08大数定律2016.ppt

由前几章的讨论可知，正态分布在随机变量的一切可能分布中占有特殊的地位。在客观世界中我们遇到的许多随机变量都是服从或近似服从正态分布的。 为什么大量的随机变量都服从正态分布呢?李雅普诺夫证明了在某些一般的充分条件下，当随机变量的个数无限增加时，独立随机变量的和的分布是趋于正态分布的。 在概率论发展史上，许多科学家建立了众多的中心极限定理。在本节中我们只给出两个常用的中心极限定理。 在概率论中把研究大量独立随机变量和的分布以正态分布为极限的这一类定理统称为中心极限定理。 中心极限定理 定 理 一 林德伯格-列维中心极限定理 [ 独立同分布的中心极限定理 ] 定 理 二 棣莫弗-拉普拉斯中心极限定理 [ 二项分布以正态分布为极限分布 ] (Lindberg-levi) (De Moivre-Laplace) 正态分布的概率密度的图形 x m m+s m-s 二项分布的随机变量可看作许多相互独立的0-1分布的随机变量之和, 下面是当X~B(20,0.5)时, X的概率分布图 泊松分布相当于二项分布中p很小n很大的分布, 因此, 参数l=np当很大时也相当于n特别大, 这个时候泊松分布也近似服从正态分布, 下面是l=30时的泊松概率分布图. 在c2(n)分布中, 如果自由度n很大, 也可以认为是多个自由度为1的相互独立的c2(1)分布的随机变量的和, 因此也近似服从正态分布. 下面是c2(60)的概率密度曲线. x 0 60 120 定义3 设随机变量序列 相互独立，均 具有有限的数学期望与方差，且 记 则称随机变量 为随机变量 的规范和． 相关结 论 定义4 若随机变量 的规范和 的分布函数 为 ，如果对任意实数x，有 则称 服从中心极限定理。 两个常用的中心极限定理． 1.列维—林德伯格定理 列维—林德伯格(Levy—Lindberg)定理是关于独立同分布 随机变量序列的中心极限定理. 定理3 设 是独立同分布的随机变量序列，且 则对任意实数x，有 序列 ,若方差存在且大于0，则随机变量 的分布函数 趋近于标准正态分布的分 证明略去． 定理1说明当n充分大时,对于独立同分布的随机变量 布函数 。即随机变量 近似地服从标准正 态分布 注 则 Y n 为 的标准化随机变量. 即 n 足够大时，Y n 的分布函数近似于标准正态随机变量的分布函数. 记 近似 近似服从 中心极限定理的意义 若联系于随机现象的随机变量为X ， 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 ,则这个总和服从 或近似服从正态分布. 推论 设是 一独立同分布的随机变量序列， 且 则当n充分大时，随机变量 近似地服从正态分布. ~ 即 下面介绍的棣莫弗—拉普拉斯(De Moivre—Laplace)定理 2.棣莫弗—拉普拉斯定理 是列维一林德伯格定理的特殊情形。 设 Y n ~ B( n , p) , 0 p 1, n = 1,2,… 则对任一实数 x，有 即对任意的 a b, Y n ~ N (np , np(1-p)) (近似) 定理4 证明 设 表示n重伯努利试验中事件A在第i次 试验中出现的次数，则 相互独立且都服从 参数为p的0—1分布． 由定理3，对于任意的x，有 从而 设 X ~ B (10000 , 0.2) , 求 p（1900X2100）. 由题设 n=10000，p=0.2, q=1－p=0.8 解 将X 标准化，并由定理4有 例3 设有40个电子元件 ,它们的使用情况 解 由题意得 以后近似服从标准正态分布，而X的期望和方差分别为 例4 则 例5 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 (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 相互独立， 设 X 表示100次轰击命中的炮弹数, 则 由独立同分布中心极限定理, 有 (1) (2) 例6 设有一批种子，其中良种占1/6. 试估计在任选的6000粒种子中，良种比例与 1/6 比