中心极限定理的内涵和应用（可编辑）.doc

中心极限定理的内涵和应用 这个中心极限定理是由林德贝格和勒维分别独立的在1920年获得的,定理告诉我们,对于独立同分布的随机变量序列,其共同分布可以是离散分布,也可以是连续分布,可以是正态分布,也可以是非正态分布,只要其共同分布的方差存在,且不为零,就可以使用该定理的结论。 定理1的结论告诉我们:只有当n充分大时,才近似服从标准正态分布,而当n较小时,此种近似不能保证。也就是说,在n充分大时,可用近似计算与有关事件的概率,而n较小时,此种计算的近似程度是得不到保障的。当时,则有 经过多方面的理论研究,我们可知定理1主要适用于以下两个方面; 应用一:求随机变量之和落在某区间的概率(例如例2.)。 应用二:已知随机变量之和取值的概率,求随机变量的个数n。 在日常生活中,我们会发现其实有很多的例子均可用林德伯格-勒维中心极限定理来解决。在此我们从中选择了几个典型而又带有新意的例子,仅供大家参考。 例1.用中心极限定理说明在正常的射击条件下,炮弹的射程服从或近似服从正态分布。[1] 解:设a为理论射程,为实际射程,则-a为实际射程对理论射程的偏差,显然+a,故只需证~N,。 由于在实际射击中,有很多不可控制的随机因素在不断变化,所以造成了实际射程对理论射程的偏差,若设:射击时炮身振动引起的偏差,:炮弹外形差异引起的偏差,:炮弹内火药的成分引起的偏差,:射击时气流的差异引起的偏差……,:……,显然有 ∵影响实际射程的因素是大量的, ∴这里的n一定很大, 又∵炮身的振动、炮弹的外形、火药的成分、气流的变化…….这些因素之间没有什么关系或有微弱关系。 ∴由它们引起的,,……可看做是相互独立的。 而正常的射击条件也就是对射程有显著影响的因素已被控制,所以,,……所起的作用可看做是同样微小。 ∴由中心极限定理可知~N,。 ∵可正,可负且相会均等∴p0 ∴~N0,。 则 从这个例子来看,虽然看上去有点复杂,但是我们还是很清晰地可以看到如果一个随机变量能表示成大量独立随机变量的和,并且其中每一个随机变量所起的作用都很微小,则这个随机变量服从或近似服从正态分布,这给我们的计算带来很大方便。 现在的旅游、汽车等行业越来越受欢迎,为了体现中心极限定理的重要性,我们不妨从现实生活中的热门行业说起,看看它到底起到怎样的重要性。 例2.某汽车销售点每天出售的汽车服从参数为2的泊松分布,若一年365天都经营汽车销售,且每天出售的汽车数是相互独立的,求一年中售出700辆以上汽车的概率。[1] 解:设为第i天出售的汽车的数量,则为一年的总销量,由,知365×2730 利用中心极限定理得 P7001-P≤700≈1?1-一1.110.8665 从此例可以看出,中心极限定理揭示了离散型随机变量与连续型随机变量的内在关系,即离散型随机变量的极限分布是正态分布。 事实上,在现实生活中的很多方面,我们都能清晰地看到中心极限定理的存在。那么在理论中,我们也可用它来解决一些比较抽象的问题,比如下面的极限求解问题。 例3.利用中心极限定理证明: [1] 证明:设独立同分布且~P1,k1,2……. 则al,1 ∵由泊松分布的可加性知~Pn ∴ 又∵由中心极限定理知: ∴ 如果在林德伯格-勒维中心极限定理中,服从二项分布,就可以得到以下的定理: 定理2(棣莫弗-拉普拉斯中心极限定理)设n重伯努利试验中,事件A在每次试验中出现的概率为p(0p1),记为n次试验中事件A出现的次数,且记,则对任意实数y,有 该定理是林德伯格-莱维中心极限定理的特殊情况,是最早的中心极限定理。大约在1733年,棣莫弗对p证明了上述定理,后来拉普拉斯把它推广至p是任意一个小于l的正数上去。 它表明,n充分大时,分布近似服从与标准正态分布,常称为“二项分布收敛于正态分布”,正态分布是二项分布的极限分布,当n充分大时,我们可以利用该定理的结论来计算二项分布的概率。 由于此定理有更广泛的实际应用,我们将在下面的部分具体地分析棣莫弗-拉普拉斯中心极限定理在实际生活中的应用。 二、独立不同分布下的中心极限定理及其应用 前面我们已经在独立同分布的条件下,解决了随机变量和的极限分布问题。在实际问题中说诸具有独立性是常见的,但是很难说诸是“同分布”的随机变量。比如在我们的生活中所遇到的某些加工过程中的测量误差,由于其是由大量的“微小的”相互独立的随机因素叠加而成的,即,诸间具有独立性,但不一定同分布。在此,我们还要深入地研究在独立不同分布的前提下,各随机变量和的极限分布问题,目的