第4章大数定律和中心极限定理案例.pptVIP

第4章 大数定理和中心极限定理 4.1 验证性实验 4.2 设计性实验 4.3 综合性实验 实验过程，在Matlab命令窗口输入： p = 0.003; n = 3000; premium = 280; indemnity = 50000; profit = 200000; gain = premium * n; x1 = gain / indemnity; p1 =1- normcdf((x1 - n*p)/sqrt(n*p*(1-p))) x2 = (gain - profit)/indemnity; p2 = normcdf((x2 - n*p)/sqrt(n*p*(1-p))) 输出结果为： p1 = 0.0046 p2 = 0.8977 4.3 综合性实验 实验一　测量的精确性 【实验目的】 1.加深对数学期望和方差概念的理解，并了解其使用 2.了解MATLAB软件在模拟仿真中的应用 【实验要求】 数学期望与方差的理论知识，Matlab软件 【实验内容】 中学物理给了大家一个结论：在进行测量时，为了减少随机误差，往往是重复测量多次后取其结果的平均值。特别是在做一些较精确的测量时，更是需要多次测量。现以测量一个线段的长度为例，请大家对这一结论做出解释。 【实验过程】 设 ( )为经过多次测量时得到的结果，则 相互独立，且服从相同分布。由影响测量的因素较多，所以 一般服从正态分布，假设有 ,根据独立同分布的中心极限定理，对于重复多次试验，这些独立同分布的随机变量的和 服从 由期望和方差的性质有 经过多次测量求平均后，在期望不变的情况下，原本 的方差 ，变成了 。 由于方差的变小，结果自然更加精确。当我们进行精密测量时，为了减少随机误差，往往就是这样重复测量多次后取其结果的平均值。 在Matlab命令窗口随机生成一串随机数，服从 ，然后取其中一部分结果，观察其平均值的变化： kesai = normrnd(50,2,100,1)； kesai(1) ans = 46.2663 mean(kesai(1:10)) ans = 49.9743 mean(kesai(1:100)) ans = 49.9900 若不取平均值，就一次测量，误差为：50－46.2663＝3.7337；取10次测量的结果，误差为50－49.9743＝0.0257；而取100测量的结果，误差为：50－49.9900＝0.0100。可见，多次测量可以提高测量的精度。 实验二　大数定律在保险中的应用 【实验目的】 1．加深对数学期望和方差概念的理解，并了解其使用 2．了解MATLAB软件在模拟仿真中的应用 【实验要求】 数学期望与方差的理论知识，Matlab软件 【实验内容】 在概率论中，一切论述“一系列（数目很大）相互独立的随机变量的平均值几乎恒等于一个常数”的定理都称为大数定律。大数定律是说，数目很多的一些相互独立的随机变量 ，尽管它们的取值都是随机的，但它们的平均值几乎恒等于一个常数。 大数定律应用在保险学上，就是保险的赔偿遵从大数定律。其含义是：参加某项保险的投保户成千上万，虽然每一户情况各不相同，但对保险公司来说，平均每户的赔偿金几乎恒等于一个常数。 假如某保险公司有10000个同阶层的人参加人寿保险，每人每年付12元保险费，在一年内一个人死亡的概率为0.006，死亡时，其家属可向保险公司领得1000元。试问：平均每户支付赔偿金5.9元至6.1元的概率是多少？保险公司亏本的概率有多大？保险公司每年利润大于4万的概率是多少？ 【实验过程】 设 表示保险公司支付给第 户的赔偿金， 0 1000 P 0.994 0.006 各 相互独立。则 表示保险公司平均对每户的赔偿金， 由中心极限定理， 虽然每一家的赔偿金差别很大（有的是0，有的是1000元），但保险公司平均对每户的支付几乎恒等于6元，在5.9元至6.1元内的概率接近于1，几乎是必然的。所以，对保险公司来说，只关心这个平均数。 在Matlab命令窗口输入： format long low = 5.9; up = 6.1; n = 10000; fee = 12; p = 0.006; fp = 1000; Ex = fp* p; Dx = fp*p*(1-p); Exx = Ex; Dxx = Dx/n; P1 = normcdf((up-Exx)/sqrt(D