概率论及数理统计课件--第4章-1.pptVIP

中心极限定理 前面我们的讨论中讲过正态分布在随机变量的一切可能分布中占有特殊地位。在客观世界中，我们遇到的许多随机现象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？ 俄国数学家李亚普诺夫(Ляпуров)证明了在某些非常一般的充分条件下，独立随机变量的和的分布，当随机变量的个数无限增加时，是趋于正态分布的。 在概率论中，把大量独立的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。我们这里给出的两个最常用的中心极限定理。 设随机变量X1,X2,…,Xn,…相互独立同分布，且E(Xi)=?，D(Xi)=σ2 (σ2 0)(i=1,2,…)，记前n个变量的和的标准化变量为 一、独立同分布的中心极限定理(Lindeberg- Levy林德贝格-列维)(P117 定理3 ) 则Yn的分布函数Fn(x)对任意的x∈(-∞,+∞)都有 该定理说明，当n充分大时， Yn近似地服从标准正态分布，Yn~N(0,1)， 随机变量 近似地服从于正态分布 中心极限定理可以解释如下： 假设被研究的随机变量可以表示为大量独立的随机变量的和，其中每个随机变量对于总和的作用都很微小，则可以认为这个随机变量实际上是服从正态分布的。 在实际工作中，只要n足够大，便可把独立同分布的随机变量之和当作正态变量。 例4.19 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 设 Xk为第k 次掷出的点数，k=1,2,…,100，则 X1,X2,…,X100独立同分布，而且 由中心极限定理 二、德莫佛-拉普拉斯定理(De Moivre-Laplace) 在n重贝努里试验中，每次试验中事件A发生的概率为p(0p1)，记Yn为n次试验中事件A发生的次数，则对任何区间[a,b](a≤b)，有 其中q=1-p 即Yn~B(n,p)，则 此定理表明，正态分布是二项分布的极限分布。当n充分大时，服从二项分布的随机变量的概率计算可以转化为正态随机变量的概率计算。 一般地,若 X~B(n,p)，则当n较大，而p较小时 即近似地，X~N(np,npq)，从而 例4.21 在一家保险公司里有10000个人参加寿命保险，每人每年付12元保险费。在一年内一个人死亡的概率为0.6%，死亡时其家属可向保险公司领得1000元，问：(1)保险公司亏本的概率有多大？ (2)其他条件不变，为使保险公司一年的利润有99%的概率不少于60000元，赔偿金至多可设为多少？ 解 设X表示一年内死亡的人数，则X~B(n,p)，其中 n= 10000，p=0.6%， np=60， npq=59.64 近似地有X~N(np, npq)，即X~N(60,59.64) 设Y表示保险公司一年的利润，则 Y=10000?12-1000X 于是由中心极限定理 (1)P(Y?0)=P(10000?12-1000X?0) =1?P(X?120) ?1 ? ?(7.769)=0; (2)设赔偿金为a元，则 P(Y≥60000)=P(10000?12-aX≥60000) =P(X≤60000/a)≥0.99 由中心极限定理，上式等价于 标准正态分布表 二、二项分布X~B(n,p) 分布律为P(X=k)=Cnkpkqn-k，(p+q=1)，k=0,1,2,…,n 其中 随机变量函数的数学期望 在计算时，若将X表示成若干个相互独立的0—1分布变量之和，计算就极为简便。 在n重Bernoulli试验中，A发生的概率为p，不发生的概率为q=1-p。设 则A发生的次数 X~B(n,p) 三、Poisson分布 X~P(λ)， 五、均匀分布 X~U[a, b] 六、正态分布 N(μ,σ2)中两个参数μ和σ2 ，分别是正态分布的数学期望和方差。 七、指数分布 某些常用分布的数学期望及方差 （1）若 则 （2）若 则 （3）若 则 （4）若 则 （5）若 则 （6）若 则 课 堂 练 习 1.设X~ ,求下列X的函数的数学期望. (1)2X-1, (2)(X-2)2 2. 设X~ , 求E(X),D(X). 3. X,Y独立，D(X)=6，D(Y)=3，则D(2X-Y)=（ ）。 4.3 协方差，相关系数 定义 设(X,Y)是二维随机变量，如果 E{[X?E(X)][Y?E(Y)]} 存在, 则称它是X与Y的协方差，记为cov(X,Y) 即 cov(X,Y)= E{[X?E(X)][Y?E(Y)]}。 当D(X)0,