概率论4.4中心极限定理.pptVIP

第4节 中心极限定理 1. 现象： 在实际中所遇到的许多随机变量，往往服从正态分布或近似服从正态分布。 例如测量误差，成绩的分布，城市中某时刻的用电量等随机变量均近似服从正态分布。 他们共同的特点：这些随机现象是由大量的相互独立随机因素的综合作用的结果。而其中每个个别因素所起的作用是微小的，只是它们作用总和中的一部分。大量实践经验告诉我们这一总和的分布是近似服从正态分布。 即Yn的分布函数Fn(x),对于任意x满足 若存在正数σ，使得当n→∞时，  ,则随机变量 注释：(1)定理2表明，在定理的条件下，随机变量, 定理3(德莫佛-拉普拉斯De Moivre-Laplace定理) 设随机变量ηn (n=1，2，…) 服从参数为 n，p (0p1)的二项分布，则对于任意x，恒有 中心极限定理中典型的问题 (1)设随机变量X1，X2，…,Xn，…相互独立同分布， E(Xk)=μ，D(Xk)=σ2≠0,(k=1,2,…),由定理1，当n充分大时， 近似服从标准正态分布。 例1: 一加法器同时收到20个噪声电压Vk(K=1，2，…，20)，设它们是相互独立的随机变量，且都在区间(0，10)上服从均匀分布，记 ，求P{V105} 的近似值。 例2: 保险业是最早使用概率论的部门之一，保险公司为了估计企业的利润，需要计算各种概率。假设现要设置一项保险：一辆自行车年交保费2元，若自行车丢失，保险公司赔偿200元，设在一年内自行车丢失的概率为0.001,问至少要有多少辆自行车投保才能以不小于0.9的概率保证这一保险不亏本？ 解: 设有n辆自行车投保，ηn表示一年内n辆自行车中丢失的数量。则 ηn?b(n, 0.001),问题归结为n至少为多少时， P{2n-200ηn≧0}≥0.9 上式化为 P{ηn≦0.01n}≥0.9 * P227例4.4.2 2. 中心极限定理 定理1(林德贝格-勒维中心极限定理) 设随机变量X1，X2，…,Xn，…相互独立，服从同一分布，且具有数学期望和方差 E(Xk)=μ，D(Xk)=σ2≠0,(k=1,2,…) 则随机变量 依分布收敛到Y,而Y?N(0,1). 定理2(李雅普诺夫Liapunov定理) 设随机变量X1，X2，…,Xn，…相互独立，它们具有数学期望和方差, E(Xk)=μk ， D(Xk)=σk2≠0  (k=1，2，…),记 的分布函数Fn(x)对任意x，满足 近似地服从正态分布. 当n很大时，近似地服从正态分布 N(0，1)。由此，当n很大时， (2)同时定理也提供了大量独立随机变量之和有关的事件概率的近似计算方法. 证：将ηn 看成是n个相互独立、服从同一(0-1)分布的随机变量X1，X2，…,Xn之和，即有 ，且E(Xk)=p，D(Xk)=p(1-p)(k=1， 2，…n)，由定理1得 (2)设ηn?b(n,p), 由定理3, 当n充分大时， 近似服从标准正态分布。 解: 易知E(Vk)=5，D(Vk)=100/12(k=1，2，…，20)。 由定理1，随机变量 近似服从正态分布N(0，1)， 即有 P{V105}≈0.348。 查表得 ,解不等式得n≥21. * * * 有关这一类极限定理我们称之为中心极限定理，本节我们介绍三个常用的中心极限定理。 即无论各个随机变量Xk(k=1，2，…)服从什么分布，只要满足定理的条件，那么它们的和X1+X2+…+Xn当n很大时，就近似服从正态分布。这就是为什么正态随机变量在概率论中占有重要地位的一个基本原因。也解释了为什么在自然界和社会现象中很多随机变量服从正态分布或近似服从正态分布。