:
1200 i =1
∑X
1200 i
1 1200 × 12
=
∑X
i =1
i 近似
10
~ N (0,1)
故所求概率为: 故所求概率为:
(德莫佛-拉普拉斯中心极限定理) 德莫佛-拉普拉斯中心极限定理)

§5.2 中心极限定理

§5.2  中心极限定理
5 5 P29500 X 30500 . 0.9995 2 2
16
1 , 将 n 90000 p 代入有 3
例3 售报员在报摊上卖报, 已知每个过路 人在报摊上买报的概率为1/3. 令X 是出售 了100份报时过路人的数目,求 P (280 X 320). 解 令Xi 为售出了第 i – 1 份报纸后到售出 第i 份报纸时的过路人数, i = 1,2,…,100
由德莫佛—拉普拉斯中心极限定理,

1000, 5000 X ~ N 6
1 1.33 1.33e dt 2 1.33 1.33 0.8164 .
13
t2 2
例2 设一货轮在某海区航行,已知每遭
受一次波浪的冲击,纵摇角度大于 6 的概率
1 为 p 。若货轮在航行中遭受了90000 次波 3
浪冲击,问其中有 29500 至 30500 次纵摇角
ni 1
n
n
i 1
五条件,那么它们的和 X i 当 n 很大时,就近 i 1 似地服从正态分布。
7
X i i 1,2, 具有怎样的分布,只要满足定理
n
作为定理 一 的特殊情况,我们给出下面的定理。 定理三 (德莫佛—拉普拉斯定理)设随机 变量 Yn n 1,2, 服从参数为 n, p 0 p 1的 二项分布,则对于任意x,恒有
度大于 6 的概率是多少?
解 可将货轮每遭受一次波浪冲击看作是 一次试验,并认为实验是独立的。在 90000次 波浪冲击中,纵摇角度大于6˚的次数记为X ,
14
则 X 为一随机变量,它服从 n 90000 , 1 p 的二项分布,其分布列为 3 k 90000 k 1 2 k P X k C90000 , k 0,1,2, ,90000. 3 3 所求概率为 k 90000 k 30500 1 2 k P 29500 X 30500 C90000 . 3 3 k 29501 显然,要直接计算是困难的。可以利用德莫

14级--GZ《概率与统计》_第12讲_5.1大数定律_5.2中心极限定理

14级--GZ《概率与统计》_第12讲_5.1大数定律_5.2中心极限定理

§2 中心极限定理
5.2 中心极限定理
简介
中心极限定理是研究在什么条件下,独立随机变 量序列部分和的极限分布为正态分布的一系列定理 的总称。 在自然界与生产中,一些现象受到许多相互独立 的随机因素的影响,如果每个因素所产生的影响都 很微小时,总的影响可以看作是服从正态分布的。 中心极限定理就是从数学上证明了这一现象 。 它是近两个世纪概率论研究的中心问题,因此这 些定理称为中心极限定理。
P(120000 aX 60000 ) 0.9,即 P( X
由棣莫弗 - 拉普拉斯定理知,
60000 ) 0.9. a
60000 X 60 60000 a 60 P( X ) P( ) 0 . 9. a 60 9.4% 60 9.4%
5.2 中心极限定理
定理1:独立同分布中心极限定理 (变形)
P( k 1
n
X
n
k
n
当n 时 x) ( x)
n
k
X
式中
k 1
n
n
X n n 1 X X
分子分母同时除以n n k 1

k
X 近似 ~ N (0,1) 故: n

X ~ N (,
为什么会有这种规律性?这是由于大量试验过程中,随
机因素相互抵消、相互补偿的结果。
用极限方法来研究大量独立(包括微弱相关)随机试验
的规律性的一系列定律称为大数定律。
5.1 大数定律
弱大数定理(辛钦大数定理)
设随机变量序列 X1, X2, … 独立同分布,具有有限的 数学期望 E(Xk)=μ, k=1, 2, …,则对任给 ε >0 ,有
棣莫弗 – 拉普拉斯定理 (针对二项分布)

概率与统计:中心极限定理

概率与统计:中心极限定理

案例分析—积分的蒙特卡罗计算
蒙特卡罗方法是一种计算方法,但与一般数值 计算方法有很大区别。它以概率统计理论为基础。 由于蒙特卡罗方法能够比较逼真地描述事物的特点 及物理实验过程,解决一些数值方法难以解决的问 题,因而该方法的应用领域日趋广泛。 其基本思想是:当所求问题的解是某个事件的概 率,或者是某个随机变量的期望,或与概率、数学 期望有关的量时,通过某种试验的方法,得出该事 件发生的频率,或该随机变量若干个观察值的算术 平均值,根据大数定律得到问题的解;
x n p{ X i x} ( ) n i 1
n
例1.将一颗骰子连掷100次,则点数之和不少于 300的概率是多少? 2.德莫佛-拉普拉斯中心极限定理 (De Moivre-Laplace)(p105) 设随机变量n(n=1, 2, ...)服从参数为n, p(0<p<1) 的二项分布,则
概率与统计
中心极限定理
5.2. 中心极限定理 一.依分布收敛*
设{Xn}为随机变量序列,X为随机变量,其 对应的分布函数分别为Fn(x), F(x). 若在F(x)的 连续点,有 lim F ( x ) F( x ),
则称{Xn}依分布收敛于X. 可记为
n n
Xn X.
w 现 令Yn X k , 若Yn的 标 准 化 r .v .Yn* ~ N (0, 1), k 1 n
检验员逐个检查某种产品,每查一件花10秒 时间,有的产品可能要复查一次而再花10秒时间. 假定每一件产品需复查的概率为1/2,求在8小时 内检验员能够至少检查1900件的概率. 解法一: 设Xi 为检查第i件产品所花时间,则
10 此件不需复查 Xi E ( X i ) 15, D( X i ) 25 20 此件需复查

第五章大数定律及中心极限定理

第五章大数定律及中心极限定理

k 1
其中 X1, X2 ,, Xn是相互独立的、服从同一
均值为μ,方差为σ2>0的独立同分布的随机变量
n
X1,X2,…,Xn之和 X k 的标准化变量,当n充分
大时,有
k 1
n

k 1
Xk

nm
~近似N(0,1)
ns
n
这样可以用(标准)正态分布来对 X k 作
k 1
理论分析或实际计算,不必求分布函数
19/41
§5.2 中心极限定理
将上式改写为
即对任意的正数ε,当n充分

lim P n
1 n
n k 1
Xk
m

1.

大时,不等式 立的概率很大
|
X
m | 成
3/41
证 由随机变量X1,X2,…,Xn,…相互独立,且具有 相同的数学期望和方差,有
E

1 n
n k 1
Xk

lim
n
P

1 n
(X1

X2

Xn)
p




1,

lim
n
P

nA n

p





1.
伯努利大数定理表明,事件发生的频率nA/n依概率收敛
于事件的概率p,以严格的数学形式表达了频率的稳定性和概
率的合理性
近似:当n很大时,事件发生的频率nA/n与概率有较大偏差的 可能性很小,因此由实际推断原理,由于小概率事件几乎不
辛钦定 理
X P m

概率论与数理统计 第五章 大数定律与中心极限定理

概率论与数理统计 第五章 大数定律与中心极限定理
nA 一种提法是: “当 n 足够大时,频率 n 与概率 p 有较大偏差
的概率很小” ,用数学语言表达,就是要证明: 0 ,有
nA nA lim P p 0 lim P p 1 n ,或 n n . n
另一种提法是:研究随机变量 n A 的分布的极限行为,即讨 论分布函数
nA lim P p 0 lim P n n 或 n
nA p 1 . n
证 引入
1 , 第i次试验中事件A发生 Xi ,i 1 , 2 , , n , 0 , 第i次试验中事件A不发生
下面我们进一步来讨论贝努利试验.若记 n A 为 n 次贝努利试
nA 验中事件 A 发生的次数, 则事件 A 发生的频率为 n . 所谓 “频 率的稳定性” ,无非是指当试验次数 n 无限增大(即 n )时,
nA 频率 n 无限接近于某个固定常数.这个固定的常数就是“事 件 A 在一次试验中发生的的概率 p” . nA 由此可见,讨论频率 n 的极限行为,是理解概率论中最基本
2019年1月14日星期一
11 / 102
§5.1
大数定律
作为预备知识,我们先明确随机变量序列收敛的
相关概念,同时给出一个重要的不等式,它是以下理 论证明所用的主要工具之一.
定 义 1.1 设 a 是常数,对于随机变量序列 ,如果 0 ,有
X1 , X 2 ,
, Xn ,
lim P
n
个常数,即在这个常数的附近摆动,这就是所谓的“频
率稳定性”.但对这一点,至今为止我们尚未给予理论 上的说明.另外,在第二章我们给出了二项分布的泊松 逼近,那么更一般的近似计算方案又是怎样呢?

5-2 中心极限定理

5-2 中心极限定理

t2 − 2
定理表明, 很大, 是一个定值时( 定理表明,当n很大,0<p<1是一个定值时(或 很大 是一个定值时 者说, 也不太小时),二项变量 者说,np(1-p)也不太小时),二项变量 ηn 的分布 也不太小时),二项 近似为正态分布 N(np,np(1-p)). 即
ηn ~ N(np, np(1 − p))
求满足 P(X≤x)≥0.999
千瓦, (由于每台车床在开工时需电力1千瓦,x 由于每台车床在开工时需电力 千瓦 台工作所需电力即x千瓦 千瓦.) 台工作所需电力即 千瓦 )
由棣莫佛-拉普拉斯极限定理 由棣莫佛 拉普拉斯极限定理
X − np 近似N(0,1), 近似 np(1− p)
这里 np=120, np(1-p)=48
从中解得x≥141.5, 从中解得
即所求 x=142.(千瓦 千瓦) 千瓦
也就是说, 应供应142 千瓦电力就能以 也就是说 应供应 99.9%的概率保证该车间不会因供电不 的概率保证该车间不会因供电不 足而影响生产. 足而影响生产
对于一个学生而言, 例4 对于一个学生而言 来参加家长会的家长人 数是一个随机变量. 设一个学生无家长、 名家长 名家长、 数是一个随机变量 设一个学生无家长、1名家长、 2名家长来参加会议的概率分别为 名家长来参加会议的概率分别为0.05,0.8,0.15. 名家长来参加会议的概率分别为 , , 若学校共有400名学生 设各学生参加会议的家长 名学生, 若学校共有 名学生 数相互独立, 且服从同一分布. 数相互独立 且服从同一分布 (1) 求参加会议的 超过450的概率 (2) 求有 名家长来参加 的概率; 求有1名家长来参加 家长数 X 超过 的概率 会议的学生数不多于340的概率 的概率. 会议的学生数不多于 的概率 解 (1) 以 X k ( k = 1, 2,⋯, 400) 记

5-2中心极限定理

5-2中心极限定理

ab EX i 0 2
(b a) 2 1 DX i 12 3
1.设 X 1 , X 2 ,, X n 独立同分布,且 X i (i 1, 2,, n) 服从参数为 的指数分布, 则下列各式成立的是( )
n Xi n lim P i 1 x ( x) n n
一、问题的引入
• 例如对某物的长度进行测量, 在测量时有许 多随机因素影响测量的结果.如温度和湿度等
因素对测量仪器的影响, 使测量产生误差X1;
测量者观察时视线所产生的误差X2; 测量者心
理和生理上的变化产生的测量误差X3; …显然
这些误差是微小的、随机的, 而且相互没有影 响. 测量的总误差是上述各个因素产生的误差 之和, 即∑Xi .
n Xi n x ( x) ( A ) lim P i 1 n n n Xi i 1 x ( x) (D) lim P n n
(B)
依分布收敛
林德伯格-列维 中心极限定理
辛钦大数定律
德莫佛-拉普拉斯 中心极限定理
n
的分布函数 Fn ( x ) 对于任意 x 满足
n t2 X k n k 1 x 1 e 2 dt ( x ). lim Fn ( x ) lim P x 2π n n n 上述定理表明:
1 (8.78) 0
2. 棣莫佛-拉普拉斯中心极限定理
二项分布的正态近似
设 X ~ B n, p (0 p 1)的, 则 对于任意 x, 恒有 X np x 1 lim P x e dt ( x). n np(1 p) 2π

5-2中心极限定理

5-2中心极限定理
6000 6000 2 1 0.99995, 即 1/ 6 5 / 6 0. , 6000 6000 1 / 6 5 / 6
故近似地有
查表得
6000 6000 1 / 6 5 / 6
2.58,
0.0124 .
中心极限定理
§5.2 中心极限定理
李雅普诺夫定理 独立同分布的中心极限定理
德莫佛-拉普拉斯定理
1
中心极限定理
一、中心极限定理 李雅普诺夫(Liapunov)定理
设有独立的随机变量序列X1,X2,…,Xn…, 且有有限
的期望 E( X k ) k,D( X k ) k 0, (k 1,2,),
V - 20 5 105 - 20 5 P{V 105} P 2 2 20 10 / 12 20 10 / 12 V - 100 P 0.387 1 (0.387) 0.348 20 (10 / 12 )
9
中心极限定理
r 120 ( ) 0.999, 48
r - 120 48 3. 1 ,
所以 r 141.
查表得
即供给141千瓦电就能以99.9%的概率保证这个车 间正常生产。
10
中心极限定理
例2 今从良种率为1/6的种子中任取6000粒,问能以0.99 的概率保证在这6000粒种子中良种所占的比例与1/6的 差的绝对值不超过多少?相应的良种粒数在哪个范围内? 解 设良种数为X,则X~B(6000,1/6) 设不超过的界限为α,则有 德莫佛-拉普拉斯定理
2
二项分布即可以用帕松分布近似代替,也可用正态 说明 当p很小,n很大时用帕松分布近似代替,p不太 分布近似代替,如何选择? 接近0或1,n又较大时用此推论计算有关二项分布的

概率统计5-2

概率统计5-2
k 1 X k n 1 x t lim P k 1 x e 2 dt ( x) n 2 n n X k n
则对于任意实数 x ,
D( X k )
k 1 n
n
E ( X k )
2


则 Z n 为 Xk
k 1
n
的标准化随机变量. lim PZ n x ( x)
n
Zn
k 1
n
即 n 足够大时,Z n 的分布函数近似于标准正态随机 变量的分布函数 近似 Z ~ N (0,1)
X k 近似服从 N (n , n 2 ) k 1
n
n
例1 炮火轰击敌方防御工事 100 次, 每次轰击命中的炮弹 数服从同一分布,其数学期望为 2 , 均方差为1.5. 若各次 轰击命中的炮弹数是相互独立的, 求100 次轰击(P158-14 (1) 至少命中180发炮弹的概率; (2) 命中的炮弹数不到200 发的概率. 解 设 X k 表示第 k 次轰击命中的炮弹数 X 1 , X 2 ,, X 100 E ( X k ) 2, D( X k ) 1.52 , k 1,2,,100 相互独立, 设 X 表示100次轰击命中的炮弹数, 则
15 200 200 0 200 (2) P(0 X 200) (0) (13.33) 0.5 15 15
近似
中心极限定理的意义
Ch5-24
在第二章曾讲过有许多随机现象服从 正态分布 是由于许多彼次没有什么相依关 系、对随机现象谁也不能起突出影响,而 均匀地起到微小作用的随机因素共同作用 (即这些因素的叠加)的结果. 若联系于此随机现象的随机变量为X , 则它可被看成为许多相互独立的起微小作 用的因素Xk的总和 X k,而这个总和服从

《概率论与数理统计》课件第五章大数定律及中心极限定理

《概率论与数理统计》课件第五章大数定律及中心极限定理
有极其重要的地位?
4.大样本统计推断的理论基础
是什么?
大数定律中心极限定理
随机现象中平均结果的稳定性
大数定律的客观背景
大量抛掷硬币正面出现频率
字母使用频率
生产过程中的废品率
§5.1 大数定律
背景:1. 频率稳定性2. 大量测量结果算术平均值的稳定性
回顾
随机现象的主要研究方法
概率分布
01
证:_x001A__x001B__x001B_,_x001A__x001B__x001B_,⋯, _x001A__x001B__x001B_, ⋯相互独立同分布,则_x001A__x001B__x001B__x001B_,_x001A__x001B__x001B__x001B_, ⋯,_x001A__x001B__x001B__x001B_, ⋯也相互独立同分布,由辛钦大数定律得证.
第五章 大数定律及中心极限定理
§5.1 大数定律§5.2 中心极限定理
要点:用切比雪夫不等式估算概率独立同分布,用中心极限定理计算对于二项分布,当n很大时,计算
本章要解决的问题
1.为何能以某事件发生的频率
作为该事件的概率的估计?
2.为何能以样本均值作为总体
期望的估计?
3.为何正态分布在概率论中占
解:(1)设X表示一年内死亡的人数,则~(, ),其中=,=.%. 设Y表示保险公司一年的利润,=×−.需要求的是_x001A_<_x001B_.
由中心极限定理
_x001A_<_x001B_=_x001A_×−<_x001B_ =_x001A_>_x001B_=−_x001A_≤_x001B_
且,
由中心极限定理
解:设为第i个螺丝钉的重量, 相互独立同分布. 于是,一盒螺丝钉的重量为

5-2中心极限定理

5-2中心极限定理

近似
例3 用契比雪夫不等式确定,掷一均匀铜币时,需投 多少次,才能保证正面出现的频率在0.4与0.6之间的概 率不少于90%,并用正态逼近计算同一问题。 (P109 , 例3) 解 设需要投掷n次。设X表示n次中正面出现 的次数, 则X~b( n , 0.5)
E(X)=0.5n , D(X)=0.25n 由契比雪夫不等式 X X P {0.4 0.6} P{ 0.5 0.1} n n
§5.2中心极限定理
Central limit theoem
本节要介绍两个常用的中心极限定理 定 理 一 列维-林德伯格中心极限定理 (levi-Lindberg) [ 独立同分布的中心极限定理 ]
定 理 二
德莫佛-拉普拉斯中心极限定理 (De Moivre-Laplace) [ 二项分布以正态分布为极限分布 ]
n
讨论Yn的极限分布是否为标准 正态分布
三、中心极限定理
定理1(独立同分布中心极限定理)
设X1,X2, …是独立同分布的随机变量序列,且 E(Xi)= ,D(Xi)= 2 ,i=1,2,…,则随机变量之和的 标准化随机变量
Yn
X
k 1
n
k
E ( X k )
k 1 n
n

X
k 1
n
k
n
D( X k )
k 1
n
的分布函数Fn(x)对于任意x满足
lim Fn ( x ) lim P{
n n
X
i 1
n
i
n x }
n

x
-
1 -t 2 2 e dt ( x ) 2
定理的应用:对于独立的随机变量序列 X n ,不管

5-2 中心极限定理

5-2 中心极限定理
1 (0.17) 0.5675
例4
某车间有同型号机床200部,在某段时间内每部机床
开动的概率p=0.7,假设各机床开关是相互独立,开动时每部机床 要消耗电能15个单位.问供电站最少要供应这个车间多少单位 电能,才能以95%的概率保证不致因供电不足影响生产.
解 : 令X 表示200部机床中同时开动的个数, X=0,1,..,200
则nA X1 X 2 ... X n ,即nA为独立同分布的X1 , X 2 ,..., X n之和
又 E ( nA ) E ( X i ) np
i 1
n
D( nA ) D( X i ) np(1 p)
i 1
n
近似 根据独立同分布的中心极限定理,nA N (np, np(1 p))
n 2 1 n 1,因此,在所给条件下, 由于
中心极限定理不仅给出了概率的近似表达式, 而且也能保证了其极限是1,可见中心极限定理 的结论更为深入。
例1 一加法器同时收到20个噪声电压Vk , 设Vk间相互 独立,且Vk U (0,10). ( k 1, 2, ..., 20). 记V Vk , 求
P{ X 1.5 N N 60 1.5 N N } 0.95

(
60 1.5 N N
) 0.95

60 1.5 N N
1.645
N 33.6
取N 33
即1小时内最多为33位顾客服务
当 X1, X 2 ,, X n 相互独立, 但不服从同一分布时:
二、李雅普诺夫中心极限定理
小概率事件, 即实际中几乎不可能发生.
(2) 设最多能对N位顾客服务.

5.2中心极限定理解析

5.2中心极限定理解析

2.李雅普诺夫定理
设随机变量 X 1 , X 2 ,…, X n 相互独立 , 且具有数学期望
2 和 方 差 , E ( X k ) k , D( X k ) k 0 , ( k 1,2,) , 记
2 2 Bn k 若存在正数 0,使得当 n 时, k 1 n
X 400 1.1 1 P 1.147 400 0.19
1 (1.147) 0.1257
(2) 以Y表示有一名家长来参加会议的学生, 则
Y~b(400, 0.8)
P{Y 340}
Y 400 0.8 340 400 0.8 P 400 0.8 0.2 400 0.8 0.2
n n
X k n k 1 n
n
x}
x

1 t22 e dt ( x ) 2
说明
(1)在所给的条件下,当n无穷大
时, n个具有相同期望和方差的 独立同分布的随机变量之和的标 准化变量似服从标准正态分布

i 1 n
Yn
X i n

n
(2)虽然在一般情况下, 我们很难求出 X X 2 X n
Y 400 0.8 P 2. 5 400 0.8 0.2
( 2.5) 0.9938
高尔顿钉板试验
高尔顿( Francis Galton,1822-1911) 英国人类学家和气 象学家
共15层小钉
-8 -7 -6 -5 -4 -3 -2 -1 O 1
X 25 20 25 i 30 25 i 1 P 25 0.995 25 0.995 25 0.995

5.2中心极限定理

5.2中心极限定理

E ( X ) np 1000 0.05 50 ,
D( X ) np(1 p) 50 0.95 47.5 ,
由D-L中心极限定理, X ~ N (50, 47.5) ,
P{40 X 60} Φ(
60 50 47.5
) Φ(
40 50 47.5
第五章
1
在数学中大家都注意到这样的现象:有时候一个 有限的和很难求, 但一经取极限由有限过渡到无限, 则问题反而好办. 例如, 若对某一x,要计算和
x2 x3 xn Sn ( x ) 1 x , 2! 3! n!
则 当 n 很 大 时 , 很 难 求 S n ( x ) , 而一经取极限,则有
, 解 设一年内死亡的人数为X,则 X ~ B(10000 0.006) ,
由D-L中心极限定理, X ~ N (60, 60 0.994) ,
(1) P{10000X 1200000 P{ X 120} }
P{
X 60 59.64

120 60 59.64
} 1 (
简单的结果
lim S n ( x ) e .
x n
x 利 用 这 个 结 果 ,当 n 很 大 时 ,可 以 把 e 作 为 S n ( x )
的近似值.
2
在 概 率 论 中 也 存 在 类 似 的 情 况 :如 果 X 1 , X 2 ,, X n 是 一 些 随 机 变 量 , 则 X1 X 2 X n 的 分 布 一 般 很 复 杂 ,因 而 自 然 会 问 :能 否 利 用 极 限 的 方 法作 近 似 计 算 ?
}
(2) (1) 0.8185 .

5.2 中心极限定理

5.2 中心极限定理

可将Xi ,i=1,2,…,n 视为独立同分布的随机 变量. 由林德伯格—列维定理知,Tn 近似服从正 态分布 N (50 n, 25 n).
电子科技大学
中 心 极 限 定 理
P{Tn 5000} P{
Tn 50n 5 n

5000 50n 5 n
}
(

1000 10n n
P{| f n ( A) P ( A) | 0.01} 0.99 其中 A ={ 出现正面 }

有P( A )=1/2,令
1, 第i次出现正面; Xi ( i 1,2,n) 否则, 0, 则随机变量序列{ Xi },i = 1,2,…是相互独立 且同分布的. 而且有
电子科技大学
p = 1/3,若船舶遭受了90000次波浪冲击, 问其中有 29600 ~ 30500 次纵摇角大于3°的 概率是多少? 解 假定船舶遭受波浪的各次冲击是独立的, 记 X 为90000次冲击下纵摇角大于3°的次数, 故有
电子科技大学
中 心 极 限 定 理
1 X ~ B(90000, ), 3
1 n 90000, p 3
电子科技大学
中 心 极 限 定 理
高尔顿钉板试验 装车问题
重复试验次数估计 报亭售报问题
定理5.2.2(棣莫佛-拉普拉斯中心极限定理) 设随机变量序列{ Yn },Yn ~ B( n, p ) ,n =1,2…, 对于任意的实数 x ,有
Yn np lim P n np(1 p)
电子科技大学
中 心 极 限 定 理
lim P{Yn y}
n
2
k
1
y

e

中心极限定理

中心极限定理
解法一 将船舶每遭受一次海
浪的冲击看作一次试验,
并假设各次试验是独立的,
在90 000次波浪冲击中纵摇角大于 3º的次数为 X, 则 X 是一个随机变量, 且 X ~ b(90000, 1).
3
分布律为
P{ X

k}

90 000
1
k
2 90000k
,
k 3 3
所求概率为
k 1,,90000.
P{29500 X 30500}
30500

90000

1
k

2

90000
k
.
k29501 k 3 3
直接计算很麻烦,利用德莫佛-拉普拉斯定理
P{29500 X 30500}

P
29500

其他: 某个城市的用电总量;
某次大型考试的平均分等.
二、基本定理
独立同分布的中心极限定理
设随机变量 X1, X2 ,, Xn ,相互独立, 服从
同一分布, 且具有数学期望和方差:E( Xk ) ,
D( Xk ) 2 0 (k 1,2,), 则随机变量之和的
n Xk E n Xk
解:用 Xi=1表示第i台机床正常工作, 反之记为Xi=0.
又记Y=X1+X2+…+X200,则 E(Y)=140,Var(Y)=42.
设供电量为y, 则从
P{15Y

y}


y
/15

0.5 140 42


0.95
中解得 y 2252.

5.2 中心极限定理

5.2 中心极限定理

中心极限定理的客观背景(Central Limit Theorem(CLT))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.而其中每一因素在总的影响中所起的作用都是微小的.这种随机变量往往近似地服从正态分布.该结论得益于高斯对测量误差分布的研究.Gauss(1777-1855)例如:考虑炮弹的射击误差.设靶心为坐标原点,弹着点的坐标为(X,Y),X,Y分别表示弹着点与靶心的横向和纵向误差.我们来看造成误差的原因是什么?炮身在每次射击后,因震动而造成微小的偏差;每发炮弹外形上的细小差别引起空气阻力不同,由此出现的误差;每发炮弹内炸药的数量和质量上的微小差异而引起的误差;炮弹在前进时遇到的空气气流的微小扰动而造成的误差;等等许多原因,每种原因引起一个微小的误差,有的为正,有的为负,都是随机的.误差X 或Y 是这许多彼此间相互独立的随机小误差的总和,即n k k X X 1==∑考察有限个独立同分布随机变量和:12,n n S X X X =+++可否考虑用极限的方法来计算呢?1lim 1n n P S n με→∞⎛⎫-<= ⎪⎝⎭,n S n μ≈→∞2()D n σ=→∞n S n μ-n n Y n σ=在一些较松的条件下,和的极限分布就是正态分布呢,此类定理就是中心极限定理定理1(独立同分布的中心极限定理)设X 1, X 2,…是独立同分布的随机变量序列,且E (X i )=μ,D (X i )=σ2>0,i =1,2,…,则1lim n i i n X n P x n μσ=→∞⎧⎫-⎪⎪⎪≤⎬⎪⎪⎪⎩⎭∑222x t e dt π--∞=⎰x ()=Φ当n 较大时近似服从标准正态分布N (0,1).12n k k n X n Y n μσ=-=∑近似服从正态分布N (n μ,n σ2)(1)当n 较大时利用该定理,可以得到如下近似分布:(2)特别地,当n 较大时,近似服从正态分布N (μ,σ2/n )1n k n k Xn Y n σμ==+∑n k k X X n 11==∑例如:设随机变量X1,X2,…,X n独立同分布,都服从参数为λ的泊松分布,即Xi ~π(λ),则nn iiS X n1~()πλ==∑取λ=1,当n=1,3,5,10,20时,Sn的分布律的图像如下所示.可以看出,当n 越来越大时,S n 的分布律的图像形状越来越像正态分布.0.0500.10.150.20.250.30.350.405101520253035n=20n=10n=5n=3n=1定理2(棣莫佛-拉普拉斯定理)证明:设随机变量Y n 服从参数为n 和p (0<p <1)的二项分布,n =1,2,…,则对于任意的x ,有令n n Y np P x np p lim }(1)→∞-≤-222x t e dt π--∞=⎰x ()=Φi i A X i n i A 1,,1,...,0,⎧==⎨⎩第次试验发生第次试验不发生则X 1,X 2,…,X n 独立同分布,且E (X i )=p ,D (X i )=p (1−p ).设Y n 是n 重伯努利试验中事件A 发生的次数,P (A )=p (0<p <1)则故由定理1,有i i A X i n i A 1,,1,...,0,⎧==⎨⎩第次试验发生第次试验不发生1n n i i Y X ==∑n i i n X n P x x n 1lim ()μσ=→∞⎧⎫-⎪⎪⎪⎪≤=Φ⎨⎬⎪⎪⎪⎪⎩⎭∑n n Y np P x x np p lim {}()(1)→∞-≤=Φ-定理表明,当n 较大,0<p <1时,于是,当n 较大,0<p <1时,Y n ~N (np ,np (1−p )).近似于标准正态分布N (0,1).n Y npnp p (1)--即,若Y ~b (n ,p ),则:Y ~N (np ,np (1−p ))近似例1.当辐射的强度超过每小时0.5毫伦琴(mr)时,辐射会对人的健康造成伤害.设一台彩电工作时的平均辐射强度是0.036(mr/h),方差是0.0081.则家庭中一台彩电的辐射一般不会对人造成健康伤害.但是彩电销售店同时有多台彩电工作时,辐射可能对人造成健康伤害.现在有16台彩电同时工作,问这16台彩电的辐射量可以对人造成健康伤害的概率.解:设Xi 为第i台彩电的辐射量,则EXi=0.036,DX i=0.0081,i=1,2, (16)则S=X1+X2+…+X16是16台彩电的总辐射量.即:这16台彩电以大约58%的概率会对人造成健康伤害.P S F (0.5)1(0.5)>≈-0.5160.0361()160.0081-⨯=-Φ⨯(0.211)0.58≈Φ=由中心极限定理,S ~N (16×0.036,16×0.0081)(近似)S =X 1+X 2+…+X 16是16台彩电的总辐射量,EX i =0.036,DX i =0.0081当辐射的强度超过每小时0.5毫伦琴时,会对人的健康造成伤害.例2.某保险公司有10000个同龄又同阶层的人参加某种医疗保险.已知该类人在一年内生该种病的概率为0.006.每个参加保险的人在年初付12元保险费,而在生病时可从公司领得1000元.问在此项业务活动中,(1)保险公司赔钱的概率是多少?(2)保险公司获得利润(暂不计管理费)不少于40000的概率是多少?解:令X表示10000个参加该种医疗保险的人中,一年内生该病的人数,易知:X~b(10000, 0.006)10000个人参加保险,得病的概率为0.06,每人保险费12元,生病时可得1000元.(1)保险公司赔钱的概率是多少?由棣莫佛-拉普拉斯定理,有120601()59.64-≈-Φ1(7.769)0≈-Φ≈EX =10000×0.006=60DX =10000×0.006×0.994=59.64X ~N (60,59.64) (近似)P (10000×12−X ×1000≤0)=P (X ≥120)≈1−F (120)X ~b (10000, 0.006)P X (1000012100040000)⨯-⨯≥X ~N (60,59.64) (近似)P X (80)=≤F (80)≈()59.64=Φ(2.59)0.9952=Φ=10000个人参加保险,得病的概率为0.06,每人保险费12元,生病时可得1000元.(2)保险公司获得利润(暂不计管理费)不少于40000的概率是多少?中心极限定理是概率论中最著名的结果之一,它不仅提供了计算独立随机变量和的近似概率的简单方法,而且有助于解释为什么很多自然群体的经验频率呈现钟形曲线这一值得注意的事实.。

  1. 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. 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. 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)。

概率论
自从高斯指出测量误差服从正态 分布之后,人们发现,正态分布在 自然界中极为常见.
高斯 如果一个随机变量是由大量相互独立的随机因 素的综合影响所造成,而每一个别因素对这种综合 影响中所起的作用不大. 则这种随机变量一般都服 从或近似服从正态分布.
现在我们就来研究独立随机变量之和所特有 的规律性问题. 当n无限增大时,这个和的极限分布是什么呢?
概率论
解法二: 设X为1900件产品中需复查的件数,Y为 1 检查1900件产品所花时间,则 X ~ B(1900, ) . 2
Y 1900 10 10 X
在8小时内检验员能够至少检查1900件的概率为
P{Y 8 3600} P 19000 10 X 28800 P X 980 980 1900 0.5 0.916 1900 0.25
n 近似地 n
X ~ N ( , n) 或 1 n 其中X X k n k 1
2
近似地
X 近似地 ~ N (0,1) n
n
3、虽然在一般情况下,我们很难求出 X k 的分 布的确切形式,但当n很大时,可以求出近似分布.
k 1
概率论
请注意 : n 1、定理中随机变量之和 X k 及其标准化变量
而X X k .由定理 4, 可知随机变量
k 1
X ~ N (400 1.1,400 0.19)
近似地
概率论
400
即有
k 1
X k 400 1.1 400 0.19
X 400 0.8 近似地 01 ) ~ N( , 400 0.19
于是
X 400 0.8 450 400 0.8 PX 450 P 400 0.19 400 0.19 X 400 0.8 1 P 1.147 400 0.19
近似地
( 2.5) 0.9938
概率论
三、课堂练习
例 根据以往经验,某种电器元件的寿命服从均值为 100小时的指数分布. 现随机地取16只,设它们的寿 命是相互独立的. 求这16只元件的寿命的总和大于 1920小时的概率.
概率论
例 在一个罐子中,装有10个编号为0-9的同样的球,从 罐中有放回地抽取若干次,每次抽一个,并记下号码.
服从同一(0 1)分布的诸随机变量X 1 , X 2 , X n之和,
即有
n X k
k 1
n
其中X k ( k 1,2,, n)的分布律为 PX k i p (1 p) , i 0,1
i 1 i
概率论
由于E ( X k ) p, D( X k ) p(1 p) k 1,2,, n),
概率论
例2
一加法器同时收到20个噪声电压Vk (k 1,2, n),
n
设它们是相互独立的随机变量,且都在区间(0, 10) 上服从均匀分布.记V Vk,求P 105 V 的近似值.
k 1

易知E (Vk ) 5, D(Vk ) 100 12 ( k 1,2, 20).
k 1
Z n 在n很大时, 分别近似服从
k 1
X k ~ N ( k , Bn ) ;
2 k 1
n
近似地
n
近似地
Z n ~ N (0,1)
2、随机变量X k 无论服从什么分布,只要满足 定理条件,随即变量之和 X k,当n很大时,就近
k 1 n
似服从正态分布,这就是为什么正态分布在概率论 中所占的重要地位的一个基本原因.
注 1、定理表明,独立同分布的随机变量之和 X大时,随机变量之和与其标准化变量分别有 X k n 近似地 2 k 1 X k ~ N ( n , n ) ; ~ N (0,1). n k 1 2、独立同分布中心极限定理的另一种形式可写为
由定理4得
X k np n np lim P{ x } lim P{ k 1 x} n n np(1 p ) np(1 p) t2 x 1 2 ( x ) e dt 2
n
定理表明,当n很大,0<p<1是一个定值时(或 者说,np(1-p)也不太小时),二项变量 n 的分布 近似正态分布 N(np,np(1-p)).
概率论
由德莫佛-拉普拉斯极限定理
X np 近似N(0,1), np(1 p)
于是 P(X≤N)= P(0≤X≤N)
这里 np=120, np(1-p)=48
N 120 120 ( ) ( ) 48 48 N 120 ( ) 48
N 120 由 ( ) 0.999 48
1 (1.147) 0.1257
概率论
( 2)以Y记有一名家长来参加会议的学生数,则 Y ~ b(400,0.8),由定理 6得
随机变量Y ~ N( 0.8, 0.8 0.2 400 400 )
340 400 0.8 Y 400 0.8 PX 340 P 400 0.8 0.2 400 0.8 0.2 Y 400 0.8 P 2.5 400 0.8 0.2
1 第k次取到号码 0 设 Xk 0 否则 ,k=1,2, …
(1) 至少应取球多少次才能使“0”出现的频率在0.090.11之间的概率至少是0.95? (2)用中心极限定理计算在100次抽取中,数码“0”出 现次数在7和13之间的概率.
概率论
例1解答: 设第i只元件的寿命为Xi , i=1,2, …,16 由题给条件知,诸Xi独立, 且E(Xi)=100, D(Xi)=10000 16只元件的寿命的总和为
解法一: 设Xi 为检查第i件产品所花时间,则
10 Xi 20 此件不需复查 此件需复查
概率论
E ( X i ) 15, D( X i ) 25
1900
于是,检查1900件所花时间为 X i ,则在8小时内检 i 1 验员能够至少检查1900件的概率为 1900 28800 1900 15 P{ X i 8 3600} 0.916 1900 25 i 1
由3σ准则, 此项为0。
查正态分布函数表得
(3.1) 0.999
概率论
N 120 故 ≥ 3.1, 48
即所求N=142.
从中解得N≥141.5,
也就是说, 应供应142 千瓦电力就能以99.9%的 概率保证该车间不会因供电不足而影响生产.
例3
对于一个学生而言,来参加家长会的家长人数 是一个随机变量,设一个学生无家长、 1名家长、名 2 家长来参加会议的概率分别为0.05、.8、.15.若学校 0 0 共有400名学生,设各学生参加会议的家长数相互 独立,且服从同一分布.
概率论
第二节
例题
课堂练习
中心极限定理
中心极限定理
小结 布置作业
概率论
中心极限定理的客观背景
在实际问题中许多随机变量是由相互独立随机 因素的综合(或和)影响所形成的. 例如:炮弹射击的 落点与目标的偏差, 就受着许多随机因 素(如瞄准,空气 阻力,炮弹或炮身结构等)综合影响的.每个随机因 素的对弹着点(随机变量和)所起的作用都是很小 的.那么弹着点服从怎样分布呢 ?

n ~ N ( np, np(1 p))
近似地
概率论
下面演示不难看到中心极限定理的客观背景
f g 0 例:20个0-1分布的和的分布
1
h
2 3
x
几个(0,1)上均匀分布的和的分布
X1 ~f(x)
X1 +X2~g(x)
X1 +X2+X3~ h(x)
二、例题 例1 检验员逐个检查某种产品,每查一件花10 秒时间,有的产品可能要复查一次而再花10秒时 间.假定每一件产品需复查的概率为1/2,求在8小 时内检验员能够至少检查1900件的概率.
概率论
由于无穷个随机变量之和可能趋于∞,故我们 不研究n个随机变量之和本身而考虑它的标准化的随 n 机变量. 即考虑随机变量X k ( k 1,n)的和 X k
k 1
Yn
X
k 1
n
k
E ( X k )
k 1 n
n
D ( X k )
k 1
讨论Yn的极限分布是否为标准 正态分布
概率论
1 n (1)解:设应取球n次,0出现频率为 X k n k 1
例2解答:
1 n 1 n E ( X k ) 0.1, D( X k ) 0.09 n k 1 n k 1 n
概率论
()求参加会议的家长数X超过 450的概率; 1 (2 )求有1名家长来参加会议的学生数不多340的概率.
解 (1)以X k ( k 1,2,400)记第k个学生来参加会议
的家长数,则X k的分布律为 Xk pk
400
0
1
2
0.05 0.8 0.15
易知E ( X k ) 1.1, D( X k ) 0.19 k 1,2,400.
概率论
解:对每台车床的观察作为一次试验,每次试验
是观察该台车床在某时刻是否工作, 工作的概率0.6 , 共进行200次独立重复试验. 用X表示在某时刻工作着的车床数,
依题意,
X~B(200,0.6),
设需N台车床工作, 现在的问题是: 求满足 P(X≤N)≥0.999 的最小的N.
(由于每台车床在开工时需电力1千瓦,N 台工作所需电力即N千瓦.)
n
Yn
k 1
X k n n
n
k 1
相关文档
最新文档