概率统计第五章大数定律及中心极限定理_第5章中心极限定理

概率统计第五章大数定律及中心极限定理由刀豆文库小编整理，希望给你工作、学习、生活带来方便，猜你可能喜欢“第5章中心极限定理”。

第五章大数定律及中心极限定理

第一节 大数定律（Laws of Large Numbers）

随机现象总是在大量重复试验中才能呈现出明显的规律性，集中体现这个规律的是频率的稳定性。大数定律将为此提供理论依据。凡是用来说明随机现象平均结果稳定性的定理统称为大数定律。由于内容非常丰富，我们只介绍其中两个。

一 契比雪夫大数定律

[定理1（契比雪夫的特殊情况）]设相互独立的随机变量X1,X2,,Xn,具有相同的数学

期望和方差：E(Xk)，D(Xk)(k1,2,)，则0,1limPn

n

n

X

k1

k



1

．

【注1】 契比雪夫大数定律告诉我们：随机变量的算术平均有极大的可能性接近于它们的数学期望，这为在实际工作中广泛使用的算术平均法则提供了理论依据.例如，为测量某个零件的长度，我们进行了多次测量，得到的测量值不尽相同，我们就应该用所有测量值的算术平均作为零件长度的近似为最佳。

二 伯努利大数定律

[定理2（伯努利大数定律）]设nA是n次独立试验中事件A发生的次数，p是事件A在nA

每次试验中发生的概率，则事件A发生的频率n依概率收敛于事件A的概率p，即0,limP{|

n

nAn

p|}1

或

limP{|

n

nAn

p|}0

【注2】伯努利大数定律中的nAn，实际上就是事件A发生的频率，定律以严格的数学形式

表述了频率稳定于概率的事实。这样，频率的稳定性以及由此形成的概率的统计定义就有了理论上的依据。

第二节中心极限定理（Central Limit Theorems）

n

如果X1,X2,,Xn是同时服从正态分布的n个相互独立的随机变量，则它们的和

i1

Xi

仍

然是服从正态分布的随机变量。现在的问题是：如果X1,X2,,Xn是服从相同分布的n个相互独立的随机变量，并非服从正态分布，那么它们的和是否还会服从正态分布呢？中心极限定理对此给出了肯定的答复。所有涉及大量独立随机变量和的极限分布的定理统称为中心极限定理。由于内容非常丰富，我们只介绍其中两个。

一 独立同分布中心极限定理

[定理3（独立同分布中心极限定理）]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),D(Xk)0(k1,2,)，则对于任意的x，n

X

limPn

k

n

x}



xt

dt(x)

．

n

【注3】 定理说明，均值为，方差为

n

0的独立同分布的随机变量之和

Xk的标准

k1

化变量Yn

X



k

n，当n很大时近似服从N(0,1)；而

k1

n

Xk

近似服从N(n,n)．

【注4】若记

2

X~N,

n

X

n

n

Xk，则Yn



k1

近似服从正态分布N(0,1)；或X近似服从

．

二 棣莫佛—拉普拉斯中心极限定理

[定理4（棣莫佛—拉普拉斯中心极限定理）]

设随机变量Yn(n1,2,)服从参数为n,p(0p1)的二项分布，则xR，有

limPn

Ynpx}



x



t22

dt(x)

．

【注5】 这个定理的直观意义是，当n足够大时，服从二项分布的随机变量Yn可认为近似服从正态分布N(np,np(1

p))~N0,1

.【注6】一般的结论是，不管每个服从什么分布，只要满足条件：

1）构成和式的X1,X2,,Xn是服从相同分布的n个相互独立的随机变量

2）每个随机变量对和的影响要均匀地小

3）构成和式的随机变量的个数要相当多，至少在30个以上

n

那么，它们的和

i1

Xi

将近似服从正态分布。因此，中心极限定理揭示了正态分布的形成机

制。例如我们在对某经济问题进行定量分析时，如果在许多种随机影响因素中没有一个是起主导作用的，那么就可以把它看成正态分布来进行分析。

经验表明：应用中大量的独立随机变量的和，都可以看成近似地服从正态分布。例

如测量误差，炮弹落点离开目标的偏差以及产品的强度，折断力，寿命等质量指标均属于此列。这样，由于中心极限定理的出现和应用，更加显示出了正态分布的重要。

三 中心极限定理在近似计算中的应用 1.同分布独立和Xk的概率的计算

k1n

例1 每袋味精的净重为随机变量，平均重量为 100克，标准差为10克．一箱内装200袋

味精，求一箱味精的净重大于20200克的概率．

200

解：设每袋味精的净重为Xkk1,2,,200，则一箱味精的净重为

k1

200

Xk，又

EXk100,10

.由中心极限定理知

k1

Xk

近似地服从正态分布。所以

200200PXk202001P

Xk20200 k1k1

200

Xk200001P

111.4110.92070.0793.2.n很大时，二项分布中事件aYnb的概率的计算

例2 设有一大批电子元件，次品率为1 %，现在任意取500个，问其中次品数在5～9个

之间的概率为多少？

解：设任意取500个其中次品数为Yn，则Yn可认为近似服从正态分布N(np,np(1p))．

P

5Yn9P



401.800.50.96410.50.4641.2.22

例3.有200台独立工作(工作的概率为0.6)的机床，每台机床工作时需3 kw电力．问共需多少电力, 才可有99.9 %的可靠性保证正常生产? 解：同时对200台机床察看是开工还是停工？可看成n

200,p0.6的二项分布，设工作的机床数为Yn，假设至多有m台机床在工作，则依照题意有P0Ynm0.999

P

0YnmP



0

141.5

所以

0.999



3.1，即m1203.1，取整数解

m142（台），共需电力：142×3=426 kw.所以，至少需426 kw 电力, 才可有99.9 %的可靠性保证正常生产。