第4章第3讲 中心极限定理 中南大学概率论课件.ppt

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. 特殊情形 小结: 1.中心极限定理的定义； 2.几个中心极限定理：德莫佛-拉普拉斯定理（二项分布以正态分布为极限分布）；林德贝尔格一勒维定理（独立同分布的中心极限定理）; 林德贝尔格定理 ;李雅普诺夫定理 3.利用中心极限定理解决一些实际中的概率计算问题. 作业:P222 　4.33, 4.34, 4.36,4.41 例5:利用中心极限定理证明： 证：设 是独立同分布随即变量序列，共同分布为的Poisson分布，故 由林德贝尔格－勒维中心极限定理知 由普哇松分布的可加性知 是参数为的普哇松分布，因而 * * 概率论 中南大学数学院 概率统计课程组 §4.3 中心极限定理 §4.4 中心极限定理(续) 1. 中心极限定理的概念 在一定条件下,许多随机变量的极限分布是正态分布:“若一个随机变量可以看作许多微小而独立的随机因素作用的总后果,每一种因素的影响都很小,都有不起压倒一切的主导作用,则这个随机变量一般都可以认为近似地服从正态分布.” 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 ;测量者观察时视线所产生的误差子力学 ;测量者心理和生理上的变化产生的测量误差 ;…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 一般地,在研究许多随机因素产生的总影响时,很多可以归结为研究相互独立的随机变量之和的分布问题,而通常这种和的项数都很大.因此,需要构造一个项数越来越多的随机变量和的序列: 我们关心的是当n→∞时,随机变量和的极限分布是什么? 由于无穷个随机变量之和可能趋于∞，因此直接研究随机变量之和的极限分布不方便,故先将其标准化为: 再来研究上面随机变量序列的极限分布. 若对于一切实数x,有 定义：设{ }为相互独立的随机变量序列,有有限的数学期望和方差 令 则称随机变量序列{ }服从中心极限定理. 2.独立同分布的中心极限定理 定理[林德贝尔格-勒维(Lindeberg-Levy)定理] :设{ }为独立同分布的随机变量序列,且具有数学期望 ,则随机变量 的分布函数Fn(x),对于任意x,满足 证明: 例1: 将一颗骰子连掷100次，则点数 之和不少于500的概率是多少？ 解: 由中心极限定理 解： 注: 此为林德贝尔格-勒维定理的特殊情况. 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 则对于任意x,恒有 由独立同分布的中心极限定理得 解： 若第i个对象收看此节目 若第i个对象不看此节目 在前面介绍的中心极限定理中,不仅要求随机变量序列相互独立,而且要求它们同分布.而实际问题中的许多随机变量序列,说其具有独立性是合理的,但很难满足同分布的要求.为了解决此问题,引入下面的林德贝尔格条件: §4.4 中心极限定理(续) (独立不同分布下的中心极限定理) (1)若{ }是连续型随机变量序列,密度函数列为{pk (x)},如果对任意的τ0,有 定义:设{ }为相互独立的随机变量序列,且具有数学期望和方差 记 (2)若{ }是离散型随机变量序列, 的分布列为 则称{ }满足林德贝尔格条件. 如果对任意的τ0,有 注:由林德贝尔格定理可以推出林德贝尔格-勒维定理 定理(林德贝尔格定理): 设独立随机变量序列{ }满足林德贝尔格条件,则对任意实数x,有 设{ }为相互独立同分布的随机变量序列,且具有数学期望E( )=μ和方差D( )=σ2 ,若 为连续型随机变量,密度函数为pk(x)=p(x),则 若存在δ0,使得 定理(李雅普诺夫定理):设{ }为相互独立的随机变量序列,且具有数学期望和方差 记 则对任意的实数x有 证明: 只需验证{ }满足林德贝尔格条件.仍设 为连续型随机变量,密度函数为pk(x) 则有 解： 若学生答对第i题 若学生答错第i题