概率论节中心极限定理

合集下载

第47讲 中心极限定理

第47讲 中心极限定理

概率论与数理统计主讲:四川大学四川大学第47讲中心极限定理1§5.2 中心极限定理四川大学第47讲中心极限定理3第47讲中心极限定理四川大学四川大学第47讲中心极限定理4中心极限定理的概念Central Limit Theorems四川大学第47讲中心极限定理5在客观实际中有许多随机变量,它们是由大量相互独立的随机因素的综合影响所形成,而其中每一个别因素在总的影响中所起的作用是微小的。

这种随机变量往往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。

本节将用中心极限定理来说明这种现象。

四川大学中心极限定理是说:在一定条件下,充分多的相互独立的随机变量的算术平均值将服从正态分布,不管这些随机变量本身服从什么分布。

四川大学四川大学第47讲中心极限定理6本节介绍了三个中心极限定理1. 列维-林德伯格定理(独立同分布的中心极限定理)2. 李雅普诺夫定理(独立不同分布的中心极限定理)自学3. 棣莫弗-拉普拉斯定理(二项分布的极限分布)四川大学四川大学四川大学第47讲中心极限定理7列维-林德伯格定理独立同分布的中心极限定理四川大学第47讲中心极限定理8四川大学第47讲中心极限定理17Jarl Waldemar Lindeberg 1876–1932芬兰数学家Paul Pierre Lévy1886-1971法国数学家Lévy法国数学家。

现代概率论开拓者之一,他在巴黎出生。

第一次世界大战期间,莱维是法国炮兵进行数学分析工作。

1920年,他被任命为在Ecole理工学院,在那里他的学生包括蒙德布罗特分析。

他留在莱维主要研究概率论和泛函分析。

他引入分布律的莱维距离、散布函数和集结函数、鞅、局部时等概念,对极限理论和随机过程理论作出了重要贡献。

概率论中的莱维过程(Lévy processes),莱维测度(Lévy measure),莱维分布(Lévy distribution) 等都是以其命名。

中心极限定理

中心极限定理

N −120 −120 N −120 ≈Φ −Φ ≈Φ 48 48 48
N −120 由 Φ : ≥ 0.999, 48
N−120 − 查正态分布函数表得: Φ 查正态分布函数表得 (3.1) = 0.999, 故 , : ≥ 3.1
: ,由 而 X = ∑Xk ,由 理可 随 变 : 定 , 知 机 量
k=1 近 地 似
400
概率论
X
400
~ N(400×1.1,400×0.19)
k
∑X
有 即 :
k=1
−400×1.1
400 0.19
X −400×0.8近似地 01 ) = ~ N( , 400 0.19
X −400×0.8 450−400×0.8 是 于 :P{X > 450 = P } > 400 0.19 400 0.19 X −400×0.8 =1− P ≤1.147 400 0.19
一 学 无 长 1名 长 2名 长 参 会 的 率 别 : 设 个 生 家 、 家 、 家 来 加 议 概 分 为 0.05、 、 若 校 有 名 生 0.8 0.15. 学 共 400 学 , 各 生 加 议 家 数 互 立 服 同 分 . 设 学 参 会 的 长 相 独 ,且 从 一 布
1 ) 参 会 的 长 X 过 的 率 ( 求 加 议 家 数 超 450 概 ; ( 求 1 家 来 加 议 学 数 多 的 率 2 ) 有 名 长 参 会 的 生 不 340 概 .
2) 独 同 布 心 限 理 另 种 式 写 : 立 分 中 极 定 的 一 形 可 为
似 近 地 似 σ2 X −µ 近 地 1 n 中 ~ N(0,1); X ~ Nµ, n , 其 X = n∑Xk . σ n k=1

5.3 中心极限定理

5.3 中心极限定理

例2 据统计,某年龄段保险者中,一年内每个人死
亡的概率为0.005,现有10000个该年龄段人参加 人寿保险,试求未来一年内在这些保险者里面,
(1)有40个人死亡的概率(2)死亡人数不超过70个的概率. 解 设 X 表示10000个投保者在一年内死亡人数. 由题意知, ~ B(10000 ,0.005 ) ,则 X (1)直接计算:
1 P( X k ) e 2npq
分极限定理:当 n 很大时,
b np a np P ( a X b ) F ( b ) F ( a ) npq npq
40 P ( X 40) C10000 (0.005)40 (0.995)9960 0.0214 若用局部极限定理近似计算: np 50, npq 49.75
1 P ( X 40) e 2npq 1 e 2 49.75
P( X 70)
( 40 50 ) 2 249.75
由中心极限定理, X 近似服从 N (10,0.12 ).故 P( X 10.2) 1 P( X 10.2) 1 F 10.2 10 0.1
1 ( 2) 1 0.97725 0.02275 .
定理2 (德莫佛—拉普拉斯中心极限定理) 设 X ~ B ( n, p ) 则 (1)局部极限定理:当 n 很大时,
5.3
中心极限定理
林德伯格—列维中心极限定理
德莫佛—拉普拉斯中心极限定理
正态分布在随机变量的各种分布中占有特别 重要的地位.在一定条件下,即使原来并不服从 正态分布的一些独立的随机变量,当随机变量的 个数无限增加时,其和的分布也是趋于正态分布 的.概率论里,把研究在什么条件下独立随机变量 和的分布以正态分布为极限这一类定理称为中心 极限定理.

概率论中心极限定理

概率论中心极限定理
P 2 i 0 1 0X i2 0 5 0 0 1 2 0 5 0 0 2 0 0 2 0 1 0 0 1 0 0
1(3.54)= 0.0002 故一箱味精的净重大于20500克的概率为0.0002. (很小)
主讲:于红香
概率论
例2 设 X 为一次射击中命中的环数,其分布列为
EX 1 n
lim
B n 2 n i1
2
i i 0
李雅普诺夫条件

1 n
limP n B
n
i1
(Xi i)y(y)
主讲:于红香
概率论
例7 设 X1, X2 , …. , X99相互独立, 且服从不同的
0--1分布 PXi1pi110i0,
试求
P
99
Xi
60
i1
解: 设 X100, X101, ….相互独立, 且与X99同分布,
概率论
概率论
4-4:中心极限定理
主讲:于红香
概率论
误差的产生由大量微小的相互独立的随机因素
n
叠加而成,若误差记为 Yn X i i 1
当n充分大时,其分布是我们所关心的问题。 用卷积公式可以计算,但无疑相当复杂,不易实现。 见书中例4.4.2,
分析上例的趋势,我们应该先将随机和先标准化。 再研究其分布是否为标准正态分布。
设{Xn }为独立随机变量序列,若任对 > 0,有
1 n
lim
B n
2
2 n i1
xi Bn(xi)2pi(x)dx0
林德贝格条件

limP1
n Bn
n
(Xi i)y(y)
i1
主讲:于红香
概率论
李雅普诺夫中心极限定理

概率论与数理统计----第五章大数定律及中心极限定理

概率论与数理统计----第五章大数定律及中心极限定理

= 1 − Φ(3.54)
=0.0002
一箱味精净重大于20500的概率为 的概率为0.0002. 一箱味精净重大于 的概率为
推论:
特别,若X~B(n,p),则当n充分大时, 特别, ~B(n 则当n充分大时,
X~N(np,npq) X~N(np,npq) np
若随机变量X~B( X~B(n, ),则对任意实数x有 ),则对任意实数 即 若随机变量X~B( ,p),则对任意实数 有
不等式证明 P{-1<X<2n+1}≥(2n+1)/(n+1)(n+1)
3. 设P{|X-E(X)|<ε}不小于 不小于0.9,D(X)=0.009.则用 不小于 则用
切比绍夫不等式估计ε的 最小值是( 切比绍夫不等式估计 的 最小值是
0.3 ).
4.(894) 设随机变量 的数学期望为 设随机变量X的数学期望为 的数学期望为µ, 标准差为σ,则由切比绍夫不等式 标准差为 则由切比绍夫不等式 P{|X-µ|≥3σ}≤( ). 1/9 5. 设随机变量X的分布律为 设随机变量 的分布律为 P{X=0.3}=0.2, P{X=0.6}=0.8, 用切比绍夫不等式估计 |X-E(X)|<0.2的概率 的概率. 的概率
1 n lim P ∑ Xi − µ < ε = 1 n→∞ n i =1
定理(贝努里利大数定律) 设每次实验中事件A发生的概率 定理(贝努里利大数定律) 设每次实验中事件A 为p,n次重复独立实验中事件A发生的次数为nA,则对任 次重复独立实验中事件A发生的次数为n 意的ε>0 意的ε>0 ,事件的频率 nA ,有 ε>

+∞
−∞

中心极限定理

中心极限定理

EX np DX np(1 p ) npq
当n =1时,即为0-1分布的期望和方差。
实验背景:n重伯努利试验
独立重复试验的特征: 1、每次试验都在相同条件下进行; 2、每次试验的结果是相互独立的; 3、每次试验有有限个确定的结果; 4、每次试验的结果发生的概率相同; 如果试验共进行n次,称为n重独立重复试验.
一次试验中事件A出现的次数。
在n重贝努利试验中, 若令Xi表示第i次试验中事件A发生的次数, 则 X i 服从0-1分布.
若令X表示n次试验中事件A发生的总次数, n 则X服从二项分布,即 X ~ B(n, p). 且 X X i .
i 1
另一方面,由于 X1 , X 2 , X n 独立同分布, 由独立同分布中心极限定理知,当n充分大时, 近似地有 X ~ N (np, np(1 p))
Sn np k np l np k Sn l np(1 p) np(1 p) np(1 p)
利用中心极限定理可知,当n比较大时,近 似的有 Sn np
np(1 p) ~ N (0,1)
所以
k np P (k Sn l ) P np(1 p) S n np np(1 p) l np np(1 p)
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.
观察表明,如果一个量是由大量相 互独立的随机因素的影响所造成,而每 一个别因素在总影响中所起的作用不大 . 则这种量一般都服从或近似服从正态 分布.
高斯
(1777—1855) 德国
随机向量
6
这仅仅是经验之谈呢,还是确有理论依据呢? 对于这样一个重要问题,在长达两个世纪内一直成 为概率论研究的中心问题。数学家们经过卓越的工 作建立了一系列定理,解决了这一问题. 这一类定理都叫做中心极限定理。

中心极限定理计算公式

中心极限定理计算公式

中心极限定理计算公式中心极限定理是概率论中的一个重要定理,它描述了一组随机变量的和或平均值在一定条件下趋近于正态分布的现象。

中心极限定理有多种形式,其中最常见的是林德伯格-列维中心极限定理,它给出了一组独立同分布的随机变量的和或平均值的极限分布。

本文将介绍中心极限定理的基本概念、计算公式和应用示例,帮助读者理解和掌握这一重要的数学工具。

中心极限定理的基本概念为了方便说明,我们先假设有一个随机变量X,它服从任意一个已知的概率分布,其期望值为μ,方差为σ2。

我们从这个分布中抽取n个独立的样本,记为X1,X2,…,X n,并计算它们的算术平均值X=1n ∑n i=1X i。

我们可以想象,如果n很小,那么X的分布可能会受到X的分布的影响,比如如果X是偏态的,那么X也可能是偏态的;但是如果n很大,那么X的分布可能会趋向于一个对称的、钟形的分布,即正态分布。

这就是中心极限定理所要表达的内容:当样本容量n足够大时,无论原始分布是什么样的,样本平均值X都近似服从正态分布。

林德伯格-列维中心极限定理林德伯格-列维中心极限定理是最经典的中心极限定理之一,它给出了样本平均值X近似服从正态分布的条件和计算公式。

具体来说,该定理表明:如果随机变量X1,X2,…,X n相互独立且服从同一分布,且该分布具有有限的期望值μ和方差σ2,则当n→∞时,样本平均值X的标准化形式Z=X−μσ/√n近似服从标准正态分布N(0,1)。

换句话说,当n足够大时,我们可以用正态分布来近似描述样本平均值X的分布,并且可以用以下公式来计算其均值和标准差:E(X)=μSD(X)=σ√n其中μ和σ2是原始分布的期望值和方差。

中心极限定理的应用示例中心极限定理在统计学中有着广泛的应用,比如在构造置信区间、进行假设检验、计算抽样误差等方面都可以利用中心极限定理来简化计算和推断。

下面我们用一个简单的例子来说明中心极限定理的应用。

假设我们想要估计某个城市的居民的平均月收入,我们随机抽取了100个居民作为样本,得到了他们的月收入数据,如下表所示:月收入(元)频数2000-3999154000-5999256000-7999308000-99992010000-1199910我们可以根据这些数据计算出样本的平均值和标准差,分别为X=6475元和S=2123.6元。

概率论与数理统计 6.2 中心极限定理

概率论与数理统计 6.2 中心极限定理

则X~B(n,0.005), 近似地,X ~ N(0.005n,0.005 0.995n)
PX 5 1 PX 5
1
P
X 0.005n
5 0.005n
0.005 0.995n 0.005 0.995n
1
5 0.005n 0.005 0.995n
0.005n 5
0.005
近似地,X ~ N(10000 0.005,10000 0.0050.995)
即 X ~ N(50,49.75), 设死亡人数超过k人的概率小于0.003,
PX k 1 PX k
1
P
X
50
49.75
k 50 49.75
1
k 50 49.75
0.003
k 50 49.75
( x)
2
n
Xi n
定理表明,n足够大时,r.v. i1
近似服从N (0,1),
n
注意到E n X i n, D n X i n 2 ,
i1
i1
n
从而 X i近似服从 N (n , n 2 ). i 1
中心极限定理是概率论中最重要的一类极限定理,此定 理告诉我们,在一定条件下,相互独立的随机变量之和在个 数很多时近似服从正态分布,揭示了为什么正态分布是最
P( i1 n/3
3n) 2( 3n ) 1
(2)当n 36, 1时, 所求概率为
6
P(
1 36
36 i 1
Xi
a
1) 2(1.732) 1 0.92 6
(3)要求n, 使得
P(
1 n
n i 1
Xi
a
) 2(
3n ) 1 0.95

第二节--中心极限定理

第二节--中心极限定理

四、拉普拉斯中心极限定理
例3 100台车床独立工作,每台实际工作时间占全部 工作时间的80%. 求任一时刻有70至86台车床工作的 概率.
解:设
Xi
0, 1,
第i台床不工作 第i台床工作
i 1, 2,
,100
则 Xi B(1, 0.8)
100
100
依题意, E( X ) E( Xi ) E( Xi ) 80
设随机变量序列{ Xi }(i 1, 2, )独立同分布,
EXi , DXi 2 , i 1, 2, ,则
lim
n
P
n i 1
n
Xi E( Xi )
i 1
n
D( Xi )
i 1
x
lim P n
n i 1
Xi n n 2
x
1
x t2
e 2 dt ( x)
2
设随机变量序列{ Xi }(i 1, 2, )独立同0-1分布,即
n
Xi B(1, p), EXi p, DX i pq, i 1, 2, , X i nA,
i 1
n
n
lim n
P
i 1
Xi E( Xi )
i 1
n
D( Xi )
i 1
x
lim
n
P
nA np npq
x

近似
Xi N (n,n 2 ),
i 1
X
1 n
n
近似
X i N (, 2
i 1
n)
n
近似
~ Xi独立同0 - 1分布 Xi nA N (np,npq)
i 1
大数定律与中心极限定理

概率论第五章大数定律与中心极限定理讲解

概率论第五章大数定律与中心极限定理讲解



1 P
1200
Xk
k 1
10
0


2


1[
2

2
]


2 22 2 0.0228 0.0456
例2 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.
可知,当 n 时,有 1nn 源自1XiP E( X1)

a
因此我们可取 n 次测量值 x1, x2, , xn 的算术平均值
作为a
得近似值,即
a

1 n
n i1
xi ,当n充分大时误差很小。
例4 如何估计一大批产品的次品率 p ? 由伯努利大数定律可知,当 n 很大时,可取频率
则对任意的 x ,有
n ~ N(np, np(1 p)) n , 近似地
即 n np ~ N (0,1)
np(1 p)
或 lim P{ n np
x
x}
1
t2
e 2 dt x
n np(1 p)
2
证 因为 n ~ b(n, p)
n
所以 n X k k 1
i 1
1200
1200
心极限定理可得 X k ~ N (n,n 2),即 X k ~ N (0,100)
k 1
k 1
则所求概率为
1200
1200
P k1 X k

20


P

Xk 0
k 1

概率统计(5)大数定律与中心极限定理

概率统计(5)大数定律与中心极限定理
i=1
i =1 上一页 下一页
返回
定理2: 定理
上一页
下一页
返回
贝努利大数定律) (贝努利大数定律)设nA是n次独立重复试 次独立重复试 定理3: 定理 验中事件A出现的次数 是事件 出现的次数. 是事件A在每次试验中发生的 验中事件 出现的次数 p是事件 在每次试验中发生的 概率 (0<p<1),则对任意的ε >0有: 则对任意的 有 或 证明:设Xi表示第 i 次试验中事件 出现的次数, 次试验中事件A出现的次数 出现的次数, 证明: i=1,2,…,n,则X1,X2,…,Xn相互独立且均服从参数为 的 相互独立且均服从参数为p的 则 (0-1)分布,故有 E(Xi)=p, D(Xi)=p(1-p) i=1,2,…,n 分布, 分布 由契比雪夫大数定律知, 且 ,由契比雪夫大数定律知,对于任意 的 ,有
定理1: 定理
相互独立, 证 因X1,X2,…相互独立,所以 相互独立
1 n 1 n 1 l D ∑ X i = 2 ∑ D( X i ) < 2 nl = n n n i =1 n i =1
又因
1 n 1 n E ∑ X i = ∑ E ( X i ), n i =1 n i =1
ε
ε2
可见契比雪夫不等式成立. 可见契比雪夫不等式成立
上一页
下一页
返回
设电站供电网有10000盏电灯 夜晚每一盏灯开灯的 盏电灯,夜晚每一盏灯开灯的 例2 设电站供电网有 盏电灯 概率都是0.7,而假定开,关时间彼此独立 估计夜晚同时 而假定开, 概率都是 而假定开 关时间彼此独立,估计夜晚同时 开着的灯数在6800与7200之间的概率 之间的概率. 开着的灯数在 与 之间的概率 表示在夜晚同时开着的灯的数目,它服从参数为 解 设X表示在夜晚同时开着的灯的数目 它服从参数为 表示在夜晚同时开着的灯的数目 n=10000,p=0.7的二项分布 的二项分布. 的二项分布 若要准确计算,应该用贝努利公式 应该用贝努利公式: 若要准确计算 应该用贝努利公式:

概率论与数理统计课件:极限定理

概率论与数理统计课件:极限定理
n
n
n k 1
1 n
P
即 X k

n k 1
极限定理
首页 返回 退出
1 n
1 n
1 n
证: E ( X k ) E ( X k )
n k 1
n k 1
n k 1
1 n
1
D( X k ) 2
n k 1
n
n
1
1 2
2
D ( X k ) 2 n
极限定理
第一节 大数定律
第二节 中心极限定理
极限定理
首页 返回 退出
第一节 大数定律
一、问题的背景
二、随机变量序列的收敛性
三、常用的大数定律
极限定理
首页 返回 退出2
§5.1
大数定律
5.1.1 问题的背景
在实践中,人们发现,在随机现象的大量重复
出现中,往往呈现出必然的规律性. 即,要从随机现
象中去寻求规律,应该在相同的条件下观察大量重
就会得到

σ= −

~ ,


即独立同分布随机变量的算术平均近似地服从正态
分布,这是大样本统计推断的理论基础。
极限定理
首页 返回 退出
例2 已知某高校的在校学生数服从泊松分布,期望
为100.现开设一门公共选修课,按规定,选课人数超过
120人(含120人)就需分两个班授课,否则就一个班上

=1−
24

=0.0228
24

= 0.9772 = 2

∴ =12
84 − 72
60 − 72
60 ≤ ≤ 84 =

概率论课件 第4章第3讲中心极限定理

概率论课件  第4章第3讲中心极限定理
i 1 i n i 1 i i
n
n
E ( i pi ) (1 pi )3 pi pi3 (1 pi ) pi (1 pi )
3
1 lim 3 n B n
E(
i 1
n
i
pi ) lim
3
1 n pi (1 pi ) i 1
例2(正态随机数的产生) : 一般计算机 软件可产生在(0,1)区间上均匀分布的 随机数, 据此由中心极限定理产生来自 正态分布N ( , 2 )的随机数.
1 1 解: 设i ~ U (0,1)独立, 则E (i ) , D(i ) 2 12
由中心极限定理知 i 6
7 1 6 2 49 35 E ( X 1 ) , D( X 1 ) i 2 6 i 1 4 12
由中心极限定理
7 500 100 100 2 P{ X i 500 } 1 35 i 1 10 12
1 (8.78) 0

1 2



e
t2 2
dt
例3 : 某调查公司受委托, 调查某电视 节目在S 市的收视率p, 调查公司将所 有调查对象收看此节目的频率作为p ˆ .现在要求保证有90%的把握, 的估计p ˆ 与真实收视率p 使得调查所得收视率p 之间的差异不大于5%. 问至少要调查 多少对象 ?
解: 设共调查 n个对象
特殊情形
De Moivre--Laplace
定理(德莫佛-拉普拉斯极限定理):设随机变 量 n服从二项分布 n ~ B(n, p),(0 p 1) 则对于任意x,恒有
limP{
n

中心极限定理

中心极限定理

x
x}
1
t2
e 2 dt .

(5.11)
这个定理表明,二项分布以正态分布为极限。当 n 充分
大时,我们可以利用上两式来计算二项分布的概率。
例5.5 10部机器独立工作,每部停机的概率为0.2,求3部机器同时停机 的概率。 解 10部机器中同时停机的数目 X 服从二项分布,n =10,p = 0.2, np = 2,npq ≈ 1.265。 (1)直接计算: P{X 3} C130 0.23 0.87 0.2013. (2)若用局部极限定理近似计算:
k 1
如果用X1,X2,…,Xn表示相互独立的各随机因素,假定
它们都服从相同的分布(不论服从什么分布),且都有有限的期
望与方差(每个因素的影响有一定限度),则(5.8)式说明,作为
n
总和 Xk 这个随机变量,当 n 充分大时,便近似地服从正态分 k 1
布。
例5.3 一个螺丝钉质量是一个随机变量,期望值是1两,标准差是0.1两。 求一盒( 100 个)同型号螺丝钉的质量超过10. 2斤的概率。
E( X k ) k,D( X k ) k 2 0 (k 1,2, ) .
n
记 Bn2 k2 ,若存在正数 δ ,使得当 n →∞时, k 1
1
Bn 2
n
E{| X k k |2 } 0 ,
k 1
则随机变量
n
n
n
n
Xk E( Xk ) Xk k
Zn k1
k 1 n
D( Xk )
k1
k 1
Bn
k 1
的分布函数Fn ( x )对于任意 x 满足
n
n

Xk k
lim

概率论 4.4 中心极限定理

概率论 4.4    中心极限定理

k
2
0
,则随机变量
n X k E X k k 1 Z n k 1 n D X k k 1
X
k 1 k k 1
n
n
k
Bn
的分布函数Fn(x)对任意x,满足
n n Xk k x 1 t 2 / 2 k 1 k 1 limFn x limP x e dt n n Bn 2
中心极限定理中典型的问题 (1)设随机变量X1,X2,…,Xn,…相互独立同分布, E(Xk)=µ,D(Xk)=σ2≠0,(k=1,2,…),由定理1,当n充 分大时, X k n 近似服从标准正态分布。
k 1 n
n
(2)设ηnb(n,p), 由定理3, 当n充分大时, n np 近似服从标准正态分布。 np1 p
2. 中心极限定理 定理1(林德贝格-勒维中心极限定理) 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)=µ ,D(Xk)=σ2≠0,(k=1,2,…) 则随机 变量
n X k E X k k 1 k 1 Yn n D X k k 1
( 0.009n 0.000999 n ) 0.9
查表得
0.009n 0.000999 n
1.29 ,解不等式得n≥21.
注释:(1)定理2表明,在定理的条件下,随机变量,
Zn
X
k 1
n
k
k
k 1
n
Bn
当n很大时,近似地服从正态分布 N(0,1)。 由此,当n很大时, n n n 2 X k Bn Z n k ~ N k , Bn k 1 k 1 k 1 近似地服从正态分布. (2)同时定理也提供了大量独立随机变量之和有关的 事件概率的近似计算方法.

52中心极限定理

52中心极限定理
问应供应多少瓦电力就能以99.9%的概率保证该车 间不会因供电不足而影响生产?
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千瓦, 现在的问题是:
n
P
n
n i 1
Xi
1
大数定律并未给出 保证了其极限是1.P
1 n
n
i 1
X
i
的表达式,但
大数定律与中心极限定理的区别:
而在以上同一条件下,独立同分布的中心极限
定理亦成立,这时,对于任意的ε>0及某固定的
n,有
n
P
1 n
Xi
P
i 1
X i n n
n
由于 2
n
1
n1,因此,在所给条件下,
E( X ) NE( Xk ) 1.5N
D( X ) ND( Xk ) N
N
由中心极限定理, X Xk 近似 N (1.5N , N )
k 1
由题意 P{ X 60} 0.95
P{ X 1.5N 60 1.5N } 0.95 ( 60 1.5N ) 0.95
N
N
N
0 1.5N 1.645 N
U(0,10)),
E(Vk )=
0+10 2
5,
D(Vk
)=
(10-0)2 12
100 12
{Vk }独立同分布, 满足中心极限定理条件.
20
20
E(V ) E( Vk ) 20* 5 100 k 1
D(V ) D(
  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)。

Zn k 1
k 1
n
D( Xk )
k 1
n
k 1
(k 1, 2,)
(n 1, 2,)
的分布函数 Fn (对x) 任意 满x足
n
Xk n
lim Fn (x) lim P k 1
n
n
n
x
x
1
e
t2 2
dt
Φ(x)
2
对于均值为 方, 差 2的 0独立同分布的 r.v 列
有 即或
0.95
60 N 1.5 1.645 N 1
N 5.8, N 33.6
因N为正整数,故取N=33.即最多只能为33个顾客服务,才能
使总的服务时间不超过1小时的概率大于 0.95.
练习 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
σ
20
P{c
X
d}
d
σ
μ
c
σ
μ
.
若 X ~ N (0,1), 则
0 ( x) 1 ( x). 0 z1 z .
(7)正态分布的重要性质:两个或多个相互独立的正 态分布的线性组合仍是正态分布.
即 设X1,X2,…,Xn相互独立, 且Xi ~ N(μi ,σi2 ), i=1,2,…,n,则有
d(tn Φ1,(2x,)
)
除则非称 {X服X1 服n从}从正中态心分极布限,定否理则结论就不真.
设 {Xn }为独立 同分布的 r.v 列,其数学期望和方差分别为
E(Xk ) , D( Xk ) 2 0
则 {Xn服} 从中心极限定理 ,即标准化r.v
n
n
n
Xk E( Xk ) Xk n
X ~ N (0,1). n
在现实中为什么很多数量指标都 服从或近似服从正态分布
~近似
Z N( , )
研究发现这些指标通常是由大量相互独立的随机因素综 合影响而成,即
Z X1 X2 Xn
当n 时,在什么情况下
Zn
n
Xi的极限分布是?N (
,
)
i 1
n
n
Xi E(Xi )
i 1
为何韩国射击队这么强?
考察射击命中点与靶心距离的偏差.
这种偏差是大量微小的偶然因素造成的微小误 差的总和, 这些因素包括: 瞄准误差、测量误差、子 弹制造过程方面 (如外形、重量等) 的误差以及射击 时武器的振动、气象因素(如风速、风向、能见度、 温度等) 的作用, 所有这些不同因素所引起的微小误 差是相互独立的, 并且它们中每一个对总和产生的 影响不大.
问题: 某个随机变量是由大量相互独立且均匀小的
随机变量相加而成的, 研究其概率分布情况.
要点回顾
(1) 正态分布的定义 设连续型随机变量X 的概率密度为
f (x)
1
e ,
(
x μ 2σ2
)2
x
,
2πσ
其中 μ, σ(σ 0) 为常数,则称X服从参数为 μ, σ 的
正态分布或高斯分布,记为 X ~ N ( μ,σ2 ).

标准正态分布的分布函数表示为
x
( x)
1
t2
e 2 dt,
x .

(4)分位点的概念
若 x 满足 P{ X x } ,
则称 x为X的上 分位点(数)。 (0 1)
(5) 正态分布的期望和方差
设 X ~ N ( μ,σ2 ),则 E(Z ) , D(Z )
(6) 重要公式 若 X ~ N ( μ,σ2 ),则 10 Z X μ ~ N (0,1).
例1
在一零售商店中,其结帐柜台为各顾客服 务的时间(以分计)是相互独立同分布的随机变 量,均值为1.5,方差为1.
(1) 求对100位顾客的总服务时间不多于2小 时的概率
(2) 要求总的服务时间不超过1小时的概率大 于0.95,问至多能对几位顾客服务.
解 (1)以Xi (i=1,2,…,100)记对第i对顾客的服
(n 1, 2,)
E(Zn ) 0, D(Zn ) 1 (n部分1,和2,标)准化r.v
一般地若nl取,im答ZXF{的nnZ案n(n分x}是0的)布否(n极函nl定i限m数2的,分3P,!布F)k对n,n是(1则xX任)否kkn意1为kk2nN1满(k0足x,1)
x
Zn
xX2111
e1
t2 2
务时间.
则 E( Xi ) 1.5 D( Xi ) 1
按题意要求概率为
100
P{ Xi 120}.
i 1
由于X1,X2,…,X100相互独立且服从相同的分布,
由中心极限定理得
100
P{
i 1
Xi
120}
100
P
i 1
Xi 100 1.5 100 1
120 100 1.5
100 1
(2) 正态分布的分布函数
F ( x) 1
e d t x
(
t μ)2 2σ2
2πσ
(3) 标准正态分布
当正态分布 N ( μ,σ 2 ) 中的 μ 0, σ 1 时,这样 的正态分布称为标准正态分布,记为 N (0, 1).
标准正态分布的概率密度表示为
(x)
1
x2
e 2,
x ,Βιβλιοθήκη (3)0.0013.
(2) 设能对N位顾客服务,以Xi (i=1,2,…,100)
记对第i对顾客的服务时间.
按题意需要确定最大的N,使
N
P Xi 60 0.95.
i1
由中心极限定理,当N充分大时,上式可写成
N
P
i 1
X
i
N
1.5
60
N
1.5
N 1
N 1
60
N N
1.5 1
i 1
n
的极限分布是?N (0,1)
D( Xi )
i 1
设 { X是n} 独立r.v列,均值和方差都存在
E(Xn ) n , D( Xn ) n2 (n 1, 2,)
令 则
n
n
Xk E( Xk )
Zn k 1
k 1 n
D( Xk )
k 1
n
n
Xk k
k 1
k 1
n
2 k
k 1
X1, X2 ,, Xk ,
n
~ Xk n 近似
k 1
N (0 , 1)
n
~ X1 + X2 + Xn 近似 N(n , n2 )
在实际问题中,如果某数量指标满足
该指标是由大量相互独立的随机因素迭加而成
这些随机因素都是微小的、没有一个因素起到
突出的作用
则这个数量指标近似地服从正态分布
服务时间
C1 X1 C2 X2 ... Cn Xn
~
N (C1 μ1
C22
...
Cnn , C12σ12
C22
2 2
...
C
n2
2 n
).
特别地,设X1,X2,…,Xn相互独立,且X1,X2,…,Xn服从同
一分布 N (, 2 ), 值,则有
X
1n n i1
Xi
是X1,X2,…,Xn的算术平
X ~ N ( μ, 2 n ), 或
相关文档
最新文档