概率论4.4.ppt

以下叙述一个常用的中心极限定理 定理4.9(独立同分布的中心极限定理) 如果随机变量序列X1,X2,…,Xn,…独立同分布，并且具有有限的数学期望和方差，EXi = μ，DXi=σ20，i=1,2,…，则对一切x，有 证明需要用到随机变量的特征函数，略. 从式 可以看出，不管Xi (i=1,2,…)服从什么分布，只要n充分大，随机变量 就近似地服从N(0,1)，而 随机变量 近似地服从N(nμ,nσ2). 此时，我们称 渐近地服从N(0,1). 定理4.9又被称为列维—林德伯格(Levy—Lindeberg)中心极限定理. 例1 计算机在进行加法时，对每个被加数取整(取为最接近于它的整数)，设所有的取整误差是相互独立的，且它们均在(?0.5,0.5)上服从均匀分布.若将1500个数相加，问误差总和的绝对值不超过15的概率是多少？ 解 设Xi表示第i个被加数的取整误差，i= 1,2,…,1500，则 Xi~U(?0.5,0.5) 且X1,X2,…,X1500相互独立，故 μ= EXi = 0 σ2 = DXi =1/12. 令Z=X1+X2…+ X1500，由列维—林德伯格中心极限定理 得 于是，所求的概率为 定理4.10 [德莫弗—拉普拉斯(De Moivre?Laplace)定理] 设在n重伯努利试验中，成功的次数为Yn，而在每次试验中成功的概率为p(0p1)，q=1?p，则对一切x，有 证明 设Xi表示在第i次试验成功的次数，i= 1,2,…,n ，则Xi的分布列为 Xi 0 1 P q p 且 由于X1,X2,…,Xn是独立同分布的随机变量序列分布列，且EXi=p，DXi=pq (i=1,2,… ,n )有限，故满足定理4.9(独立同分布的中心极限定理)的条件， 于是由式 得 定理5.10表明二项分布以正态分布为极限分布 推论 对定理5.10中的n重伯努利试验，n充分大时，有 证 从 由定理5.10(德莫弗—拉普拉斯定理)即得结论. 由推论可知，当n很大时，二项分布的概率计算问题，可以转化为正态分布来计算，这将使计算量大大减小. 例如，当n很大时，若要计算 工作量是惊人的.但是，用式 只要查一下正态分布函数表就可以轻松地求出它的相当精确的近似值. 例2 重复投掷硬币100次，设每次出现正面的概率均为0.5，问“出现正面次数大于50，小于61”的概率是多少？ 解 设出现正面的次数为Yn，现在 由式 得 应该指出：定理4.10及其推论中的 Yn 是仅取非负整数值0,1,2,… ,n的随机变量，注意到正态分布是连续型的分布，所以在求概率 P(Yn≤m)(m为正整数) 时，为了得到较好的近似值，可以用下面的近似公式 例3 以X表示将一枚匀称的硬币重复投掷40次中出现正面次数，试用正态分布求P(X=20)的近似值，再与精确值比较. 解 这里n=40，p=1/2，q=1/2，故 而精确解为 当然，求例3这样的概率还有德莫弗—拉普拉斯局部极限定理可用，这里就不予以论述了. 由前面的讨论可见，对二项分布，当n充分大，以致npq较大时，正态近似是相当好的近似. 进一步的分析表明，当接近于0或1时，用正态近似效果不好，这时就要用到泊松近似了. 由定理2.10(二项概率的泊松逼近定理)，当p(或q)很小，而np(或nq)大小适中时，泊松近似是较好的. 在实际中，一般当0.1p0.9且npq9时，用正态近似；当p≤0.1(或p≥0.9)且n≥10时，用泊松近似. 例4 一生产线生产的产品成箱包装，每箱的重量是随机的.假设每箱的平均重量为50千克，标准差为5千克.若用最大载重量为5吨的汽车承运，试利用中心极限定理说明，每辆车最多可以装多少箱，才能保证不超载的概率大于0.977.(Φ(2)= 0.977，其中Φ(x)是标准正态分布函数.) 解 设Xi(i=1,2,…,n)是装运的第i箱的重量(单位：千克)，n是所求的箱数. 由条件可以把X1,X2,…,Xn视为独立同分布的随机变量，而n箱的总重量 Tn=X1+X2…+Xn 是独立同分布随机变量之和. 由条件知 根据列维—林德伯格(独立同分布的)中心极限定理， Tn近似服从正态分布N(50n,25n). 箱数n决定于条件 由此可见 从而n98.02，即每辆车最多可以装98箱，才能保证不超载的概率大于0.977. 例5．某保险公司多年的资料表明，在索赔户中，被盗索赔户占20%，以表示在随机抽查100个索赔户中因被盗而向保险公司索赔的户数，求 解 例5 ．某保险公司多年的资料表明，在索赔户中，被盗索赔户占20%，以表示在随机抽查100个索赔户中因被盗而向保险公司索赔的户数，求 解 第四章 随机变量的数字特征 4.4 大数定律和中心极限定理