概率论与数理统计第五章
合集下载
概率论与数理统计 第五章
Xn ⎯ ⎯→ X 2. 依概率收敛与依分布收敛的关系
依概率收敛 ⇒ 依分布收敛
L
3. 定义：中心极限定理 设随机变量 X ~ N(0,1)，{Xi }，i = 1, 2, … 相互独 立，且数学期望和方差都存在, 若标准化随机变量序列
∑
n
i =1
Xi −
∑ E(X
i =1
n
i
)
∑
n
i =1
D(X i)
所以结论成立。 由此有，若X ~ B( n, p )，对于足够大的n，有 ⎧ m1 − np X − np m2 − np ⎫ ⎪ ⎪ < ≤ P{m1 < X ≤ m2 }= P ⎨ ⎬ np(1 − p) np(1 − p) ⎪ ⎪ np(1 − p) ⎩ ⎭
⎧ Yn − np ⎫ ⎪ ⎪ ≤ x ⎬ = Φ( x ) lim P ⎨ n →∞ ⎪ np(1 − p ) ⎪ ⎩ ⎭
证明：对于任意正整数n，随机变量Yn 可表示为 证明：对于任意正整数n Yn = X1＋ X2＋…＋ Xn X1, X2,…, Xn 相互独立，Xi ~ B( 1, p )，且有 E( Xi ) = p , D( Xi ) = p(1-p) 所以随机变量序列{ Xi }, i =1,2,…满足独立同分布 中心极限定理条件。即有
切比雪夫不等式的应用 1）估计随机变量落在某个区间内的概率 (P125例5.5.2) 2）估计ε的值, 使 P(│X - E(X)│<ε) ≥ a (0<a<1) 3）证明大数定律。
二. 大数定律 定义： 依概率收敛 设{Xn}是一个随机变量序列，X 是一个随机变量 或常数，若对于任意的ε＞ 0，有 lim P{| X n − X |≥ ε } = 0
概率论与数理统计第五章大数定律及中心极限定理
概率论与数理统计第五章大数定律及中心极限定理课前导读概率论是研究大量试验后呈现出的统计规律性的一门理论。
数学中研究大量的工具是极限。
因此这一章学习概率论中的极限定理。
第一节大数定律随着试验次数的增大，事件的频率逐步稳定到事件的概率。
意味着随着试验次数的增多，在其中一种收敛意义下，频率的极限是概率。
大数定律解释了这一结论。
首先介绍切比雪夫不等式。
一、切比雪夫(Chebyshev)不等式随机变量X的取值总是围绕着其期望变动，若X的分布已知时，可以计算事件\{，X-E(X)，\geq \epsilon \}的概率。
切比雪夫不等式：对切比雪夫不等式的直观理解：方差越小，X在其期望附近取值的密集程度越高，原理期望的区域的概率上加越小。
进一步说明了方差的概率意义，方差时随机变量取值与其中心位置的偏离程度的一种度量指标。
当随机变量X的分布未知时，可由X的观测数据估计得到X的期望和方差，然后使用切比雪夫不等式估计X关于E(X)的偏离程度。
二、依概率收敛随机变量序列即由随机变量构成的一个序列。
不能用类似定义数列极限的方式定义随机变量序列的极限，因为序列中的每一个元素X_n是随机变量，取值不确定，不可能和一个常数c的距离任意小。
只能说一些事件A发生的频率f_n(A)收敛到A的概率P(A)。
依概率收敛的定义：定理2：三、大数定律三个大数定律：切比雪夫大数定律、辛钦大数定律和伯努利大数定律。
注意这三个大数定律的条件有何异同。
定理3 切比雪夫大数定律：若随机变量序列相互不相关，方差存在且一致有上界，当n充分大时，随机序列的前n项的算术平均值和自身的期望充分接近几乎总是发生的。
定理4 相互独立同分布的大数定律（辛钦大数定律）：辛钦大数定律为算术平均值法则提供了理论依据。
伯努利大数定律：伯努利大数定律是相互独立同分布大数定律的特例，限定分布为两点分布。
伯努利大数定律体现了：随着试验次数的增大，事件的频率逐步稳定到时间的概率，这里的稳定即为依概率收敛。
第五章《概率论与数理统计教程》课件
试决定常数 3.
X ,Y
C
使得随机变量 cY 服从分布
2
分布。
相互独立，都与 N ( 0 , 9 ) 有相同分布， X 分别是来自总体
X ,Y
1
, X 2 , , X 9和
Y1 ,Y 2 , ,Y 9
的样本，
Z
9
X
i
i1
6 - 23
Y
i1
9
则Z 服从—— ，自由度为——。
2 i
4.
X1, X 2, X 3, X 4
是来自总体
X ~ N ( , )
2
的样本，则随机变
量 Y
X3 X4
服从——分布，其自由度为———。
2
(X i )
i1
2
5.
设
X 1 , X 2 , , X 10
是来自总体 X
~ N ( ,4 )
2
的样本， ( S 2 P
a ) 0 .1
一. 单个正态总体的统计量的分布
X 1 , X 2 , X n是来自正态总体 ~ N ( , 2 )的样本, X
X , S 分别是样本均值和样本 方差
2
定理1
X
n
1
n
X i ~ N ( ,
n
2
);
i1
定理2 U
1
X
/
~ N ( 0 ,1 );
n
定理3
6 - 18
定理7
当 1
2
2 2
2 2 时, 令 S w
( n1 1) S 1 ( n 2 1) S 2
2
天津大学《概率论与数理统计》课件-第五章大数定律及中心极限定理
小于99.9%的概率保证该车间不会因供电不足而影响生产？
解：记X为200台车床中工作着的车床台数，则
~(, . )．
按题意，要求最小的k，使 ≤ ≥ . .
由中心极限定理，
≤ =
=
−
≤
−×.
×.×.
−
−
−
20
例1 一盒同型号螺丝钉共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100g，标准差是10g，求一盒
螺丝钉的重量超过10.2kg的概率.
解：设 为第i个螺丝钉的重量， = , , ⋯ , . 相互独
立同分布. 于是，一盒螺丝钉的重量为
= σ
选的6000粒种子中，良种所占比例与1/6比较上下小
于1%的概率.
解：设X表示6000粒种子中的良种数，则
~
,
−
,
= , =
.
< . = − < ,
由切比雪夫不等式，
≥−
/
=
=
σ
σ
−
=
=
σ
=
的分布函数 满足
lim = lim { ≤ }=
→∞
注
→∞
=
σ= −
−
−∞
= .
n很大时， = { ≤ } ≈ ，这就提供了计
→∞
lim
− ≥ = .
→∞
证：因为 ~(, )，有 = + + ⋯ + .
解：记X为200台车床中工作着的车床台数，则
~(, . )．
按题意，要求最小的k，使 ≤ ≥ . .
由中心极限定理，
≤ =
=
−
≤
−×.
×.×.
−
−
−
20
例1 一盒同型号螺丝钉共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100g，标准差是10g，求一盒
螺丝钉的重量超过10.2kg的概率.
解：设 为第i个螺丝钉的重量， = , , ⋯ , . 相互独
立同分布. 于是，一盒螺丝钉的重量为
= σ
选的6000粒种子中，良种所占比例与1/6比较上下小
于1%的概率.
解：设X表示6000粒种子中的良种数，则
~
,
−
,
= , =
.
< . = − < ,
由切比雪夫不等式，
≥−
/
=
=
σ
σ
−
=
=
σ
=
的分布函数 满足
lim = lim { ≤ }=
→∞
注
→∞
=
σ= −
−
−∞
= .
n很大时， = { ≤ } ≈ ，这就提供了计
→∞
lim
− ≥ = .
→∞
证：因为 ~(, )，有 = + + ⋯ + .
概率论与数理统计 第5章
i 1 4 i 2 2 i i 1
n
n
性质2.（分布可加性）:若X～2(n1)，Y～2(n2)，X与 Y独立，则
X + Y～2(n1+n2 )
3、2分布表及有关计算
(1)构成 P{2(n)>λ}=α，已知n, α可查表求得λ; (2)有关计算P 2 (n) 2 (n) 称为上侧α分位数
例5.1 设 X ~ N ( , 2 ) (X1,X2,…,Xn)为X的一个样本，
求(X1,X2,…,Xn)的密度。 解 (X1,X2,…,Xn)为X的一个样本，故
X i ~ N ( , 2 )
n
i 1,2,, n
f ( x1 , x2 ,, xn ) f ( xi )
16 2
解
i 1,2,,16
2 1 16 2 2 P ( X i ) P 8 2 (16) 16 2 16 i 1
2—分布的密度函数f(y)曲线
n/2 1 f ( y) 2 ( n / 2) y 0,
n y 1 2 2
e , y0 y0
2 例5.4 X ~ N ( , ) (X1,X2,X3)为X的一个样本
X 1 X 2 X 3 的分布。 求
(n)为整体记号
2
2 (n) 2 2 查表得 0 ( 25 ) 34 . 382 10) 18.307 .1 0.05 (
1 当n充分大时，近似有 (n ) (u 2n - 1) 2 2
2
练习1. P(2(n)<s)=1-p ∵P(2(n) < s)=1- P(2(n) s )=1-p ∴ P(2(n) s )=p 2 s p (n) 练习2. P(2(11)>s)=0.05,求s
n
n
性质2.（分布可加性）:若X～2(n1)，Y～2(n2)，X与 Y独立，则
X + Y～2(n1+n2 )
3、2分布表及有关计算
(1)构成 P{2(n)>λ}=α，已知n, α可查表求得λ; (2)有关计算P 2 (n) 2 (n) 称为上侧α分位数
例5.1 设 X ~ N ( , 2 ) (X1,X2,…,Xn)为X的一个样本，
求(X1,X2,…,Xn)的密度。 解 (X1,X2,…,Xn)为X的一个样本，故
X i ~ N ( , 2 )
n
i 1,2,, n
f ( x1 , x2 ,, xn ) f ( xi )
16 2
解
i 1,2,,16
2 1 16 2 2 P ( X i ) P 8 2 (16) 16 2 16 i 1
2—分布的密度函数f(y)曲线
n/2 1 f ( y) 2 ( n / 2) y 0,
n y 1 2 2
e , y0 y0
2 例5.4 X ~ N ( , ) (X1,X2,X3)为X的一个样本
X 1 X 2 X 3 的分布。 求
(n)为整体记号
2
2 (n) 2 2 查表得 0 ( 25 ) 34 . 382 10) 18.307 .1 0.05 (
1 当n充分大时，近似有 (n ) (u 2n - 1) 2 2
2
练习1. P(2(n)<s)=1-p ∵P(2(n) < s)=1- P(2(n) s )=1-p ∴ P(2(n) s )=p 2 s p (n) 练习2. P(2(11)>s)=0.05,求s
《概率论与数理统计》第五章
第五章 极限定理
‹#›
研究随机现象的大量观测， 常采用极限形式， 由此导致了极限定理的研究。 极限定理的内容很 广泛, 最重要的有两种:
“大数定律”和“中心极限定理”。
第五章 极限定理
‹#›
§1 大数定律
对随机现象进行大量重复观测，各种结果的出 现频率具有稳定性。
大量地掷硬币 正面出现频率
生产过程 中废品率
棣莫佛—拉普拉斯定理的内容是：当 n 很大时 ，二项分布可用正态分布近似。
总结/summary
第五章 极限定理
‹#›
切比雪夫不等式 理解切比雪夫不等式
大数定律
了解辛钦大数定理。
中心极限定理
掌握运用列维-林德伯格中心定理和棣 莫弗-拉普拉斯中心极限定理求解独立 随机变量之和的近似概率值
第五章 极限定理
字母使用频率
第五章 极限定理
‹#›
1. 切比雪夫不等式
定理1: 设随机变量X有期望μ和方
差σ2，则对任给的ε> 0, 有
P
X
2
1
2
或
P | X |
2 2
.
第五章 极限定理
‹#›
证明：只对X 是连续型情况加以证明。
设X 的概率密度函数为 f(x)，则有
P | X | f (x) dx
2.5
1
P
X
n 14 0.2
2.5
1 (2.5) 0.0062 ；
第五章 极限定理
‹#›
(2).
P{X n
14}
P
X
n
14
14 14
2 / 100 2 / 100
1
P
X
n 14 0.2
概率论与数理统计 第五章 大数定律与中心极限定理
nA 一种提法是： “当 n 足够大时，频率 n 与概率 p 有较大偏差
的概率很小” ，用数学语言表达，就是要证明： 0 ，有
nA nA lim P p 0 lim P p 1 n ，或 n n ． n
另一种提法是：研究随机变量 n A 的分布的极限行为，即讨 论分布函数
nA lim P p 0 lim P n n 或 n
nA p 1 ． n
证 引入
1 , 第i次试验中事件A发生 Xi ，i 1 , 2 , , n ， 0 , 第i次试验中事件A不发生
下面我们进一步来讨论贝努利试验．若记 n A 为 n 次贝努利试
nA 验中事件 A 发生的次数， 则事件 A 发生的频率为 n ． 所谓 “频 率的稳定性” ，无非是指当试验次数 n 无限增大(即 n )时，
nA 频率 n 无限接近于某个固定常数．这个固定的常数就是“事 件 A 在一次试验中发生的的概率 p” ． nA 由此可见，讨论频率 n 的极限行为，是理解概率论中最基本
2019年1月14日星期一
11 / 102
§5.1
大数定律
作为预备知识，我们先明确随机变量序列收敛的
相关概念，同时给出一个重要的不等式，它是以下理 论证明所用的主要工具之一．
定 义 1.1 设 a 是常数，对于随机变量序列 ，如果 0 ，有
X1 , X 2 ,
, Xn ,
lim P
n
个常数，即在这个常数的附近摆动，这就是所谓的“频
率稳定性”．但对这一点，至今为止我们尚未给予理论 上的说明．另外，在第二章我们给出了二项分布的泊松 逼近，那么更一般的近似计算方案又是怎样呢?
的概率很小” ，用数学语言表达，就是要证明： 0 ，有
nA nA lim P p 0 lim P p 1 n ，或 n n ． n
另一种提法是：研究随机变量 n A 的分布的极限行为，即讨 论分布函数
nA lim P p 0 lim P n n 或 n
nA p 1 ． n
证 引入
1 , 第i次试验中事件A发生 Xi ，i 1 , 2 , , n ， 0 , 第i次试验中事件A不发生
下面我们进一步来讨论贝努利试验．若记 n A 为 n 次贝努利试
nA 验中事件 A 发生的次数， 则事件 A 发生的频率为 n ． 所谓 “频 率的稳定性” ，无非是指当试验次数 n 无限增大(即 n )时，
nA 频率 n 无限接近于某个固定常数．这个固定的常数就是“事 件 A 在一次试验中发生的的概率 p” ． nA 由此可见，讨论频率 n 的极限行为，是理解概率论中最基本
2019年1月14日星期一
11 / 102
§5.1
大数定律
作为预备知识，我们先明确随机变量序列收敛的
相关概念，同时给出一个重要的不等式，它是以下理 论证明所用的主要工具之一．
定 义 1.1 设 a 是常数，对于随机变量序列 ，如果 0 ，有
X1 , X 2 ,
, Xn ,
lim P
n
个常数，即在这个常数的附近摆动，这就是所谓的“频
率稳定性”．但对这一点，至今为止我们尚未给予理论 上的说明．另外，在第二章我们给出了二项分布的泊松 逼近，那么更一般的近似计算方案又是怎样呢?
概率论与数理统计 第五章
n →∞ n →∞
∑ X − ∑µ
k =1 k =1
k
Bn
≤ x} = ∫
ቤተ መጻሕፍቲ ባይዱ
x
1 2π
−∞
e
t2 − 2
dt＝Φ(x).
说明: 说明
在定理条件下, r.v. Zn =
∑ X − ∑µ
k =1 k k =1
n
n
k
Bn
当 n很 大
时, 近似地服从正态分布N(0, 1),由此当n很大时,
∑X
k =1 n
n
t2 2
（本定理 可以由独立同分布 的中心极限定理证 明）
说明: 说明 本定理不难看出 :若ηn
~ b(n,p), 有
t2 2
b ηn − np 1 lim P a < e dt = Φ(b) − Φ(a), ≤ b = ∫ a n →∞ npq 2π 因 而 当 n较 大 时 , 我 们 可 以 用 正 态 分 布 近 似 计 算 二 项 分布 的 概率 。
2. 切比雪夫大数定律: 设X1 , X 2 , L Xn , L 是由两两互 不相关的随机变量所构成的序列, 每一个随机变量都 有有限的方差, 并且它们有公共的上界 , D(X1 ) ≤ C, D(X 2 ) ≤ C, L , D(Xn ) ≤ C, L 则对∀ε > 0, 都有 1 n 1 n lim P ∑ Xk − ∑ E(Xk ) < ε = 1. n →∞ n k =1 n k =1
k
2 , k = 0,1, L ,90000. 3 ≤ 30500}
90000-k
显然直接计算十分麻烦, 我们利用德莫佛-拉普拉斯定理 来求它的近 似 值 即有P{29500 < X ≤ 30500} 29500-np = P < np(1-p ) 30500-np ≤ np(1-p ) np(1-p ) X-np
∑ X − ∑µ
k =1 k =1
k
Bn
≤ x} = ∫
ቤተ መጻሕፍቲ ባይዱ
x
1 2π
−∞
e
t2 − 2
dt＝Φ(x).
说明: 说明
在定理条件下, r.v. Zn =
∑ X − ∑µ
k =1 k k =1
n
n
k
Bn
当 n很 大
时, 近似地服从正态分布N(0, 1),由此当n很大时,
∑X
k =1 n
n
t2 2
（本定理 可以由独立同分布 的中心极限定理证 明）
说明: 说明 本定理不难看出 :若ηn
~ b(n,p), 有
t2 2
b ηn − np 1 lim P a < e dt = Φ(b) − Φ(a), ≤ b = ∫ a n →∞ npq 2π 因 而 当 n较 大 时 , 我 们 可 以 用 正 态 分 布 近 似 计 算 二 项 分布 的 概率 。
2. 切比雪夫大数定律: 设X1 , X 2 , L Xn , L 是由两两互 不相关的随机变量所构成的序列, 每一个随机变量都 有有限的方差, 并且它们有公共的上界 , D(X1 ) ≤ C, D(X 2 ) ≤ C, L , D(Xn ) ≤ C, L 则对∀ε > 0, 都有 1 n 1 n lim P ∑ Xk − ∑ E(Xk ) < ε = 1. n →∞ n k =1 n k =1
k
2 , k = 0,1, L ,90000. 3 ≤ 30500}
90000-k
显然直接计算十分麻烦, 我们利用德莫佛-拉普拉斯定理 来求它的近 似 值 即有P{29500 < X ≤ 30500} 29500-np = P < np(1-p ) 30500-np ≤ np(1-p ) np(1-p ) X-np
- 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)。
1
2. 设 1, 2, , n , 是独立同分布的随机变量序列 , 且
E ( i) , D( i) 2
均存在 , 令
1n n
i , 则对任意的
,有
i1
lim P{
}
.
n
3. 设每次射击击中目标的概率为 0.001 , 如果射击 5000 次 , 其中击
中的次数为 , 试用切比晓夫不等式确定概率
P{ 0 10 }
验中 , 事件 A 出现的次数 , 试用切比雪夫不等式估计得
P 0.74
0.76
.
10000
10
3. 某批产品的次品率为 0.1, 连续抽取10000 件, 表示其中的次品
数 , 试用中心极限定理计算 P{ 970 }
.Hale Waihona Puke 已知 F0.1(1) 0.8413 , F 0.1 (2) 0.9772 , F0.1(33.333) 1.
,则
1n ni 1
i 服从的分布是 __________ .
2. 设每次射击击中目标的概率为 0.001, 如果射击 5000 次 , 试根据
中心极限定理击中次数不大于 2 的概率等于 . 已知:
F0.1(1.34) 0.9099; F0.1(1.35) 0.9115 .
三、解答题 1. 设随机变量 1 , 2, , 100 相互独立, 且均服从指数分布
P{0 4(m 1)} ( ) .
1
(A)
;
m1
m
(B)
;
m1
(C) 0 ;
1 (D) m .
二、填空题
1. 设随机变量 的数学期望 E ( ) 2 , 方差 D ( ) 1 , 试用切比雪
5
25
夫不等式估计 P
21
.
53
2.
每次试验事件 A 发生的概率为 3 , 表示在10000 次重复独立试 4
四、证明题
1. 证明如果随机变量序列 1, 2 , , n , , D( i) 存在, i 1, 2 , , 且
1
n
满足
lim
n
n
2
D
i1
i
0, 则对任意给定的
0, 恒有
1n
1n
lim P
n
ni 1 i
ni
E(
1
i)
1.
13
考研训练题
一、选择题
1. 设随机变量 X 的概率密度为
2x, 0 x 1 f (x)
批准该厂投入生产 , 如果该新药的治愈率确实为 80%, 求该药能
通过这地检验的概率是多少? 已知标准正态分布函数 F0,1(x)的值.
F0,1(0.313) 0.6217, F0,1(1.25) 0.8944, F0,1 (0.13) 0.5517.
2. 利用切比雪夫不等式确定当掷一枚均匀硬币时, 需掷多少次才能 保证使得正面出现的频率在 0.4 ~ 0.6 之间的概率不小 90 % .
11
3. 为了使问题简化 , 假定计算机进行数的加法运算时, 把每个加数 取为最接近于它的整数 (其后一位四舍五入) 来计算, 设所有的取 整误差是相互独立的, 且它们都在[ 0.5, 0.5]上服从均匀分布, 若 有 1500 个数相加，问误差总和的绝对值超过15 的概率是多少？已
知标准正态分布函数 F 0,1( x)的值 : F0,1(0.12) 0.5478, F0,1(1.342) 0.9099, F0,1(0.134) 0.5517.
20 / 20 学年第 学期
《概率论与数理统计》同步练习
姓名 班级 学号 任课教师
第五章 大数定律与中心极限定理
习题一 大数定律
一、选择题
1. 设 X1, X 2 , , X n 为随机变量序列, a为常数, 则 {X n} 依概率收敛
于 a 是指 ( ).
(A)
0,
min
n
P(|
Xn
a|
(B)
0,
3. 某批产品的次品率是0.005, 试求作意抽取10000 件产品中次品数 不多于 70 件的概率 . 已知 F0.1(2) 0.9772 ; F0.1(2.84) 0.9977 ; F 0.1( x ) 1, x 4 .
4. 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 0.5 kg , 均方差为 0.1 kg , 问5000只零件的总重 只零件的总重量超过 2510 kg 的概率是多少 ?
.
4. 随机变量 X 的数学期望 E (X ) 100 , 方差 D( X ) 10, 则由切比雪 夫不等式 P { 80 X 120} __________.
5.
设随机变量 X 的数学期望 E(X ) , 方差 D(X ) 2, 则由切比雪 夫不等式, 有
P{| X | 3 } _________ .
Xi
n
0;
(B)
lim P
n
1 n
n i1
Xi
0;
1n
(C)
lim P
n
ni
Xi
1
n
0;
1n
(D)
lim P
n
ni
Xi
1
1.
2. 设随机变量 的数学期望和方差均是 6, 那么 P{0
12} ( ).
(A)
1 6
;
(B)
5 6
;
(C)
1 3
;
(D)
1 2
.
3. 设随机变量的数学期望和方差均是 m 1 ( m 为自然数 ), 那么
三、解答题
1． 设随机变量 的概率密度函数为
12x(1 x ) 2, 0 x 1
(x)
,
0,
其它
试用切比雪夫不等式估计事件
E( ) 1 的概率至少是多少? 3
2
2. 某发电机给 10000 盏电灯供电 , 设每晚各盏电灯的开 , 关是相互 独立的, 每盏灯开着的概率都是 0.8, 试用车贝谢夫不等式估计每 晚同时开灯的电灯数 介于在 7800 与 8200 之间概率.
数 , 试用中心极限定理计算 P{ 970 1030 }
.
已知
F 0.1 (1) 0.8413, F0.1 (2) 0.9772 .
6
4. 设独立随机变量 1, 2 , , 100 均服从参数为 试用中心极限定理确定概率
4 的泊松分布,
已知
100
P
i 420
.
i1
F0.1(0.5) 0.6915 , F0.1(1) 0.8413 , F0.1(2) 0.9772 .
4. 设 X 1, X 2 , 为相互独立的随机变量序列, 且 X i ( i 1, 2, ), 服
从参数为 的泊松分布, 则
n
Xi n
lim P i 1
n
n
x _____ .
三、解答题 1. 一药厂试制成功一种新药, 卫生部门为了检验此药的效果, 在100
名患者中进行了试验 , 决定若有 75 名或更多患者显示有效时, 即
( )| ;
(2) 用切贝谢夫不等式估计 P E ( )| 之值.
7
3. 已知正常男性成人血液中, 每毫升 (ml) 白细胞数平均是 7300, 标 准差是 700. 利用切比雪夫不等式估计每毫升男性成人血液中含 白细胞数在 5200 至 9400 之间的概率 p.
4. 某批产品的次品率是0.005, 试求作意抽取10000 件产品中次品数 不多于 70 件的概率 . 已知 F0.1(2) 0.9772 ; F0.1(2.84) 0.9977 ; F 0.1( x ) 1, x 4 .
4. 某工厂有 400 台同类机器 , 已知各台机器发生故障的概率都是 0.02, 假定各台机器工作是相互独立的, 试用中心极限定理计算机 器出故障的台数不小于 2 的概率 , 已知标准正态分布函数 F0,1( x) 的值 . F0,1(1.02) 0.8461, F0,1(2.143) 0.9838, F0,1(2.857) 0.9979, F0,1(0.675) 0.7794.
5. 某灯泡厂生产的一批灯泡 , 次品率为 1% , 现随机地抽样 500 个 ,
试用泊松逼近和正态逼近二种方法计算次品不超过5个的概率是
多少? 已知标准正态分布函数 F0,1 ( x) 的值
F0,1(2.25) 0.9878, F0,1(0) 0.5, F0,1(1.01) 0.8438.
k
泊松分布
min
n
P(|
X
n
a|
(C)
min
n
X
n
a;
(D)
min
n
P(
X
n
a) 1.
2. 设随机变量 X 的方差 D( X )
) 0; ) 1;
, a 为正常数 , 则
P | X E( X ) | 1 ( ). a
(A) D( X );
(B) 1 D( X );
D(X )
D(X )
(C) 1
; (D)
.
a2
那么 , 对于任一实数 x 有 lim P
n np
x 等于 ( ) .
n
np(1 p)
(A) 1 2
1 (C)
2
x t2
e 2 dt ;
t2
e 2 dt ;
(B) 0 ;
x
t2
(D) e 2 dt .
二、填空题 1. 设 1, 2 ,
2), (
, n 是相互独立的随机变量, 且都服从正态分布 N ( ,
3. 设随机变量 X 的数学期望和方差分别为 E( X ) 10, D( X ) 4, 利 用切雪夫不等式求常数 c, 使得 P(| X 10 | c) 0.04 .