概率与数理统计第5章大数定律及中心极限定理习题及答案

概率与数理统计第5章大数定律及中心极限定理习题及答案
概率与数理统计第5章大数定律及中心极限定理习题及答案

第 5 章 大数定律与中心极限定理

一、

填空题:

1.设随机变量μξ=)(E ,方差2

σξ=)(D ,则由切比雪夫不等式有≤≥-}|{|σμξ3P 9

1 .

2.设n

ξξξ,,, 2

1

是n 个相互独立同分布的随机变量,

),,,(,)(,)(n i D E i i 218===ξμξ对于∑==

n

i i n

1ξξ,写出所满足的

切彼雪夫不等式 2

2

8

εεξεμξn D P =

≤≥-)(}|{| ,并估计

≥<-}|{|4μξP n

21

1-

. 3. 设随机变量1

2

9,,

,X X

X 相互独立且同分布, 而且有1i

EX

=, 1(1,2,

,9)i DX i ==, 令9

1i

i X X ==∑, 则对任意给

定的0ε>, 由切比雪夫不等式直接可得{}≥<-ε9X P

2

91ε- .

解:切比雪夫不等式指出:如果随机变量X 满足:()E X μ=与2

()D X σ=都存在, 则对任意给定的0ε>, 有

2

2

{||}P X σμεε

-≥≤, 或者2

2{||}1.P X σμεε

-<≥-

由于随机变量1

2

9

,,,X X X 相互独立且同分布, 而且有 1,1(1,2,9),i

i

EX DX i === 所以

99

9

111()()19,i i i i i E X E X E X μ===??===== ???∑∑∑

99

9

2

111()()19.i i i i i D X D X D X σ===??===== ???∑∑∑

4. 设随机变量X 满足:2

(),()E X D X μσ==, 则由切比雪夫不等式, 有{||4}P X μσ-≥ 1

16

. 解:切比雪夫不等式为:设随机变量X 满足2

(),()E X D X μσ==, 则对任意

的0ε>, 有2

2{||}.P X σμεε

-≥≤由此得 221{||4}.(4)16P X σμσσ-≥≤

= 5、设随机变量2

σξμξξ==)(,)(,D E ,则≥<-}|{|σμξ2P 4

3

.

6、设n ξξξ,,, 21为相互独立的随机变量序列,且),,( 21=i i ξ服从参数为λ的泊松

分布,则

≤-∑=∞

→}{lim x n n P n

i i

n λ

λ

ξ

1

--

x

t dt e

2

2 .

7、设n η表示n 次独立重复试验中事件A 出现的次数,p 是事件A 在每次试验中出现的

概率,则≈≤<}{b a P n η

?

-----)1()

1(2

221p np np b p np np a t dt e π

.

8. 设随机变量n ξ, 服从二项分布(,)B n p , 其中01,1,2,p n <<=, 那么, 对于任

一实数x , 有lim {|||}n n P np x ξ→+∞

-<= 0 .

9. 设12,,,n X X X 为随机变量序列,a 为常数, 则{}n X 依概率收敛于a 是指

{}

=<->?+∞

>-εεa X P n n lim ,0 1 ,或{}

=≥->?+∞

>-εεa X P n n lim ,0 0 。

10. 设供电站电网有100盏电灯, 夜晚每盏灯开灯的概率皆为0.8. 假设每盏灯开关是相 互独立的, 若随机变量X 为100盏灯中开着的灯数, 则由切比雪夫不等式估计, X 落 在75至85之间的概率不小于 .

解:()80,()16E X D X ==, 于是

169

(7585)(|80|5)1.2525

P X P X <<=-<≥-

=

二.计算题:

1、在每次试验中,事件A 发生的概率为0.5,利用切比雪夫不等式估计,在1000次独立试验中,事件A 发生的次数在450至550次之间的概率.

解:设X 表示1000次独立试验中事件A 发生的次数,则250)(,500)(==X D X E

}50|500{|}550450{≤-=≤≤X P X P

9.02500250

150)(1}50|)({|2

=-=-

≥≤-=X D X E X P

2、一通信系统拥有50台相互独立起作用的交换机. 在系统运行期间, 每台交换机能清晰接受信号的概率为0.90. 系统正常工作时, 要求能清晰接受信号的交换机至少45台. 求该通信系统能正常工作的概率. 解:

设X 表示系统运行期间能清晰接受信号的交换机台数, 则

~(50,0.90).X B

由此 P(通信系统能正常工作)(4550)P X =≤≤

P =≤≤

(2.36)(0)0.99090.50.4909.ΦΦ≈-=-=

3、某微机系统有120个终端, 每个终端有5%的时间在使用, 若各终端使用与否是相互独立 的, 试求有不少于10个终端在使用的概率.

解:某时刻所使用的终端数~(120,0.05),6, 5.b np npq ξ==7 由棣莫弗-拉普拉斯定理知

{10}11(1.67)0.0475.

P ξΦΦ≥=-≈-=

4、某校共有4900个学生, 已知每天晚上每个学生到阅览室去学习的概率为0.1, 问阅览室 要准备多少个座位, 才能以99%的概率保证每个去阅览室的学生都有座位.

解:设去阅览室学习的人数为ξ, 要准备k 个座位

.

~(,),4900,0.1,49000.1b n p n p np ξ===?=

21.==

4900490{0}2121k P k ξΦΦΦΦ????--????

≤≤≈-=- ? ?????

490490(23.23)0.99.

2121k k ΦΦΦ--????=--≈= ? ?????

查(0,1)N 分布表可得490

2.3263,21 2.3263490538.8523

21k k -==?+=

539.≈

要准备539个座位,才能以99%的概率保证每个去阅览室学习的学生都有座位.

5.随机地掷六颗骰子 ,试利用切比雪夫不等式估计:六颗骰子出现的点数总和不小于9且

不超过33点的概率。

解:设 η表 示 六 颗 骰 子 出 现 的 点 数 总 和。

ξi ,表 示 第 i 颗 骰 子 出 现 的 点 数 ,i = 1,2,…,6

ξ1, ξ2, … ,ξ6 相 互 独 立 , 显 然 ηξ=

=∑i i 1

6

()()

235

2112

35449621612765432161

2

22=

==

-+++==+++++=

ηηξξD E D E i i {}{}12339≤-=≤≤ηηηE p p {}131>--=ηηE p

()9.0338

35

11691≈-=-

≥ηD 6. 设随机变量n ξξξ,,, 21 相互独立,且均服从指数分布

()0000

>??

?≤>=-λλλx x e x f x )( 为 使 10095101111

≥??????<-∑=λλξn k k n P , 问: n 的最小值应如何 ?

解: E D k k ξλξλ

=

=11

2, ()21

211111,11λξξλξn D n n D n E n

k k n k k n k k ==??? ??=??? ??∑∑∑===

由 切 比 雪 夫 不 等 式 得

???? ?

?<-∑=λλξ101111n k k n P ,100951011

1101112

211≥??

? ??-≥??

????????

100

-

n n , 从 而 n ≥ 2000 , 故 n 的 最 小 值 是 2000

7.抽样检查产品质量时,如果发现次品多于10个,则拒绝接受这批产品,设某批产品次品

率为10%,问至少应抽取多少个产品检查才能保证拒绝接受该产品的概率达到0.9? 解:∴ 设n 为至少应取的产品数,X 是其中的次品数,则)1.0,(~n b X ,

9.0}10{≥>X P ,而9.0}9

.01.01

.0109.01.01.0{

≥???->???-n n n n X P

所以1.0}09.01.0109.01.01.0{

≤-≤???-n

n n n X P

由中心极限定理知,当n 充分大时, 有1.0)3.01.010(}09.01.0109.01.01.0{

=-Φ≈-≤??-n n

n n n n X P ,

∴ 由1.0)3.01.010(

=-Φn

n

查表得

28.13.01.010-=-n

n

147=∴n

8.(1)一个复杂系统由100个相互独立的元件组成,在系统运行期间每个元件损坏的概率为

0.1,又知为使系统正常运行,至少必需要有85个元件工作,求系统的可靠程度(即正常运行的概率);(2)上述系统假设有n 个相互独立的元件组成,而且又要求至少有80%的元件工作才能使系统正常运行,问n 至少为多大时才能保证系统的可靠程度为0.95? 解:(1)设X 表示正常工作的元件数,则)9.0,100(~b X ,

990

1009.01.01009.010099085{}85100{}85{-≤???-≤-=≥≥=≥X P X P X P

}3

10

39035{≤-≤-=X P

由中心极限定理可知

))3

5

(1()310()35()310(

}85{Φ--Φ=-Φ-Φ=≥X P 95.0)35

(1)35()310(=Φ=-Φ+Φ=

(2)设X 表示正常工作的元件数,则)9.0,(~n b X

n

n

n n X n n P n X n P n X P 3.02.01.09.09.03.01.0{

)8.0()8.0(≤??-≤-=≤≤=≥

}3.09.03{}323.09.03{n

n

X n P n n n X n P -≤-=≤-≤-

= 95.0)3()3(1=Φ=-

Φ-=n

n

3

5

3=∴n 25=∴n

9.一部件包括10部分,每部分的长度是一随机变量,相互独立且具有同一分布,其数学期望为2 mm ,均方差为0.05 mm ,规定总长度为20 ± 0.1 mm 时产品合格,试求产品合格的概率。已 知 :Φ( 0.6 ) = 0.7257;Φ( 0.63 ) = 0.7357。

解:设 每 个 部 分 的 长 度 为 X i ( i = 1, 2, …, 10 ) E ( X i ) = 2 = μ, D( X i ) = σ2

= ( 0.05 )

2 ,

依题意 ,得合格品的概率为

??????≤-≤-∑=102010101..i i X P ?

?????≤?-?≤-=∑=630210050183163010

1.)(...i i X P

?

?

-

--

==63

.00

263

.063

.0222

21221dt

e dt

e t t π

π

4714.017357.02121263

.022=-?=-?=?

--

dt

e t π

10.计算机在进行加法计算时,把每个加数取为最接近它的整数来计算,设所有取整误差是

相 互独立的随机变量,并且都在区间[- 0.5,0.5 ]上服从均匀分布,求1200个数相加时误 差总和的绝对值小于10的概率。已知:Φ(1)=0.8413;Φ(2)=0.9772。

解:设 ξ1 , ξ2 , , ξn 表示取整误差, 因它们在 [-

0.5 ,0.5 ] 上服从均匀分布 , 故 有 E D i n i i ξξ===0112

12,

,,,,

根 据 同 分 布 的 中 心 要 极 限 定 理 , 得

??

?

????

????????-

1

12001i i i i P P ξξ

???

?

???

???????

-<-=∑=11211200011200

1i i P ξ=Φ( 1 )-

Φ(- 1 ) = 2 Φ( 1 )- 1 = 2 ? 0.8413- 1 = 0.6826

11.将一枚硬币连掷100次,试用隶莫佛--拉普拉斯定理计算出现正面的次数大于60的概 率 。已知 :Φ(1) = 0.8413;Φ(2) = 0.9772 ; 当 x > 4 , Φ(x) =1。

解:设 ξ 为 掷 100次中出现正面的次数 ,它服从二项分布B ( 100, 1

2

)

这 里 np npq ====100

1250501

2

25, 由 隶 莫 佛 -- 拉 普 拉 斯 定 理 , 得

{}???

???-≤-<-=≤<2550100255025

506010060ξξP P

()()210105502P Φ-Φ=?

??

???≤-ξ<=

查 N ( 0, 1 ) 分 布 函 数 表 , 得 P{ 60 < ξ ≤ 100 } = 1- 0.977 = 0.023 .

12 .有甲、乙两种味道和颜色都极为相似的名酒各4杯. 如果从中挑4杯, 能将甲种酒全部 挑出来, 算是成功一次.

(1)某人随机地去猜, 问他成功一次的概率是多少?

(2)某人声称他通过品尝能区分两种酒. 他连续试验10次, 成功3次. 试推断他是猜对 的, 还是他确有区分的能力(各次试验是相互独立的).

解:(1)设A ={试验成功一次}, 则有444

8C 1

().C 70

P A == (2)设X :试验10次成功的次数, 则1~10,.70X B ?

? ???

由于3

7

34

10

169(3)C 3.163310.7070P X -????===? ? ?

????

因此随机事件{}3=X 是一个小概率事件, 根据“小概率事件在一次试验中是不大可能发生的”的原理, 随机事件{}3=X 是不大可能发生的, 但它却发生了, 因此我们要以断定此人确有区分酒的能力.

概率论与数理统计:中心极限定理

中心极限定理 无论随机变量12,,,, n X X X 服从什么分布,当n 充分大时,其和的极限分布是正 态分布,这就是我们今天要讲的中心极限定理。 定理 5.5(独立同分布中心极限定理)设随机变量12,,,,n X X X 相互独立,服从同一 分布,且具有数学期望和方差2 (),()0,i i E X D X μσ==>1,2,i =,则随机变量之和1 n i i X =∑的标 准化变量 n i n X n Y μ -= ∑ 的分布函数()n F x 对于任意X 满足 2/2lim ()lim d ()n i x t n n n X n F x P x t x μΦ-→∞→∞ ?? -??? =≤==????? ∑? 定理 5.5表明,对于均值为,μ方差为2 0σ>的独立同分布的随机变量的和1 n i i X =∑的标准 化随机变量,不论12,,,, n X X X 服从什么分布,当n 充分大时,都有 ~(0,1)n i n X n Y N μ-= ∑近似 , 从而,当n 充分大时 21 ~(,)n i i X N n n μσ=∑近似. 定理5.5′ 设随机变量列12,,,,n X X X 相互独立,服从同一分布,且具有数学期望和方差2(),()0,i i E X D X μσ==>1,2, i =,令1 1n n i i X X n == ∑,则当n 充分大时 ~(0,1)N 近似 ,即2~(,/)n X N n μσ近似. 例5.3 一盒同型号螺丝钉共有100个,已知该型号的螺丝钉的重量是一个随机变量,期望值是100 g,标准差是10 g,求一盒螺丝钉的重量超过10.2 kg 的概率. 解 设i X 为第i 个螺丝钉的重量,,100,,2,1 =i Y 为一盒螺丝钉的重量,则

中心极限定理

中心极限定理 中心极限定理(Central Limit Theorems) 什么是中心极限定理 大数定律揭示了大量随机变量的平均结果,但没有涉及到随机变量的分布的问题。而中心极限定理说明的是在一定条件下,大量独立随机变量的平均数是以正态分布为极限的。 中心极限定理是概率论中最著名的结果之一。它提出,大量的独立随机变量之和具有近似于正态的分布。因此,它不仅提供了计算独立随机变量之和的近似概率的简单方法,而且有助于解释为什么有很多自然群体的经验频率呈现出钟形(即正态)曲线这一事实,因此中心极限定理这个结论使正态分布在数理统计中具有很重要的地位,也使正态分布有了广泛的应用。 中心极限定理的表现形式 中心极限定理也有若干个表现形式,这里仅介绍其中四个常用定理: (一)辛钦中心极限定理 设随机变量相互独立,服从同一分布且有有限的数学期望a和方差σ2,则 随机变量,在n无限增大时,服从参数为a和的正态分布即n→∞时, 将该定理应用到抽样调查,就有这样一个结论:如果抽样总体的数学期望a和方差σ2是有限的,无论总体服从什么分布,从中抽取容量为n的样本时,只要n足够大,其样本平均数的分布就趋于数学期望为a,方差为σ2 / n的正态分布。 (二)德莫佛——拉普拉斯中心极限定理 设μ n是n次独立试验中事件A发生的次数,事件A在每次试验中发生的概率为P,则当n 无限大时,频率设μ n / n趋于服从参数为的正态分布。即:

该定理是辛钦中心极限定理的特例。在抽样调查中,不论总体服从什么分布,只要n充分大,那么频率就近似服从正态分布。 (三)李亚普洛夫中心极限定理 设是一个相互独立的随机变量序列,它们具有有限的数学期望和方 差:。 记,如果能选择这一个正数δ>0,使当n→∞时, ,则对任意的x有: 该定理的含义是:如果一个量是由大量相互独立的随机因素影响所造成的,而每一个别因素在总影响中所起的作用不很大,则这个量服从或近似服从正态分布。 (四)林德贝尔格定理 设是一个相对独立的随机变量序列,它们具有有限的数学期望和方差满足林德贝尔格条件,则当n→∞时,对任意的x,有 。 中心极限定理案例分析 案例一:中心极限定理在商业管理中的应用 水房拥挤问题:假设西安邮电学院新校区有学生5000人,只有一个开水房,由于每天傍晚打开水的人较多,经常出现同学排长队的现象,为此校学生会特向后勤集团提议增设水龙头。假

(完整版)大数定律及中心极限定理

第五章大数定律及中心极限定理 【基本要求】1、了解切比雪夫不等式; 2、了解切比雪夫大数定律,Bernoulli大数定律和辛钦大数定律成立的条件及结论; 3、了解独立同分布的中心极限定理(列维—林德伯格定理)和德莫佛—拉普拉斯 中心极限定理(二项分布以正态分布为极限分布)的应用条件和结论,并会用 相关定理近似计算有关随机事件的概率。 【本章重点】切比雪夫不等式,切比雪夫大数定理及Bernoulli大数定理。 【本章难点】对切比雪夫大数定理及独立同分布的中心极限定理的理解。 【学时分配】2学时 【授课内容】 §5.1 大数定律 0.前言 在第一章我们提到过事件发生的频率具有稳定性,即随着试验次数的增加,事件发生的频率逐渐稳定于某个常数,这一事实显示了可以用一个数来表征事件发生的可能性大小,这使人们认识到概率是客观存在的,进而由频率的三条性质的启发和抽象给出了概率的定义,而频率的稳定性是概率定义的客观基础。在实践中人们还认识到大量测量值的算术平均值也具有稳定性,而这种稳定性就是本节所要讨论的大数定律的客观背景,而这些理论正是概率论的理论基础。 下面介绍三个定理,它们分别反映了算术平均值及频率的稳定性。 一、切比雪夫大数定律 1

2 事件的频率稳定于概率,能否有p n lim n n =μ∞→,答案是否定的。而是用)(0}{ ∞→→ε≥-μn p n P n [依概率收敛]来刻划 (弱)。或者用{}1n n P p n →∞ μ???→=[a.e.收敛] 来刻划(强)。 1.定义:设ΛΛ,,,,21n X X X 是一个随机变量序列,a 是一个常数,若对于任意正数ε,有 ()1lim =<-∞ →εa X P n n , 则称序列ΛΛ,,,,21n X X X 依概率收敛于a .记为a X P n ?→? . 2.切比雪夫不等式 设随机变量ξ具有有限的期望与方差,则对0>?ε,有 2 ) ())((ε ξεξξD E P ≤ ≥-或2 ) (1))((ε ξεξξD E P - ≥<- 证明:我们就连续性随机变量的情况来证明。设~()p x ξ,则有 2 2 ()()(())(())()()x E x E x E P E p x dx p x dx ξ ε ξ ε ξξξεε -≥-≥--≥= ≤ ?? 22 2 1 () (())()D x E p x dx ξξεε+∞ -∞ ≤ -= ? 该不等式表明:当)(ξD 很小时,))((εξξ≥-E P 也很小,即ξ的取值偏离)(ξE 的可能性很小。这再次说明方差是描述ξ取值分散程度的一个量。 切比雪夫不等式常用来求在随机变量分布未知,只知其期望和方差的情况下,事件 {}E ξξε-≥概率的下限估计;同时,在理论上切比雪夫不等式常作为其它定理证明的工具。 3.定理1(切比雪夫大数定律) 设}{n ξ是相互独立的随机变量序列,每一随机变量都有有限的方差,且一致有界,即存在 常数C ,使Λ,2,1)(=≤i C D i ξ,则对任意的0>ε,有01111 =ε≥ξ-ξ∑∑==∞→})(E n n {P lim n i n i i i n [即

大数定律与中心极限定理及其应用

重庆三峡学院毕业设计(论文)大数定律与中心极限定理及其应用 分院数学与统计学院 专业数学与应用数学(师范) 班级 10数本1班 学号201006034109 姓名张永东 指导教师陈飞翔 (讲师) 2014年5月10日

目录 摘要.................................................................................................................................................. I ABSTRACT. ..................................................................................................................................II 1大数定律的应用 .. (3) 1.1引言 (3) 1.2预备知识 (3) 1.2.1相关定义 (3) 1.2.2切比雪夫不等式及其应用 (4) 1.3几类重要的大数定律的应用 (4) 1.3.1切比雪夫大数定律及其在测绘方面的应用 (4) 1.3.2伯努利大数定律及其在重复事件方面的应用 (6) 1.3.3辛钦大数定律及其在数学分析方面的应用 (6) 1.4大数定律的意义 (8) 2 中心极限定理的应用 (8) 2.1前言 (8) 2.2几类重要的中心极限定理的应用 (9) 2.2.1林德伯格定理及其在保险方面的应用 (9) 2.2.2列维定理及其在极限求解方面的应用 (10) 2.2.3棣莫弗-拉普拉斯定理及其在实际生活方面的应用 (11) 2.2.4 李雅普诺夫中心极限定理及其在具体分布方面的应用 (14) 3 大数定律和中心极限定理的比较应用 (15) 3.1大数定律和中心极限定理的比较应用 (15) 结论 (16) 致谢 (17) 参考文献 (18)

中心极限定理及其应用论文

青岛农业大学本科生课程论文 题目:中心极限定理及其应用姓名: 学院: 专业: 班级: 学号: 指导教师: 2012 年06 月27 日

青岛农业大学课程论文任务书 论文题目中心极限定理及其应用 要求完成时间 2012年 07 月 02 日 论文内容(需明确列出研究的问题):研究中心极限定理的目的就是为了更深入的了解中心极限定理,更好的了解中心极限定理的作用,更好地使用它解决现实生活中的问题。 资料、数据、技术水平等方面的要求论文要符合一般学术论文的写作规范,具备学术性、科学性和一定的创造性。文字要流畅、语言要准确、论点要清楚、论据要准确、论证要完整、严密,有独立的观点和见解。内容要理论联系实际,计算数据要求准确,涉及到他人的观点、统计数据或计算公式等要标明出处,结论要写的概括简短。参考文献的书写按论文中引用的先后顺序连续编码。 指导教师签名:年月日

中心极限定理及其应用 信息与计算科学专业(学生姓名) 指导教师(老师姓名) 摘要:中心极限定理在概率论与数理统计中占有重要地位,本文阐述了中心极限定理的内容并简单介绍了它在实际中的应用。 关键词:中心极限定理;正态分布;随机变量

Central limit theorem and its application Student majoring in Information and Computing Science Specialty (学生英文名) Tutor (老师英文名) Abstract:The central limit theorem in probability theory and mathematical statistics plays an important role,this paper expounds the content of the central limit theorem and briefly introduces its application in practice. Key words: Central limit theorem Normal distribution Random variable

中心极限定理的内涵和应用

中心极限定理的内涵和应用 在概率论与数理统计中,中心极限定理是非常重要的一节内容,而且是概率论与数理统计之间承前启后的一个重要纽带。中心极限定理是概率论中讨论随机变量和的分布以正态分布为极限的一组定理。这组定理是数理统计学和误差分析的理论基础,指出了大量随机变量之和近似服从于正态分布的条件。故为了深化同学们的理解并掌握其重要性,本组组员共同努力,课外深入学习,详细地介绍了中心极限定理的内涵及其在生活实践中的应用。 一、独立同分布下的中心极限定理及其应用 在对中心极限定理的研究中,我们不妨由浅入深地来学习,为此我们先来研究一下在独立同分布条件下的中心极限定理,即如下的定理1: 定理l (林德伯格-勒维中心极限定理)设{}n X 是独立同分布的随机变量序列,且0)(,)(2>==σμi i X Var X E 存在,若记 n n X Y n i i n σμ-= ∑=1 则对任意实数y ,有 {}?∞--∞→=Φ=≤y t n n t y y Y P .d e π21)(lim 22 (1) 证明:为证明(1)式,只须证}{n Y 的分布函数列弱收敛于标准正态分布。由定理可知:只须证}{n Y 的特征函数列收敛于标准正态分布的特征函数。为此,设μ-n X 的特征函数为)(t ?,则n Y 的特征函数为 n Y n t t n ??????=)()(σ?? 又因为E(μ-n X )=0,Var(μ-n X )=2σ,所以有()0?'=0,2)0(σ?-=''。 于是,特征函数)(t ?有展开式 )(2 11)(2)0()0()0()(22222t o t t o t t +-=+''+'+=σ???? 从而有 =??????+-=+∞→+∞→n n Y n n t o n t t n )(21lim )(lim 22?22t e - 而22 t e -正是N(0,1)分布的特征函数,定理得证。

中心极限定理及其应用

中心极限定理及其应用 [摘要] 在中心极限定理的基础上,通过实例介绍它的应用。 [关键词] 中心极限定理随机变量应用 中心极限定理是棣莫佛在18世纪首先提出的,至今其内容已经非常丰富。它不仅是概率论中的重要内容,而且还是数理统计中大样本统计推断的理论基础。一种随机现象可能会受到许多不确定因素的影响,如果这些彼此之间没有什么依存关系,且谁也没有特别突出的影响,那么,这些影响的“累积效应”将会使现象近似地服从正态分布。中心极限定理在很一般的情况下证明了,无论随机变量服从什么分布,个随机变量的和当时的极限分布是正态分布。因此,它不仅提供了计算独立随机变量之和的近似概率的简单方法,而且有助于解释在现实中为什么很多数量指标都服从或近似服从正态分布这一事实。在中心极限定理的教学中,通过列举一些用中心极限定理解决问题的实例,能使学生较深地理解中心极限定理的理论与实用价值。 一、两个常用的中心极限定理 根据不同的假设条件,有多个中心极限定理。这里只介绍两个常用的中心极限定理。 定理1 列维—林德伯格(Levy-Lindeberg)定理(独立同分布的中心极限定理) 设随机变量相互独立,服从同一分布,且具有数学期望和方差.则随机变量 的分布函数Fn(x)对于任意x满足 (5.7) 从定理1的结论可知,当n充分大时,有 或者说,当n充分大时,有 如果用表示相互独立的各随机因素。假定它们都服从相同的分布(不论服从什么分布),且都有有限的期望与方差(每个因素的影响有一定限度)。则(5.8)式说明,作为总和这个随机变量,当n充分大时,便近似地服从正态分布。 定理2(棣莫佛-拉普拉斯(De Moivre Laplace)定理) 设随机变量X服从参数为n,p (0<p<1)的二项分布,即,则

中心极限定理的内涵和应用

中心极限定理的涵和应用 在概率论与数理统计中,中心极限定理是非常重要的一节容,而且是概率论与数理统计之间承前启后的一个重要纽带。中心极限定理是概率论中讨论随机变量和的分布以正态分布为极限的一组定理。这组定理是数理统计学和误差分析的理论基础,指出了大量随机变量之和近似服从于正态分布的条件。故为了深化同学们的理解并掌握其重要性,本组组员共同努力,课外深入学习,详细地介绍了中心极限定理的涵及其在生活实践中的应用。 一、独立同分布下的中心极限定理及其应用 在对中心极限定理的研究中,我们不妨由浅入深地来学习,为此我们先来研究一下在独立同分布条件下的中心极限定理,即如下的定理1: 定理l (林德伯格-勒维中心极限定理)设{}n X 是独立同分布的随机变量序列,且0)(,)(2>==σμi i X Var X E 存在,若记 n n X Y n i i n σμ-= ∑=1 则对任意实数y ,有 {}?∞--∞→=Φ=≤y t n n t y y Y P .d e π21)(lim 22 (1) 证明:为证明(1)式,只须证}{n Y 的分布函数列弱收敛于标准正态分布。由定理可知:只须证}{n Y 的特征函数列收敛于标准正态分布的特征函数。为此,设μ-n X 的特征函数为)(t ?,则n Y 的特征函数为 n Y n t t n ??????=)()(σ?? 又因为E(μ-n X )=0,Var(μ-n X )=2σ,所以有()0?'=0,2)0(σ?-=''。于是,特征函数)(t ?有展开式 )(2 11)(2)0()0()0()(22222t o t t o t t +-=+''+'+=σ???? 从而有 =??????+-=+∞→+∞→n n Y n n t o n t t n )(21lim )(lim 22?22t e - 而22 t e -正是N(0,1)分布的特征函数,定理得证。

概率论中的大数定律及中心极限定理

概率论中的大数定律及中心极限定理 唐南南 摘要 概率论是从数量上研究随机现象的规律的学科,概率论的特点是先提出数学模型,然后去研究它的性质,特点和规律。它在自然科学,技术科学和社会科学等科学中有广泛的应用。而大数定律和中心极限定理的内容是概率论中极限理论极为重要的一部分内容。在这篇文章中,我们从贝努力试验中的频率出发,讨论了独立随机变量和分布的极限问题。在一定条件下,这些分布弱收敛于退化分布,这就是大数定律。在另一些条件下,这些分布弱收敛于N(0,1)分布,这一类收敛于N(0,1)分布的定理统称为中心极限定理.大数定律说明了随机现象都具有稳定性而中心极限定理是研究相互独立随机变量序列{}i x 的部分和∑== n i i n x S 1 的分布,在适当条件下向正态分布收放的问题。在这篇文章 里,我们只介绍了一些定理的提出,内容以证明以及在其他学科上的应用,而大数定律和中心极限定理还有许多更深入,更广泛的内容,限于篇幅这里就不再介绍了。掌握定理的结论是重要的,这些结论一方面使频率稳定于概率,n 次观察的算术平均值稳定于数学期望都有了明确的含义和理论依据;另一方面,又将给数理统计中大样本的统计推断等提供理论依据。 关键词 大数定律 中心极限定理 随机现象 随机变量 引言 大数定律和中心极限定理是概率论中重要的一部分内容,但对读者来说,多数人对于这部分内容感到很难掌握,这篇文章就是对这部分内容进行浅入的分析,但对其内容进行详细的说明,而且进行了归纳性的总结,指出了各定律之间的联系及其差别,希望通过本篇文章内容的介绍,能使读者对于这部分知识有一个清晰的印象,能整体地把握这部分内容。 一 、大数定律 (一)、问题的提法(大数定律的提法) 重复实验中事件的频率的稳定性,是大量随机现象的统计规律性的典型表现。人们在实践中认识到频率具有稳定性,进而由频率的稳定性预见概率的存在;由频率的性质推断概率的性质,并在实际应用中(当n

大数定理和中心极限定理

大数定理 概率论历史上第一个极限定理属于伯努利,后人称之为“大数定律”。概率论中讨论随机变量序列的算术平均值向常数收敛的定律。概率论与数理统计学的基本定律之一,又称弱大数理论。 发展历史 1733年,德莫佛—拉普拉斯在分布的极限定理方面走出了根本性的一步,证明了二项分布的极限分布是正态分布。拉普拉斯改进了他的证明并把二项分布推广为更一般的分布。1900年,李雅普诺夫进一步推广了他们的结论,并创立了特征函数法。这类分布极限问题是当时概率论研究的中心问题,卜里耶为之命名“中心极限定理”。20世纪初,主要探讨使中心极限定理成立的最广泛的条件,二三十年代的林德贝尔格条件和费勒条件是独立随机变量序列情形下的显著进展。伯努利是第一个研究这一问题的数学家,他于1713年首先提出后人称之为“大数定律”的极限定理。 表现形式 大数定律有若干个表现形式。这里仅介绍高等数学概率论要求的常用的三个重要定律:?切比雪夫大数定理 设 是一列两两不相关的随机变量,他们分别存在期望 和方差 。若存在常数C使得: 则对任意小的正数ε,满足公式一: 将该公式应用于抽样调查,就会有如下结论:随着样本容量n的增加,样本平均数将接近于总体平均数。从而为统计推断中依据样本平均数估计总体平均数提供了理论依据。 ?伯努利大数定律 设μ是n次独立试验中事件A发生的次数,且事件A在每次试验中发生的概率为P,则对任意正数ε,有公式二: 该定律是切比雪夫大数定律的特例,其含义是,当n足够大时,事件A出现的频率将几乎接近于其发生的概率,即频率的稳定性。 在抽样调查中,用样本成数去估计总体成数,其理论依据即在于此。 ?辛钦大数定律

中心极限定理及其意义

题目:中心极限定理及意义 课程名称:概率论与数理统计 专业班级: 成员组成: 联系方式: 2012年5月25日 摘要: 本文从随机变量序列的各种收敛与他们的关系谈起,通过对概率经典定理——中心极限定理在独立同分布和不同分布两种条件下的结论做了比较系统的阐述,揭示了随机现象最根本的性质——平均结果的稳定性。经过对中心极限定理的讨论,给出了独立随机变量之和的分布用正态分布来表示的理论依据。同样中心极限定理的内容也从独立分布与独立不同分布两个角度来研究。同时通过很多相关的正反例题,进行说明这些定理所给出的条件是否是充要条件;签掉在实际问题中灵活的应用和辨别是否服从我们给出的定理条件。最后了解一些简单简便的中心极限定理在数理统计、管理决策、仅是计算以及保险业务等方面的应用,来进一步的阐明了中心极限定理分支学课中的中重要作用和应用价值。

关键词: 随机变量,独立随机变量,特征函数,中心极限定理 引言: 在客观实际中有许多随机变量,他们是由大量的相互独立的随机因数的综合 影响所形成的,而其中每一个别因数在总的影响中所起的作用都是渺小的,这种随机变量往往近似地服从正态分布,这种现象就是中心极限定理的客观背景。 中心极限定理自提出至今,其内容已经非常丰富。在概率论中,把研究在什么条件下,大量独立随机变量和的分布以正态分布为极限的这一类定理称为中心极限定理。但其中最常见、最基本的两个定理是德莫佛-拉普拉斯中心极限定理和林德贝格-勒维中心极限定理。 一、三个重要的中心极限定理 1.独立同分布的中心极限定理 设随机变量??????,,,,21n X X X 相互独立,服从统一分布,具有数学期望和方差 ()()) ,2,1(0,2???=>==k X D X E k k σμ,则随机变量之和 ∑=n k k X 1 的标准化变量, σ μ n n X X D X E X Y n k k n k k n k k n k k n -=?? ? ????? ??-=∑∑∑∑====1 111 的分布函数)(x F n 对于任意x 满足, ()x dt e x n n X P x F t x n k k n n n Φ==????????? ?? ??? ≤-=-∞-=∞→∞→?∑2/1221lim )(lim πσμ 2.李雅普诺夫定理 设随机变量??????,,,,21n X X X 相互独立,它们具有数学期望和方差 ()()) ,2,1(0,2???=>==k X D X E k k k k σμ,

大数定律及中心极限定理 应用题

大数定律与中心极限定理 应用题 1. 设各零件质量都是随机变量,且独立同分布,其数学期望为0.5kg ,标准差 为0.1kg, 问(1)5000只零件的总质量超过2510kg 的概率是多少?(2)如果用一辆载重汽车运输这5000只零件,至少载重量是多少才能使不超重的概率大于0.975? 解 设第i 只零件重为i X ,500,...,2,1=i ,则5.0=i EX ,21.0=i DX 设 ∑==500 1i i X X ,则X 是这些零件的总重量 250050005.0=?=EX ,5050001.02=?=DX 由中心极限定理 )1,0(~50 2500N X a - (1))2510(≥X P =)50 25002510502500(-≥-X P )2(10Φ-≈=9213.01-=0.0787 (2) 设 汽车载重量为a 吨 )(a X P ≤=)502500502500(-≤-a X P 95.0)50 2500(0≥-Φ≈a 查表得 64.150 2500≥-a 计算得 59.2511≥a 因此汽车载重量不能低于2512公斤 2. 有一批建筑房屋用的木柱,其中80%的长度不小于3m ,先从这批木柱中随 机的取100根,求其中至少有30根短于3m 的概率? 解 设X 是长度小于3m 的木柱根数,则)2.0,100(~b X 由中心极限定理 )16,20(~N X a )30(≥X P =)16 20301620(-≥-X P )5.2(10Φ-≈=9938.01-=0.0062 3. 一个食品店有三种蛋糕出售,由于售出哪一种蛋糕是随机的,因而售出一种 蛋糕的价格是随机变量,它取1元,1.2元,1.5元的概率分别为0.3,0.2,0.5.若售出300只蛋糕,(1)求收入至少400元的概率 (2)售价为1.2元蛋糕售出多于60只的概率。

大数定理与中心极限定理的关系及应用

本科生毕业论文(设计) 题目大数定律与中心极限定理的 关系及应用 姓名学号 院系数学科学学院 专业数学与应用数学 指导教师职称 2013年4 月16 日 曲阜师范大学教务处制

目录 摘要 (3) 关键词 (3) Abstract (3) Key words (3) 引言 (3) 1 大数定律与中心极限定理的关系 (4) 1.1预备知识 (4) 1.1.1大数定律 (4) 1.1.2中心极限定理 (5) 1.2大数定律与中心极限定理的关系 (6) 1.2.1服从大数定律不服从中心极限定理的例子 (7) 1.2.2服从中心极限定理不服从大数定律的例子 (8) 1.2.3大数定律与中心极限定理均不服从的例子 (9) 2 大数定律与中心极限定理在实际生活中的应用 (10) 2.1 在误差分析中的应用 (10) 2.2 在数学分析中的应用 (11) 2.3 在近似计算中的应用 (13) 2.4 在保险业中的应用 (14) 2.5 在企业管理方面的应用 (15) 结论 (16) 致谢 (16) 参考文献 (17)

大数定律与中心极限定理的 关系及应用 摘要:本文通过对大数定律与中心极限定理在独立同分布和不同分布两种情况下的结论作了比较系统的阐述,揭示了随机现象最根本的性质——平均结果的稳定性。经过对中心极限定理的讨论,给出了独立随机变量之和的分布可以用正态分布来表示理论依据。另外,叙述了大数定律与中心极限定理之间的关系,同时通过举出很多相关的反例说明二者的关系。最后给出了一些简便的大数定律与中心极限定理在误差分析、数学分析、近似计算、保险业及企业管理等几个方面的应用,来进一步地阐明了大数定律与中心极限定理在各分支学科中的重要作用和应用价值。 关键词:大数定律中心极限定理随机变量应用 Relationship and Applications between the Law of Large Number and Central Limit Theorem Student majoring in mathematics and applied mathematics Bai Yanfei Tutor Liu Li Abstract: Based on the law of large numbers and central limit theorem in the independent distribution with the different distribution of both cases, it makes more systematic exposition, and reveals the phenomenon of the random nature of the most fundamental an average of the results of the Stability. Through the central limit theorem discussion, it gives out the random variables and the distribution of the normal distribution. At the same time, it demonstrates the relationship between the two aspects through lots of anti-related examples. Finally, it gives out several aspects of applications of a number of simple law of large numbers and the central limit theorem in error analysis, mathematical analysis, the approximate calculation, the insurance industry and business management to further clarify the law of large numbers and the central limit theorem in all branches of the important role and value. Key words: Laws of large number; Central-limit theorem; Random variables; Applications 引言概率论与数理统计是研究随机现象的统计规律的一门学科,而随机现象的统计规律性只有在相同条件下进行大量重复试验或观察才呈现出来。在随机事件的大量重复出现中,往往呈现几乎必然的规律,这个规律就是大数定律。大数定律是概率论中一个非常重要的课题,而且是概率论与数理统计之间一个承前启后的重要纽带。大数定律阐明了大量随机现象平均结果具有稳定性,证明了在大样本条件下,样本平均值可以看作总体平均值,它是“算数平均值法则”的基本理论,通俗地说,这个定理就是在试验不变的条件下,重复试验多次,随机事件的频率以概率为稳定值。在现实生活中经常可以见到这一类型的数学模型,比如,我们向上抛一枚硬币,硬币落下后哪一面朝上本来是偶然的,但当我们向上抛硬币的次数足够多时,达到上万次甚至几十万几百万次之后,我们会发现,硬币向上的次数约占总次数的二分之一,偶然中包含着必然。 而中心极限定理是概率论中讨论随机变量序列部分和的分布渐近于正态分

中心极限定理和概率统计

若{}n X 的分布函数序列{()}n F x 与X 的分布函数()F x 有,在任意连续点x , lim ()()n n F x F x →∞ =。 依概率收敛 若0ε?>,有()0n n P X X ε→∞ ->???→。准确的表述是,0ε?>,0δ?>, ,N n N ?>,有()n P X X εδ-><成立 (3)几乎必然收敛 如果有(lim )1n n P X X →∞ ==。准确的表述是,除掉一个0概率集A ,对所有的\A ω∈Ω, 有lim ()()n n X X ωω→∞ =成立。这是概率空间上的点收敛。 定理1。(切贝雪夫大数律){}n X 相互独立,且有相同的期望和方差,(不一定同分布) ()n E X u =2 ()n D X σ=,,n ? 记1 1n n i i Y X n ==∑,则P n Y u ??→。 统计发生——事物某方面的定量记录事前是不确定的,发生后的数据由真值和误差两部分构成,εμ+=X 。X 是数据,μ是真值,ε是误差。导致误差的原因有: 1. 系统性误差:偏离真值的本质性错误,有内在原因所致; 2. 随机性误差:偏离真值的偶然性错误,没有内在原因,是纯偶然因素所致。 总体就是一个特定的随机变量 通过抽样,获得样本,构造样本统计量,由此推断总体中某些未知的信息 从总体中抽样是自由的,且当总体数量足够大,有放回与无放回抽样区别不大,有理由认为,取得的抽样观察值是没有关系的。所以,样本在未抽取前它们是与总体X 同分布的随机变量,且是相互独立的,称此为随机样本。 定义2。设1,,n x x 是取自总体X 的一组样本值, 1(,,)n g x x 是Borel 可测函数,则称随机变量1(,,)n g X X 是一个样本统计量。

中心极限定理的应用

毕业论文 题目中心极限定理的应用 学生姓名张世军学号1109014148 所在院(系) 数学与计算机科学学院 专业班级数学与应用数学专业(统计类)11级2班指导教师程小静 2015 年 5 月 25 日

中心极限定理的应用 张世军 (陕西理工学院数学与计算机科学学院数学与应用数学专业2011级数应2班,陕西汉中 723000) 指导教师:程小静 [摘要]中心极限定理是概率论中讨论随机变量序列部分和的分布渐近于正态分布的一类重要定理。本文首先从中心极限定理的内容出发,给出几种常见的中心极限定理并对其进行了证明;其次讨论了中心极限定理在供应电力、器件价格、商场管理、烟卷制造业、社会生活、军事问题等这几个方面的实际应用;最后总结分析了中心极限定理在应用上的优缺点。 [关键词]随机变量;中心极限定理;正态分布;概率论;近似计算 Central Limit Theorem of Application Zhang Shijun (Grade11,Class02,Major Mathematics and Applied Mathematics Specialty,Mathematics and computer scienceDept.,Shaanxi University of Technology,Hanzhong 723000,Shaanxi) Tutor: Cheng Xiaojing Abstract:The central limit theorem is an important limit theorem in probability theory to discuss a set of random variables and the distribution of the normal distribution. Firstly starting from the content of the central limit theorem, given several common central limit theorems and its proofs; Second central limit theorem is discussed in the electric power supply, prices, market management, cigarette manufacturing, social life, the practical application of this a few aspects such as military questions; Summarized and analyzed the advantages and disadvantages of central limit theorem on the application. Keywords:Random variables; Central limit theorem; Normal distribution; Probability theory;Approximate calculation

中心极限定理应用

中心极限定理及其应用 【摘要】中心极限定理的产生具有一定的客观背景,最常见的是德莫佛-拉普拉斯中心极限定理和林德贝格-勒维中心极限定理。它们表明了当n 充分大时,方差存在的n 个独立同分布的随机变量和近似服从正态分布,在实际中的应用相当广泛。本文讨论了中心极限定理的内容、应用与意义。 【关键词】:中心极限定理 正态分布 随机变量 一、概述 概率论与数理统计是研究随机现象、统计规律性的学科。随机现象的规律性只有在相同条件下进行大量重复的实验才会呈现出来,而研究大量的随机现象常常采用极限的形式,由此导致了对极限定理的研究。极限定理的内容很广泛,中心极限定理就是其中非常重要的一部分内容。中心极限定理主要描述了在一定条件下,相互独立的随机变量序列X1、X2、…Xn 、…的部分和的分布律:当n →∞时的极限符合正态分布。因此中心极限定理这个结论使正态分布在数理统计中具有很重要的地位,也使得中心极限定理有了广泛的应用。 二、定理及应用 1、定理一(林德贝格—勒维定理) 若 ξ 1 ,ξ 2 ,…是一列独立同分布的随机变量,且 E k ξ=a, D k ξ = σ 2 ( σ 2 >0) ,k=1,2,…则有 dt e x n na p x t n k k n ? ∑∞ -- =∞ →= ≤-2 1 221)(lim π σξ 。 当n 充分大时, n na n k k σξ ∑=-1 ~N (0,1),∑=n k k 1 ξ ~N (2 ,σn na ) 2、定理二(棣莫弗—拉普拉斯中心极限定理) 在n 重伯努利试验中,事件A 在每次试验中出现的概率为错误!未找到引用源。, 错误!未 找到引用源。为n 次试验中事件A 出现的次数,则dt e x npq np p x t n n ?∞ -- ∞ →= ≤-2 2 21 )( lim π μ 其中1q p =-。这个定理可以简单地说成二项分布渐近正态分布,因此当n 充分大时,可

中心极限定理

心极限定理(上) 骰子和生日 了解中心极限定理 马克.吐温讽刺道:有三种避免讲zhenxiang的方式:谎言,该死的谎言和统计数据。这个笑话很中肯,因为统计信息频繁地看似一个黑匣子——了 解统计定理怎样让通过数据取得结论变成可能,这是有难度的。 但因为不论是喷气发动机可靠性还是安排我们平日看的电视节目的流程,数据分析,类似的任何事情中都扮演着重要角色,所以至少获取对统 计基本理解是重要的。要了解其中一个重要概念是中心极限定理。 在这篇文章中,我们将解释中心极限定理,通过普通的例子,诸如掷骰子和美国职业棒球联赛球员生日来展示如何操作它。 定义中心极限定理 某典型课本对中心极限定理的定义如下:

当样本容量增加时,样本均值X的分布接近均值等于μ,标准差σ/√n 注: μ是总体均值 σ是总体标准差 n是样本大小 换句话说,如果我们多次采用大小为n的独立随机抽样,那么当n足够大的时,样本平均值的分布就接近正态分布。 那么多大才是足够大呢?一般来说,样本容量大于或者等于30认为是足够大,此时中心极限定理起作用。如果总体分布越要接近正态分布,那么需要更多的样本来使用该定理。对于严重不对称的或者有几个模板的总体来说,也许要求更大的样本。 为什么有关呢 从一个总体中收集所有的数据是很难操作或者不可行的,统计学就是基于这个情况产生的。换种方式来做,我们可以从总体中获取数据的子集,然后对这个样本进行统计分析,以得到总体的结论。 举例来说,我们可以从工业生产流程中收集多个随机样本,然后使用各个样本的平均值来推断整个过程的稳定性。 2个常用于解释总体的特征值分别是平均值和标准差。当数据遵循正态分布,均值表示分布的中心位置,标准差揭示分布情况。

中心极限定理论文:中心极限定理及其简单应用.

中心极限定理论文:中心极限定理及其简单应用 摘要:中心极限定理在概率论与数理统计中占有重要地位,本文阐述了中心极pH定理的内容并简单介绍了它在实际中的应用。关键词:中心极限定理正态分布随机变量一、概述概率论与数理统计是研究随机现象、统计规律性的学科。随机现象的规律性只有在相同条件下进行大量重复的实验才会呈现出来,而研究大量的随机现象常常采用极限的形式,由此导致了对极限定理的研究。极限定理的内容很广泛,中心极限定理就是其中非常重要的一部分内容。中心极限定理主要描述了在一定条件下,相互独立的随机变量序列X1、X2、…Xn、…的部分和的分布律:当n→∞时的极限符合正态分布。因此中心极限定理这个结论使正态分布在数理统计中具有很重要的地位,也使得中心极限定理有了广泛的应用。二、定理及应用中心极限定理有多种形式:1、独立同分布下的中心极限定理定理 1[1],设x1,X2,…,Xn,…是独立同分布随机变量,EXi=μDXi=σ2(i=1,2,…,n)则它表明当n充分大时,n个具有期望和方差的独立同分布的 随机变量之和近似服从正态分布。定理1也称为林德伯格定理或列维——林德伯格定理。其中上下同除n,分子中有xi,其在数理统计中可表示样本的均值,可见独立同分布的样本均值近似地服从正态分布。这使得中心极限定理在数理统计中有着广泛而重要的作用。而上述定理应用到伯努利实验序列的情形,我们可以得到如下定理。定理2[1](拉普拉斯定理),在n重伯 努利试验中,事件A在每次实验中出现的概率P(0 2、同分布下中心极限定理的简单应用独立同分布的中心极限定理可应用于求随机变量之和Sn落在某区间的概率和已知随机变量之和Sn取值的概率,求随机变量的个数。 例1[3],设各零件的重量都是随机变量,它们相互独立且服从相同的分布,其数学期望为0.5kg,均方差为0.1kg,问5000只零件的总重量超过2510kg的概率是多少? 解:设Xi(i=1,2,…,5000)表示第i个零件的重量X1, X2,…,X5000独立同分布且E(Xi)=0.5,D(Xi)=0.12。由独立同分布的中心极限定理可知=I-φ(1.414)=1-0.9215 =0.0785 例 2[3],一生产线生产的产品成箱包装,每箱的重量是随机的且同分布,设每箱平均重50kg,标准差为5kg,若用最大载重为50吨的汽车承运,每辆车最多可以装多少箱才能保证不超载的概率大于0.977?解:设Xi(i=1,2,…,n)是装运第i箱的重量,n为所求箱数。由条件可把X1,X2,…,Xn看作独立同分布的随机变量,而n箱的总重量为Tn=X1+X2+…+Xn,是独立同分布的随机变量之和。由E(Xi)=50、D(Xi)=52得:E(Tn)=50n,D(Tn)=52n 根据独立同分布的中心极限定理:即最多可以装98箱。例3[2],报名听 心理学课程的学生人数K是服从均值为100的泊松分布的随机变量,负责这门课的教授决定,如果报名人数不少于120,就分成两班,否则就一班讲授。问 该教授讲授两个班的概率是多少? 分析:该教授讲授两个班的情况出现当且仅当报名人数x不少于120,精确解为P(x≥120)=e-100100i/i!很难求解,如果利用泊松分布的可加性,想到均值为100的泊松分布随机变量等于 100个均值为1的独立泊松分布随机变量之和,即X=Xi,其中每个Xi具有参数1的泊松分布,则我们可利用中心极限定理求近似解。解:可知 E(X)=100,D(X)=100 ∴P(X≥120)=1-φ()=1-φ(2)=0.023 即教授讲授两个班的概率是0.023。例4[1],火炮向目标不断地射击,若每

相关文档
最新文档