概率论-第五章
合集下载
概率第五章_大数定律与中心极限定理090505
加法法则
P ( − Eξ ε ) = ξ ≥
P(ξ ≥ Eξ + ε ) + P (ξ ≤ Eξ − ε )
k
=
≤
k : xk ≥ E +
∑ξ ε p
k
+
k : xk ≤ E −
∑ξ ε p
pk +
k :xk ≥ E +
∑ξ ε
( x − Eξ ) 2
ε
2
k :xk ≤ E −
∑ξ ε
( x − Eξ ) 2
， 方差 Dξ n ( n = 1, 2,L)，且 Dξi < l (i = 1, 2,L) 其中 l 与 i 无关的
1 Eξ = (1 + 2 + 3 + L + 6) 6
35 7 故 Eξ = Dξ = 12 2
4 2 = P (ξ = 5) + P(ξ = 6) + P (ξ = 1) + P (ξ = 2) = = 6 3 7 1 P( − 2 ) = P(ξ ≥ 5.5) + P(ξ ≤ 1.5) = P (ξ = 6) + P (ξ = 1) = ξ ≥
即
lim P ( − p < ε ) = 1 n →∞ n
ξ
此定理表明：当试验在不变的条件下重复进行很多次时， 随机事件的频率 频率在它的概率 概率附近摆动。 频率 概率 由贝努里大数定律可知，若事件A的概率很小很小时，则 它的频率也很小很小，即事件A很少发生或几乎不发生， 这种事件叫小概率事件。反之，若随机事件的概率很接近1， 则可认为在个别试验中这事件几乎一定发生。 同分布的两个或多个随机变量: 同分布的两个或多个随机变量 离散型: 它们的概率分布律相同. 离散型 它们的概率分布律相同 连续型: 它们的概率密度函数相同. 连续型 它们的概率密度函数相同 所以它们的期望与方差一定相同. 所以它们的期望与方差一定相同
P ( − Eξ ε ) = ξ ≥
P(ξ ≥ Eξ + ε ) + P (ξ ≤ Eξ − ε )
k
=
≤
k : xk ≥ E +
∑ξ ε p
k
+
k : xk ≤ E −
∑ξ ε p
pk +
k :xk ≥ E +
∑ξ ε
( x − Eξ ) 2
ε
2
k :xk ≤ E −
∑ξ ε
( x − Eξ ) 2
， 方差 Dξ n ( n = 1, 2,L)，且 Dξi < l (i = 1, 2,L) 其中 l 与 i 无关的
1 Eξ = (1 + 2 + 3 + L + 6) 6
35 7 故 Eξ = Dξ = 12 2
4 2 = P (ξ = 5) + P(ξ = 6) + P (ξ = 1) + P (ξ = 2) = = 6 3 7 1 P( − 2 ) = P(ξ ≥ 5.5) + P(ξ ≤ 1.5) = P (ξ = 6) + P (ξ = 1) = ξ ≥
即
lim P ( − p < ε ) = 1 n →∞ n
ξ
此定理表明：当试验在不变的条件下重复进行很多次时， 随机事件的频率 频率在它的概率 概率附近摆动。 频率 概率 由贝努里大数定律可知，若事件A的概率很小很小时，则 它的频率也很小很小，即事件A很少发生或几乎不发生， 这种事件叫小概率事件。反之，若随机事件的概率很接近1， 则可认为在个别试验中这事件几乎一定发生。 同分布的两个或多个随机变量: 同分布的两个或多个随机变量 离散型: 它们的概率分布律相同. 离散型 它们的概率分布律相同 连续型: 它们的概率密度函数相同. 连续型 它们的概率密度函数相同 所以它们的期望与方差一定相同. 所以它们的期望与方差一定相同
概率论第五章
1 2 n
因此可用算术平均值作为μ的估计 辛钦大数定律是Bernoulli大数定律推广
§5.2
在概率论中，习惯于把和的分布 收敛于正态分布这一类定理都叫做中心 极限定理.
下面给出的独立同分布随机变量序列 的中心极限定理，也称列维一林德伯格 （Levy－Lindberg）定理.
定理3（独立同分布下的中心极限定理） 设X1,X2, …是独立同分布的随机 变量序列，且E(Xi)= ，D(Xi)= 2 ， i=1,2,…，则
设nA是n次独立重复试验中事件 A发生的 次数，p是事件A在每次试验 中发生的概率，则对任给的ε> 0,有
贝努利
nA lim P{| p | } 1 n n
贝努利大数定律表明：当重复试验次数 n充分大时，事件A发生的频率nA/n几乎等于 事件A的概率p。因此可用事件发生的频率 作为相应概率的估计。
ε> 0，
或
Sn lim P{| p | } 1 n n Sn lim P{| p | } 0 n n
作为切比雪夫大数定律的特殊情况， 有下面的定理. 定理一（独立同分布下的大数定律）
设X1,X2, …是独立同分布的随机变量
序列，且E(Xi)= ，D(Xi)= 2 ， i=1,2,…, 则对任给 >0,
由题给条件知，诸Xi独立，
E(Xi)=100, D(Xi)=10000 16只元件的寿命的总和为 Y X k
k 1 16
依题意，所求为P(Y>1920)
解: 设第i只元件的寿命为Xi , i=1,2, …,16 由题给条件知,诸Xi独立, E(Xi)=100,D(Xi)=10000
16只元件的寿命的总和为 Y X k
因此可用算术平均值作为μ的估计 辛钦大数定律是Bernoulli大数定律推广
§5.2
在概率论中，习惯于把和的分布 收敛于正态分布这一类定理都叫做中心 极限定理.
下面给出的独立同分布随机变量序列 的中心极限定理，也称列维一林德伯格 （Levy－Lindberg）定理.
定理3（独立同分布下的中心极限定理） 设X1,X2, …是独立同分布的随机 变量序列，且E(Xi)= ，D(Xi)= 2 ， i=1,2,…，则
设nA是n次独立重复试验中事件 A发生的 次数，p是事件A在每次试验 中发生的概率，则对任给的ε> 0,有
贝努利
nA lim P{| p | } 1 n n
贝努利大数定律表明：当重复试验次数 n充分大时，事件A发生的频率nA/n几乎等于 事件A的概率p。因此可用事件发生的频率 作为相应概率的估计。
ε> 0，
或
Sn lim P{| p | } 1 n n Sn lim P{| p | } 0 n n
作为切比雪夫大数定律的特殊情况， 有下面的定理. 定理一（独立同分布下的大数定律）
设X1,X2, …是独立同分布的随机变量
序列，且E(Xi)= ，D(Xi)= 2 ， i=1,2,…, 则对任给 >0,
由题给条件知，诸Xi独立，
E(Xi)=100, D(Xi)=10000 16只元件的寿命的总和为 Y X k
k 1 16
依题意，所求为P(Y>1920)
解: 设第i只元件的寿命为Xi , i=1,2, …,16 由题给条件知,诸Xi独立, E(Xi)=100,D(Xi)=10000
16只元件的寿命的总和为 Y X k
概率论与数理统计----第五章大数定律及中心极限定理
故
= 1 − Φ(3.54)
=0.0002
一箱味精净重大于20500的概率为 的概率为0.0002. 一箱味精净重大于 的概率为
推论:
特别，若X～Ｂ（n，p）,则当n充分大时， 特别， ～Ｂ（n 则当n充分大时，
Ｘ～Ｎ（np，npq） Ｘ～Ｎ（np，npq） np
若随机变量Ｘ～Ｂ（ Ｘ～Ｂ（n， ），则对任意实数x有 ），则对任意实数 即 若随机变量Ｘ～Ｂ（ ，p），则对任意实数 有
不等式证明 P{-1<X<2n+1}≥(2n+1)/(n+1)(n+1)
3. 设P{|X-E(X)|<ε}不小于 不小于0.9,D(X)=0.009.则用 不小于 则用
切比绍夫不等式估计ε的 最小值是( 切比绍夫不等式估计 的 最小值是
0.3 ).
4.(894) 设随机变量 的数学期望为 设随机变量X的数学期望为 的数学期望为µ, 标准差为σ,则由切比绍夫不等式 标准差为 则由切比绍夫不等式 P{|X-µ|≥3σ}≤( ). 1/9 5. 设随机变量X的分布律为 设随机变量 的分布律为 P{X=0.3}=0.2, P{X=0.6}=0.8, 用切比绍夫不等式估计 |X-E(X)|<0.2的概率 的概率. 的概率
1 n lim P ∑ Xi − µ < ε = 1 n→∞ n i =1
定理（贝努里利大数定律） 设每次实验中事件A发生的概率 定理（贝努里利大数定律） 设每次实验中事件A 为p，n次重复独立实验中事件A发生的次数为nA，则对任 次重复独立实验中事件A发生的次数为n 意的ε>0 意的ε>0 ，事件的频率 nA ，有 ε>
∫
+∞
−∞
= 1 − Φ(3.54)
=0.0002
一箱味精净重大于20500的概率为 的概率为0.0002. 一箱味精净重大于 的概率为
推论:
特别，若X～Ｂ（n，p）,则当n充分大时， 特别， ～Ｂ（n 则当n充分大时，
Ｘ～Ｎ（np，npq） Ｘ～Ｎ（np，npq） np
若随机变量Ｘ～Ｂ（ Ｘ～Ｂ（n， ），则对任意实数x有 ），则对任意实数 即 若随机变量Ｘ～Ｂ（ ，p），则对任意实数 有
不等式证明 P{-1<X<2n+1}≥(2n+1)/(n+1)(n+1)
3. 设P{|X-E(X)|<ε}不小于 不小于0.9,D(X)=0.009.则用 不小于 则用
切比绍夫不等式估计ε的 最小值是( 切比绍夫不等式估计 的 最小值是
0.3 ).
4.(894) 设随机变量 的数学期望为 设随机变量X的数学期望为 的数学期望为µ, 标准差为σ,则由切比绍夫不等式 标准差为 则由切比绍夫不等式 P{|X-µ|≥3σ}≤( ). 1/9 5. 设随机变量X的分布律为 设随机变量 的分布律为 P{X=0.3}=0.2, P{X=0.6}=0.8, 用切比绍夫不等式估计 |X-E(X)|<0.2的概率 的概率. 的概率
1 n lim P ∑ Xi − µ < ε = 1 n→∞ n i =1
定理（贝努里利大数定律） 设每次实验中事件A发生的概率 定理（贝努里利大数定律） 设每次实验中事件A 为p，n次重复独立实验中事件A发生的次数为nA，则对任 次重复独立实验中事件A发生的次数为n 意的ε>0 意的ε>0 ，事件的频率 nA ，有 ε>
∫
+∞
−∞
概率论第五章
i =1
n
i =1
常用的统计量
样本均值、样本方差和样本矩。 样本均值、样本方差和样本矩。
⋯ 定义 5.2 设 X 1，X 2， ，X n 是来自总体 X 长度为 n
的一个样本，则称 的一个样本， 1 n Sample mean X = ∑ Xi （5-3） n i =1 1 n 2 S = ( X i − X )2 （5-4） ∑ n − 1 i =1 Sample variance n 1 k m k = ∑ X i ( k = 1， ⋯) 2， （ 5-5） n i =1 1 n ′ m k = ∑ ( X i − X ) k ( k = 1， ⋯) 2， （ 5-6） n i =1 分别为样本均值、 样本方差、 分别为样本均值、 样本方差、样本 k 阶原点矩和样本 k 阶中心矩。 阶中心矩。 Central moments Origin moments
1 n ES 2 = E[ ( X i − X )2 ] ∑ n − 1 i =1 1 n 2 2 = E[ ∑ ( X i − 2 X X i + X )] n − 1 i =1 n 1 2 2 = E(∑ X i − n X ) n − 1 i =1 1 n [ ∑ ( DX i + ( EX i ) 2 ) − n ( D X + ( E X ) 2 )] = n − 1 i =1 2 n 1 σ 2 2 = [ ∑ (σ + µ ) − n ( + µ 2 )] = σ 2 n − 1 i =1 n
频率直方图 frequency histogram
是连续型随机变量时， 当总体 X 是连续型随机变量时 ， 可用直方图来 处理数据（ 样本值）。 ）。设 处理数据（ 样本值 ）。设 x1 , x 2 ,⋯ , x n 是总体 X 的一 组样本值。 处理步骤如下： 组样本值 。 处理步骤如下 ：
n
i =1
常用的统计量
样本均值、样本方差和样本矩。 样本均值、样本方差和样本矩。
⋯ 定义 5.2 设 X 1，X 2， ，X n 是来自总体 X 长度为 n
的一个样本，则称 的一个样本， 1 n Sample mean X = ∑ Xi （5-3） n i =1 1 n 2 S = ( X i − X )2 （5-4） ∑ n − 1 i =1 Sample variance n 1 k m k = ∑ X i ( k = 1， ⋯) 2， （ 5-5） n i =1 1 n ′ m k = ∑ ( X i − X ) k ( k = 1， ⋯) 2， （ 5-6） n i =1 分别为样本均值、 样本方差、 分别为样本均值、 样本方差、样本 k 阶原点矩和样本 k 阶中心矩。 阶中心矩。 Central moments Origin moments
1 n ES 2 = E[ ( X i − X )2 ] ∑ n − 1 i =1 1 n 2 2 = E[ ∑ ( X i − 2 X X i + X )] n − 1 i =1 n 1 2 2 = E(∑ X i − n X ) n − 1 i =1 1 n [ ∑ ( DX i + ( EX i ) 2 ) − n ( D X + ( E X ) 2 )] = n − 1 i =1 2 n 1 σ 2 2 = [ ∑ (σ + µ ) − n ( + µ 2 )] = σ 2 n − 1 i =1 n
频率直方图 frequency histogram
是连续型随机变量时， 当总体 X 是连续型随机变量时 ， 可用直方图来 处理数据（ 样本值）。 ）。设 处理数据（ 样本值 ）。设 x1 , x 2 ,⋯ , x n 是总体 X 的一 组样本值。 处理步骤如下： 组样本值 。 处理步骤如下 ：
概率论第五章
X − 14 14 − 14 ( 2 ). P { X > 1 4} = P{ > } 0.2 0.2 X − 14 = 1 − P{ ≤ 0} ≈ 1 − Φ (0) = 1 − 0.5 = 0.5 0.2
第五章 大数定律及中心极限定理
例6 一加法器同时收到20个噪声电压 Vk (k = 1,2,⋯,20) ， 设它们是互相独立的随机变量，且都在区间(0,10)上 服从均匀分布，记 20
2
2
P{| X − µ |< ε } ≥ 1 − σ / ε
2
2
返回主目录
第五章 大数定律及中心极限定理
§1 大数定律
这个不等式给出了随机变量 X 的分布未知情 况下，事件{| X − µ |< ε } 的概率的一种估计方法。
例 如 ： 在上 面 不等 式 中， 取 ε = 3σ , 4σ ， 有 ：
第五章 大数定律及中心极限定理
例4 某单位有200台电话分机，每台分机有5%的时间要 使用外线通话。假定每台分机是否使用外线是相互独 立的，问该单位总机要安装多少条外线，才能以90%以 上的概率保证分机用外线时不等待？ 解：设有X部分机同时使用外线，则有 X ~ B ( n, p ),
X − np N − np P ≤ P{ X ≤ N } = np (1 − p ) np (1 − p ) N − np ≈ = Φ 0 N − 10 . Φ0 np (1 − p ) 3.08 N - 10 查表得Φ (1.28) = 0.90.故 N 应满足条件 ≥ 1.28, 3.08 即 N ≥ 13.94. 取 N = 14, 即至少要安装 14 条外线。
§1 大数定律
定理（切比雪夫定理的特殊情况） 设随机变量 X 1 ,⋯, X n ,⋯ 相互独立， 且具有相同的数学期
第五章 大数定律及中心极限定理
例6 一加法器同时收到20个噪声电压 Vk (k = 1,2,⋯,20) ， 设它们是互相独立的随机变量，且都在区间(0,10)上 服从均匀分布，记 20
2
2
P{| X − µ |< ε } ≥ 1 − σ / ε
2
2
返回主目录
第五章 大数定律及中心极限定理
§1 大数定律
这个不等式给出了随机变量 X 的分布未知情 况下，事件{| X − µ |< ε } 的概率的一种估计方法。
例 如 ： 在上 面 不等 式 中， 取 ε = 3σ , 4σ ， 有 ：
第五章 大数定律及中心极限定理
例4 某单位有200台电话分机，每台分机有5%的时间要 使用外线通话。假定每台分机是否使用外线是相互独 立的，问该单位总机要安装多少条外线，才能以90%以 上的概率保证分机用外线时不等待？ 解：设有X部分机同时使用外线，则有 X ~ B ( n, p ),
X − np N − np P ≤ P{ X ≤ N } = np (1 − p ) np (1 − p ) N − np ≈ = Φ 0 N − 10 . Φ0 np (1 − p ) 3.08 N - 10 查表得Φ (1.28) = 0.90.故 N 应满足条件 ≥ 1.28, 3.08 即 N ≥ 13.94. 取 N = 14, 即至少要安装 14 条外线。
§1 大数定律
定理（切比雪夫定理的特殊情况） 设随机变量 X 1 ,⋯, X n ,⋯ 相互独立， 且具有相同的数学期
概率论课件(第5章)
解：设 X 表示总错误个数，X i 表示第 i 页上的错误数 , 则
400
X Xi i 1
而 EXi 0.2 , DXi 0.2 由中心极限定理一可知
400
X X i ～ N (n , n 2 ) N (80,80) 故所求为： i 1
P(0
X
88)
88
80 80
0 80 80
4. 甲、乙两队进行某项比赛，规定一方先胜三场则结束，设每场双方 获胜的概率均为0.5，以 X 表示比赛的场数，试求 EX .
解： X 可取： 3 , 4 , 5 .
“ X = 3 ” 表示 “ 甲连胜3局” 或“乙连胜3局 ”则，
P( X
3)
1 3 2
1 3 2
1 4
“ X = 4 ” 表示 “ 甲（或乙）胜第4局且前3局胜2局 ” 则
解： 由已知，EX = 2/3，EY = 2/3， DX = 2/9，DY = 2/9， [2014，三]
又 XY cov( X ,Y ) EXY EXEY 0.5 EXY = 5/9 ，
DX DY
DX DY
而 EXY 11 P(X 1,Y 1) P(X 1,Y 1) 5/ 9 则
三、中心极限定理 （定理一、定理二）
1. 设 D( X ) , D( Y ) 存在且不等于0，则 D ( X + Y ) = D ( X ) + D ( Y )
是 X 与 Y _________.
(A) 不相关的充分但不必要条件； (B) 独立的充分但不必要条件；
(C) 不相关的充分必要条件；
(D) 独立的充分必要条件.
n
n
分析：从公式直接得到：当
n
概率论第五章
28 March 2011
湖南大学
第五章 大数定律与中心极限定理
第10页 10页
切比雪夫大数定律
设随机变量序列X1, X2 ,K, Xn ,K相互独立，且 E( Xi ), D( Xi )存在，若存在常数C, 使得D( Xi ) ≤ C,
1 n 1 n lim P{| ∑Xi − ∑E( Xi ) |< ε} =1 n→∞ n i=1 n i=1
湖南大学
则称{Xn} 服从大数定律.
28 March 2011
湖南大学
第五章 大数定律与中心极限定理
第9页
定义:
设a为一常数 X1, X2 ,K, Xn， 为一随机变量序列， 若 , K 对任意的ε > 0, 有 lim P{| Xn − a |< ε} =1,
n→∞
则 X1, X2 ,K, Xn ,K 概 收 于 称 依 率 敛 a
10 0.8
9 0.1
8 0.05
7 0.02
6 0.03
= Φ( − 3.53) −Φ(-6.85)= 1-0.9998=0.0002
28 March 2011
湖南大学
第五章 大数定律与中心极限定理
第17页 17页
二项分布的正态近似
棣莫弗—拉普拉斯中心极限定理 设µn 为服从二项分布 b(n, p) 的随机变量，则当 n 充分大时，有
∑X limP n→∞ σ
n i =1
i
− nµ n
≤ y = Φ( y)
湖南大学
28 March 2011
第五章 大数定律与中心极限定理
第15页 15页
例3 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20500克的概率? 解: 设箱中第 i 袋味精的净重为 Xi, 则Xi 独立同分布， 且 E(Xi)=100， D(Xi) =100， 由中心极限定理得，所求概率为：
概率论m5
lim P{| Yn a | } 1 是 指 ：
n
n
当 n很 大 时 ， 不 等 式 Yn a 成立的概率很大 .
返回主目录
第五章 大数定律及中心极限定理
§1 大数定律
说明2： X n P a , Yn P b , g ( x , y ) 在 点(a , b )连 续 若
§1 大数定律
定理 3（辛钦大数定律） 设 X 1 ,, X n , 相互独立同分布，且具有数学期 望 EX k ，k 1,2, , n, ，
则：对任意的 0 ，有
n
lim P {|
1
X i | } 1 n i 1
n
注：贝努里大数定律是辛钦大数定律的特殊情况。
§2 中心极限定理
V - 100 V - 100 P 0.387 1 P 0.387 (10 / 12) 20 (10 / 12) 20
1 ( 0 .387 ) 0 .348
例2 一生产线生产的产品成箱包装，每箱的重量是 随机的。假设每箱平均重50千克，标准差为5千克。 若用最大载重量为5吨的汽车承用，试利用中心极限 定理说明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。
§2 中心极限定理
2
设X 1 ,, X n ,相 互 独 立 ， 且 k k，DXk k 0, EX
1 使得当 时， 2 n Bn
E{| X k k |2 } 0
k 1
n
则 { X n } 服从中心极限定理，即：
n
lim P {
1 ( X k k ) k DX k
n
n
n
当 n很 大 时 ， 不 等 式 Yn a 成立的概率很大 .
返回主目录
第五章 大数定律及中心极限定理
§1 大数定律
说明2： X n P a , Yn P b , g ( x , y ) 在 点(a , b )连 续 若
§1 大数定律
定理 3（辛钦大数定律） 设 X 1 ,, X n , 相互独立同分布，且具有数学期 望 EX k ，k 1,2, , n, ，
则：对任意的 0 ，有
n
lim P {|
1
X i | } 1 n i 1
n
注：贝努里大数定律是辛钦大数定律的特殊情况。
§2 中心极限定理
V - 100 V - 100 P 0.387 1 P 0.387 (10 / 12) 20 (10 / 12) 20
1 ( 0 .387 ) 0 .348
例2 一生产线生产的产品成箱包装，每箱的重量是 随机的。假设每箱平均重50千克，标准差为5千克。 若用最大载重量为5吨的汽车承用，试利用中心极限 定理说明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。
§2 中心极限定理
2
设X 1 ,, X n ,相 互 独 立 ， 且 k k，DXk k 0, EX
1 使得当 时， 2 n Bn
E{| X k k |2 } 0
k 1
n
则 { X n } 服从中心极限定理，即：
n
lim P {
1 ( X k k ) k DX k
n
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
n 4 4 3 .4 5
所以，至多444个数相加使得误差总和的 绝对值小于10的概率不小于0.9。
8、有一批建筑房屋用的木柱，其中80%的长度 不小于3m，现在从这批木柱中随机地取出100根， 问其中至少有30根短于3m的概率是多少？ 解：利用拉普拉斯中心极限定理 从一批木柱中随机地取出100根，不放回抽样 近似的看作放回抽样。对100根母猪长度测量 看成进行100次贝努里试验，设随机变量
且 E X 1 0 0 0 .2
DX
20
1 0 0 0 .2 0 .8 1 6
由中心极限定理知
30 20 X 20 P X 30 1 P X 30 1 P 16 16 X 20 1 P 2 .5 1 2 .5 16
(
N E
1 5 0 0 .7
查正态分布表得
1 5 0 0 .7 0 .3 N 105 E 3 .0 1 3 1 .5
) (
N E
105 3 1 .5
)
N E
1 0 5 1 6 .8 9 3 6
N E
1 2 1 .8 9 3 6
N 121.8936 E
独立的，试求有10个或更多终端在使用的概率。
解：设 X i 则Xi
1 2 0 个 终 端 中 第 i 个 终 端 在 使 用 ~ B 1 2 0, 0 .0 5
EX
1 2 0 0 .0 5
0 .6
DX
1 2 0 0 .0 5 0 .9 5
5 .7
1 5 0 0 个 数 相 加 的 总 误 差
1500
i 1
i
则
E i 0
1) P
D i
1 12
i
1, 2,
15 1200 /12 )
15 1 P (
1200 /12
1 P (
15 1200 /12
P159 5、某实验室有150台仪器，各自独立工作， 每台仪器平均只需70%的工作时间，而每台仪器工 作时要消耗的电功率为E，试问要供应这个实验室 多少电功率才能以99.9%的概率保证这个实验室不 致因为供电不足而影响工作。 解：设X={150台仪器工作的机床数} 则 X ~ B 1 5 0, 0 .7 由题意知：供应电功率N个单位 使 0.999 P E X N
N 122 E
P159 6、设各零件的重量是随机变量，它们相互 独立，且服从相同分布，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={5000只零件中i个零件的总重量}
5000
则
X
Xi
E X i 0 .5
1
今在
其中任选6000粒，试问在这些选出的种子中良种所
则
1 X ~ B 6 0 0 0, 6
DX
6000
X 1 6
, 1
EX 5 6
6000
1 6
1000
2500 3
6000
1 6
6
则
P(
1 % ) 2 (0 .0 1
1200 /12
15 1200 /12
15 1200 /12 )]
)
1 [ (
15 1200 /12
) (
2[1 (
15 1200 /12
)]
0 .1 7 9 7 4
n
2）设 n 则
n个 数 相 加 的 总 误 差
i 1
n
i
a n E n 0
6000
5 6
) 1
2 (0 .0 1 1 2 0 0 3 6 ) 1 2 (0 .0 1 2 0 6 3 ) 1
2 ( 2 .0 8) 1
2 0.9812 1
0.9624
P159 3、某计算机系统有120个终端，每个终端 有5％的时间在使用，若各个终端使用与否是相互
1 Xi 0
100
第 i根 木 柱 长 度 短 于 3 0 m 第 i根 木 柱 长 度 不 短 于 3 0 m
P X i 1 0 .2,
X
P X i 0 0 .8,
Xi
表示100根木柱中长度短于3m的根数
i 1
则
X ~ B 1 0 0, 0 .2
1 0 .9 9 3 8 0 .0 0 6 2
P X 10 1 P X 10
1 P(
1 (
X 0 .6 5 .7 4
2 .3 8 7
1 0 0 .6 5 .7
) 1 (
4 5 .7
)
) 1 (1 .6 7 5) 1 0 .9 5 2 5 0.0475
P159 4、某螺丝钉厂的不合格品率为0.01，问 一盒中应装多少只螺丝钉才能使含有100只合格品 的概率不小于0.95。 解：设ζ表示一盒中不合格品个数，则ζ~（n,0.01） Eζ=np=0.01n , Dζ=np（1-p）=0.0099n 由中心极限定理 P(n-ζ≥100)=P(ζ≤n-100) ≥0.95 于是，n-100-0.01n/（根号0.0099n）≥1.64 n≥10 所以，一盒中应装有103只螺丝钉才能使其中 含有100只合格品的概率不小于0.95.
2 5 1 0 5 0 0 0 0 .5 5 0 0 0 0 .1
)
1 (
) 1 (1 .4 1 4 )
1 0 .9 2 1 4
0.0786
7、计算机在进行加法时，将每个加数舍入最靠近
它的整数，设所有舍入误差是独立的，且在(-0.5,0.5) 上服从均匀分布，1）若将1500个数相加，问误差总 和的绝对值超过15的概率是多少？2）最多可有多少 个数相加使得误差总和的绝对值小于10的概率不小于 0.9。 解：设 i i 个 加 数 取 整 后 的 误 差 i ~ U 0 .5, 0 .5
P158 1、利用切比雪夫不等式估计随机变量与其 数学期望之差大于三倍均方差的概率。 2 DX 解： 设随机变量为X， E X 则
P
X EX 3
DX
2 2
P X 3
3
1 9 1 6 ,
P158 2、现有一大批种子，其中良种占 占的比例与 6 之差小于1％的概率。 解：设X={6000粒种子中的良种数}
D X i 0 .1
i 1
由独立同分布的中心极限定理知
X 5 0 0 0 0 .5 5 0 0 0 0 .1 ~ N 0,1
（近似服从）
则
P X 2510 1 P X 2510
1 P(
X 5 0 0 0 0 .5 5 0 0 0 0 .1 2510 2500 5 2
2 n
D n
)
n 12
P n 10
P(
n
n /12
10
P (
10 n / 12
n /12 n 10 ) n / 12 n / 12
2 (
10 n /12
) 1
2 (1 0
12 n
) 1 0 .9
查正态分布表得
10 12 n 1 .6 4 5