第二节中心的极限定理.pptVIP

1.中心极限定理的客观背景 在实际问题中，常常需要考虑许多随机因素所产生总影响. 例如：炮弹射击的落点与目标的偏差，就受着许多随机因素的影响. 5.2 中心极限定理 空气阻力所产生的误差， 对我们来说重要的是这些随机因素的总影响. 如瞄准时的误差， 炮弹或炮身结构所引起的误差等等. 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：客观实际中，许多随机变量是由大量 相互独立的偶然因素的综合影响所形成，每一个微小 因素，在总的影响中所起的作用是很小的，但总起来， 却对总和有显著影响，这种随机变量往往近似地服从 正态分布。 现在我们就来研究独立随机变量之和所特有的规律性问题. 当n无限增大时，这个和的极限分布是什么呢？ 在什么条件下极限分布会是正态的呢？ 由于无穷个随机变量之和可能趋于∞，故我们不研究n个随机变量之和本身而考虑它的标准化的随机变量 的分布函数的极限. 的分布函数的极限. 考虑 概率论中有关论证独立随机变量的和的极限分布 是正态分布的一系列定理称为中心极限定理。 独立同分布的中心极限定理 设随机变量X1，X2，…，Xn相互独立，服从同一分 布，且有有限的数学期望 和方差 ，则随机变量 的分布函数 满足如下极限式 注： 则Y n为 的标准化随机变量. 即 n 足够大时，Y n 的分布函数近似于标准正态 随机变量的分布函数 记 近似 近似服从 定理的应用：对于独立的随机变量序列 ，不管 服从什么分布，只要它们是同分布， 且有有限的数学期望和方差，那么，当n充分大时，这 些随机变量之和 近似地服从正态分布 下面我们举例说明中心极限定理的应用 从演示不难看到中心极限定理的客观背景 例:20个0-1分布的和的分布 X1 ~f(x) X1 +X2~g(x) X1 +X2+X3~ h(x) 几个(0,1)上均匀分布的和的分布 0 1 2 3 x f g h 例1 一部件包括10部分，每部分的长度是一个随机变 量，相互独立，且具有同一分布。其数学期望是2mm， 均方差是0.05mm，规定总长度为20±0.1mm时产品合 格，试求产品合格的概率。 解 设部件的总长度为X，每部分的长度为 Xi（i=1,2,…,10)，则 由定理可知：X近似地服从正态分布 即 续解 则产品合格的概率为 棣莫弗—拉普拉斯中心极限定理 (De Moivre-Laplace) 设 Y n ~ B( n , p) , 0 p 1, n = 1,2,… 则对任一实数 x，有 即对任意的 a b, Y n ~ N (np , np(1-p)) (近似) 正态分布的概率密度的图形 x m m+s m-s 二项分布的随机变量可看作许多相互独立的0-1分布的随机变量之和, 下面是当x-B(20,0.5)时, x的概率分布图 Poisson分布相当于二项分布中p很小n很大的分布, 因此, 参数l=np当很大时也相当于n特别大, 这个时候Poisson分布也近似服从正态分布, 下面是l=30时的Poisson概率分布图. 例2 设有一大批种子，其中良种占1/6. 试估计 在任选的6000粒种子中，良种所占比例与 1/6比较上下不超过1%的概率. 解 设 X 表示6000粒种子中的良种数 , 则 X ~ B(6000,1/6) 近似 比较几个近似计算的结果 用中心极限定理 用二项分布(精确结果) 用Poisson 分布 用Chebyshev 不等式 例3 对敌人的防御工事用炮火进行 100 次轰击, 设每次轰击命中的炮弹数服从同一分布, 其 数学期望为 2, 均方差为 1.5 . 如果各次轰击 命中的炮弹数是相互独立的, 求100 次轰击 (1) 至少命中180发炮弹的概率; (2) 命中的炮弹数不到200发的概率. 解 设 X k 表示第 k 次轰击命中的炮弹数 相互独立， 设 X 表示100次轰击命中的炮弹数, 则 (1) (2) 例4 售报员在报摊上卖报, 已知每个过路人在 报摊上买报的概率为1/3. 令X 是出售了100份 报时过路人的数目，求 P (280 ? X ? 32