4-2_中心极限定理
《概率论与数理统计》典型例题 第四章 大数定律与中心极限定理
= 0.15,
µn 为
5000
户中收视
该节目的户数，所以可应用棣莫弗-拉普拉斯中心极限定理，即二项分布以正态 分布为极限定理。
解 ： 设 µn 为 5000 户 中 收 视 该 节 目 的 户 数 ， 则 µn ~ B(n, p) ， 其 中
n = 5000, p = 0.15 。 由棣莫弗-拉普拉斯中心极限定理， µn − np 近似服从 np(1− p)
显然需用到前一不等式，则只需算出 E(X + Y ) 与 D(X + Y ) 即可。
解：由于 E(X + Y ) = 0 ，
D( X + Y ) = DX + DY + 2Cov( X , Y ) = DX + DY + 2ρ XY DX DY = 1+ 4 + 2×1× 2× (−0.5) = 3 ，
( D )服从同一离散型分布。
分析：林德伯格-列维中心极限定理要求的条件是 X 1, X 2,", X n,"相互独
立、同分布、方差存在，这时，当 n 充分大时， Sn 才近似服从正态分布。 根据 条件分析选项即可。
解：显然选项 A 与 B 不能保证 X 1, X 2 , ", X n 同分布，可排除。 选项 C 给出了指数分布，此时独立同分布显然满足，而且由于是指数分布， 方差肯定存在，故满足定理条件。 选项 D 只给出其离散型的描述，此时独立同分布显然满足。 但却不能保证 方差一定存在，因此也应排除。 故选 C 。 注：本例重在考察中心极限定理的条件。
P{ X
− EX
≥ ε}≤
E[g( X − EX )] 。 g(ε )
分析：证明的结论形式与切比雪夫不等式非常相似，利用切比雪夫不等式的 证明思想试试看。
4-2中心极限定理
的分布函数 Fn ( x ) 对于任意 x 满足
n
lim Fn ( x ) lim P {Yn x } lim P{ k 1
n x n
Xk n
n
n
x}
1 2π
t2 e 2 dt
( x ).
定理4.6表明:
当 n , 随机变量序列 Yn 的分布函数收敛于 标准正态分布的分布函 数.
x
x
1 e 2π
t2 2
dt ( x ).
注 1º 定理4.7表明: 正态分布是二项分布的极限分布, 当n充分大 时, 可以利用该定理来计算二项分布的概率.
即 若n ~ B( n, p ) ( n 1,2,; 0 p 1)，则
n的标准化随机变量： n E (n ) n np Yn D(n ) np(1 p )
例4 对于一个学生而言, 来参加家长会的家长 人数是一个随机变量. 设一个学生无家长、1名 家长、 2名家长来参加会议的概率分别为0.05、 0.8、0.15. 若学校共有400名学生, 设各学生参加 会议的家长数相互独立, 且服从同一分布. (1) 求 参加会议的家长数X超过450的概率; (2) 求有1名 家长来参加会议的学生数不多于340的概率. 解 (1) 以 X k ( k 1, 2,, 400) 记
且都在区间 ( 0,10) 上服从均匀分布 , 记 V Vk ,
k 1 20
求 P {V 105} 的近似值 .
解
100 E (Vk ) 5, D(Vk ) ( k 1,2,,20). 12 V E (V ) V 20 5 Z 100 D(V ) 20 12
第四章中心极限定理与参数估计
当 n 很大时,近似地服从正态分布.
第四章 中心极限定理与参数估计
例 1、对敌人的防御工事进行 80 次轰炸，每次轰炸命中目标炸弹 数目的数学期望为 2，方差为 0.8，且各次轰炸相互独立，求在 80 次轰炸中有 150 颗～170 颗炸弹命中目标的概率。 解：第 i 次轰炸命中目标炸弹的数目 X i (i 1,2,,80) 都是离散型随机
根据随机变量数学期望的性质，计算数学期望
80
80
80
E( X ) E( X i ) E( X i ) 2 160
i 1
i 1
i 1
第四章 中心极限定理与参数估计
由于离散型随机变量变量 X 1 , X 2 ,, X 80 相互独立，根据随机
变量方差的性质，计算方差
80
80
80
D( X ) D( X i ) D( X i ) 0.8 64 82
分大时，离散型随机变量 X 近似服从参数为 np, npq ( p q 1)
的正态分布，即近似有离散型随机变量 X ～ N(np, npq) 定理4.22表明:
正态分布是二项分布的极限分布, 当n充分大时, 可 以利用该定理来计算二项分布的概率.
随机变量 X 的取值在数学期望 E(X ) 附近的密集程度越低。
第四章 中心极限定理与参数估计
（3）在使用切贝谢夫不等式时，要求随机变量 X 的数学期望 E( X ) 与方差 D( X ) 一定存在，这时无论随机变量 X 的概率分布已知或未
知，都可以对事件 X E(X ) 发生的概率进行估计。 2、切贝谢夫不等式的应用举例 例1、 已知电站供电网有电灯 10000 盏，夜间每一盏灯开灯的概率 皆为 0.8，且它们开关与否相互独立，试利用切贝谢夫不等式估计夜 晚同时开灯的灯数在 7800 盏～8200 盏之间的概率。
中心极限定理 公式
中心极限定理公式
摘要：
1.中心极限定理的概念
2.中心极限定理的公式
3.中心极限定理的应用
4.总结
正文：
1.中心极限定理的概念
中心极限定理是概率论中的一个重要定理，它描述了在一定条件下，独立随机变量之和的分布趋近于正态分布。
中心极限定理为数理统计学提供了一个理论依据，使我们能够在实际问题中应用正态分布来近似描述大量相互独立的随机变量的和的分布。
2.中心极限定理的公式
中心极限定理的公式如下：
设随机变量X1，X2，...，Xn 是相互独立的，且均值为μ，方差为σ^2。
则随机变量S_n = X1 + X2 +...+ Xn 的分布随着n 的增大趋近于一个均值为μ，方差为σ^2 的正态分布。
数学表达式如下：
lim(n→∞) [P(S_n - μσ≤x ≤S_n + μσ)] = N(x; μ, σ^2)
其中，N(x; μ, σ^2) 表示均值为μ，方差为σ^2 的正态分布。
3.中心极限定理的应用
中心极限定理在实际应用中有广泛的应用，例如在统计学中的假设检验、
回归分析等领域。
在假设检验中，我们通常使用正态分布来近似描述样本均值的分布，从而进行参数估计和假设检验。
在回归分析中，中心极限定理为回归系数的估计提供了理论依据。
4.总结
中心极限定理是概率论中的一个重要定理，它描述了在一定条件下，独立随机变量之和的分布趋近于正态分布。
第四章 大数定律和中心极限定理
设需N台车床工作， 现在的问题是：
求满足
P(X≤N)≥0.999
的最小的N.
（由于每台车床在开工时需电力1千瓦，N台 工作所需电力即N千瓦.）
由德莫佛-拉普拉斯极限定理
X np 近似N(0,1), np(1 p)
于是 P(X≤N)= P(0≤X≤N)
这里 np=120, np(1-p)=48
第四章
大数定律和中心极限定理
§1 大数定率
一. 切比雪夫不等式 若r.v.X的期望和方差存在，则对任意0，
有
D( X ) P{| X E( X ) | } ; 2
这就是著名的切比雪夫(Chebyshev)不等式。 它有以下等价的形式：
P{| X E( X ) | } 1 D( X ) . 2
P{Y 60000 0.9 }
P{Y>60000}=P{1000012-aX>60000}
=P{X60000/a}0.9; 由中心极限定理,上式等价于
60000 10000 0.006 ( a ) 0.9 10000 0.006 0.994
a 3017
例3 根据以往经验，某种电器元件的寿命服从均值为 100小时的指数分布. 现随机地取16只，设它们的寿 命是相互独立的. 求这16只元件的寿命的总和大于 1920小时的概率. 解: 设第i只元件的寿命为Xi , i=1,2, …,16
7 500 100 100 2 P{ X i 500} 1 35 1 (8.78) 0 i 1 10 12
2.德莫佛-拉普拉斯中心极限定理(De MoivreLaplace)
设随机变量n(n=1, 2, ...)服从参数为n, p(0<p<1) 的二项分布，则
概率统计中的大数定律与中心极限定理-教案
概率统计中的大数定律与中心极限定理-教案一、引言1.1概率统计的基本概念1.1.1随机事件与概率1.1.2随机变量与分布函数1.1.3数学期望与方差1.1.4大数定律与中心极限定理的关系1.2大数定律与中心极限定理的应用领域1.2.1自然科学领域1.2.2社会科学领域1.2.3工程技术领域1.2.4经济学领域1.3教学目标与教学方法1.3.1理解大数定律与中心极限定理的基本原理1.3.2学会运用大数定律与中心极限定理解决实际问题1.3.3培养学生的数据分析能力与逻辑思维能力1.3.4采用案例教学、讨论式教学等方法提高教学效果二、知识点讲解2.1大数定律2.1.1大数定律的定义2.1.2大数定律的证明2.1.3大数定律的应用2.1.4大数定律与频率稳定性2.2中心极限定理2.2.1中心极限定理的定义2.2.2中心极限定理的证明2.2.3中心极限定理的应用2.2.4中心极限定理与正态分布2.3大数定律与中心极限定理的关系2.3.1大数定律是中心极限定理的基础2.3.2中心极限定理是大数定律的推广2.3.3大数定律与中心极限定理在实际应用中的联系2.3.4大数定律与中心极限定理在理论分析中的联系三、教学内容3.1大数定律的教学内容3.1.1大数定律的基本概念与性质3.1.2大数定律的证明方法3.1.3大数定律在实际问题中的应用3.1.4大数定律与频率稳定性在教学中的实例分析3.2中心极限定理的教学内容3.2.1中心极限定理的基本概念与性质3.2.2中心极限定理的证明方法3.2.3中心极限定理在实际问题中的应用3.2.4中心极限定理与正态分布在教学中的实例分析3.3大数定律与中心极限定理的关系教学内容3.3.1大数定律与中心极限定理的联系与区别3.3.2大数定律与中心极限定理在实际应用中的相互依赖3.3.3大数定律与中心极限定理在理论分析中的相互补充3.3.4大数定律与中心极限定理在教学中的综合运用实例分析四、教学目标4.1知识与技能目标4.1.1掌握大数定律和中心极限定理的基本概念4.1.2理解大数定律和中心极限定理的数学表达和证明方法4.1.3能够应用大数定律和中心极限定理解决实际问题4.1.4培养学生的数据分析能力和逻辑推理能力4.2过程与方法目标4.2.1通过实例引入，让学生体会从具体到抽象的学习过程4.2.2采用小组讨论，培养学生合作学习和交流表达能力4.2.3利用数学软件进行模拟实验，增强学生的实践操作能力4.2.4通过问题解决，训练学生的批判性思维和创造性思维4.3情感、态度与价值观目标4.3.1培养学生对概率统计学科的兴趣和热情4.3.2强调数学知识在实际生活中的应用价值4.3.3增强学生的科学精神和求真态度4.3.4培养学生的团队合作精神和责任感五、教学难点与重点5.1教学难点5.1.1大数定律和中心极限定理的数学证明5.1.2大数定律和中心极限定理在实际问题中的应用5.1.3学生对概率统计概念的理解和运用5.1.4学生数据分析能力的培养5.2教学重点5.2.1大数定律和中心极限定理的基本概念和性质5.2.2大数定律和中心极限定理的数学表达和直观理解5.2.3大数定律和中心极限定理在生活中的实际应用5.2.4学生数据分析技能的提升六、教具与学具准备6.1教具准备6.1.1多媒体教学设备（投影仪、电脑等）6.1.2数学软件（如MATLAB、R等）用于模拟实验6.1.3实物模型或教具（如骰子、硬币等）用于演示6.1.4教学课件和讲义6.2学具准备6.2.1笔记本电脑或平板电脑（用于数学软件操作）6.2.2笔和纸（用于笔记和练习）6.2.3预习资料和阅读材料6.2.4小组讨论记录表七、教学过程7.1导入新课7.1.1通过生活实例引入大数定律的概念7.1.2提问学生对概率统计的基本理解7.1.3介绍大数定律和中心极限定理的历史背景7.1.4阐述本节课的学习目标和重要性7.2主体教学7.2.1详细讲解大数定律的定义和数学表达7.2.2通过数学软件演示大数定律的实验验证7.2.3讲解中心极限定理的原理和数学证明7.2.4分析中心极限定理在实际问题中的应用案例7.3练习与讨论7.3.1分组进行数学软件模拟实验7.3.2小组讨论实验结果和理论联系7.3.3解答学生在实验和讨论中的疑问7.4.1回顾本节课的主要内容和重点难点7.4.2强调大数定律和中心极限定理的实际应用7.4.3布置相关的练习题和思考题7.4.4预告下一次课的内容和学习要求八、板书设计8.1大数定律与中心极限定理基本概念8.1.1大数定律的定义8.1.2中心极限定理的定义8.1.3大数定律与中心极限定理的关系8.1.4实际应用案例8.2大数定律与中心极限定理的数学表达8.2.1大数定律的数学表达8.2.2中心极限定理的数学表达8.2.3数学证明的关键步骤8.2.4数学表达在实际问题中的应用8.3大数定律与中心极限定理的教学实例8.3.1大数定律的教学实例8.3.2中心极限定理的教学实例8.3.3教学实例中的关键点分析九、作业设计9.1基础练习题9.1.1大数定律的基本概念题9.1.2中心极限定理的基本概念题9.1.3大数定律与中心极限定理的关系题9.1.4实际应用案例分析题9.2数学软件模拟实验9.2.1大数定律的数学软件模拟实验9.2.2中心极限定理的数学软件模拟实验9.2.4实验中的关键点和难点解析9.3拓展阅读与思考9.3.1相关历史背景和数学家的研究9.3.2大数定律与中心极限定理在其他领域的应用9.3.3对概率统计学科未来发展的思考9.3.4学生自主研究项目提案十、课后反思及拓展延伸10.1教学效果评估10.1.1学生对大数定律与中心极限定理的理解程度10.1.2学生在实际问题中的应用能力10.1.3教学方法和教学内容的适应性10.1.4教学目标达成情况的评估10.2教学改进措施10.2.1针对学生的反馈调整教学内容和方法10.2.2增加更多的实际应用案例和讨论环节10.2.3引入更多的数学软件和工具进行辅助教学10.2.4鼓励学生进行自主研究和项目实践10.3拓展延伸方向10.3.1大数定律与中心极限定理在其他学科的应用10.3.2概率统计领域的前沿研究和最新发展10.3.3学生自主研究和项目实践的方向指导10.3.4与其他数学分支的联系和交叉研究重点关注环节补充和说明：1.教学内容的适应性：根据学生的反馈和理解程度，适时调整教学内容和难度，确保学生能够充分理解大数定律与中心极限定理的基本概念和原理。
西北工业大学《概率论与数理统计》4-2 中心极限定理
(
)
2⎞ ⎛ 1 σ ⎟ ⎜ X = ∑ X i ~ AN ⎜ µ , ⎟ n i =1 n ⎠ ⎝ 3° 定理4.6表明n个相互独立同分布的随机变量
的和近似服从正态分布.
例1 一加法器同时收到20个噪声电压Vk (k=1, 2,…, 20). 设它们是相互独立的随机变量,
且都在区间 (0， 10 )上服从均匀分布 , 记V =
下面的图形表明:正态分布是二项分布的逼近.
例3 某车间有200台机床,它们独立地工作着, 开工 开工率均为0.6, 开工时耗电均为1000W, 问供电所 至少要供给这个车间多少电力才能以99.9%的概率 保证这个车间不会因供电不足而影响生产. 解 设
⎧1, 第i台机床工作 Xi = ⎨ ⎩0, 第i台机床不工作
内容小结
独立同分布情形 独立同分布情形
⎧林德贝格 − 列维中心极限定理 ⎪ 独立不同分布情形 独立不同分布情形 ⎪ ⎪ ⎨李雅普诺夫定理 ⎪ 二项分布的正态近似 二项分布的正态近似 ⎪ ⎪ ⎩棣莫佛 − 拉普拉斯定理
中心极限定理
备用题
例1-1 设随机变量X1, X2,…, Xn相互独立, 且 Xi 在区间(−1, 1) 上服从均匀分布(i=1, 2,…, n), 试证 n 1 当 n充分大时, 随机变量 Z n = ∑ X 2 近似服从 i n i =1 正态分布并指出其分布参数. 证 记 Yi = X i2 , ( i = 1,2, , n) E ( Yi ) = E ( X i2 ) = D( X i )
注 1° 定理4.7是独立不同分布情形的中心极限 定理, 该定理表明: 当n充分大时, 有
∗ Yn ~ AN (0, 1)
而
n ⎛ n ⎞ 2 ⎟ µ , σ ∑ X i ~ AN ⎜ ∑ ∑ i i ⎟ ⎜ ⎝ i =1 i =1 ⎠ i =1 n
概率论与数理统计第4章 随机变量的数字特征与极限定理
25
定义4.3 设X是随机变量，若E［X－E（X）］2存 在，则称它为X的方差，记为D（X），即
由定义4.2，随机变量X的方差反映了X的可能取值 与其数学期望的平均偏离程度．若D（X）较小，则X的 取值比较集中，否则，X的取值比较分散．因此，方差 D（X）是刻画X取值离散程度的一个量．
3
定义4.1 设离散型随机变量X的分布律为
4
5
6
7
8
9
4.1.2 几个常用分布的数学期望 1.0—1分布 设随机变量X服从以p为参数的（0—1）分布，则X 的数学期望为
２.二项分布 设随机变量X～B（n,p），则X的数学期望为
10
3.泊松分布 设随机变量X～P（λ）分布，则X的数学期望为
41
Hale Waihona Puke 424.３ 协方差、相关系数及矩
4.3.1 协方差 对于二维随机变量（X，Y），除了分量X，Y的数 字特征外，还需要找出能体现各分量之间的联系的数字 特征．
43
44
4.3.2 相关系数 定义4.5 设（X,Y）为二维随机变量，cov （X,Y）,D（X）,D（X）均存在，且D（X）>0,D（X） >0，称
15
16
17
定理4.2 设（X,Y）是二维随机变量，z=g（x,y） 是一个连续函数． （1）如果（X,Y）为离散型随机变量，其联合分布 律为
18
19
20
4.1.4 数学期望的性质 数学期望有如下常用性质（以下的讨论中，假设所 遇到的数学期望均存在）：
- 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)。
采用正态近似.
下面的图形表明:正态分布是二项分布的逼近.
例3 某车间有200台机床,它们独立地工作着, 开工 开工率均为0.6, 开工时耗电均为1000W, 问供电所
至少要供给这个车间多少电力才能以99.9%的概率
保证这个车间不会因供电不足而影响生产. 解 设
1, 第i台机床工作 i=1, 2,…, 200, Xi 0, 第i台机床不工作
r 120 r 120 17.32 0.999 48 48 r 120 查标准正态分布表得 ＝3.1 48 所以 r=141. 该结果表明, 若供电141KW, 那么由于供电
不足而影响生产的可能性小于0.001.
1 4 故Zn近似服从正态分布 N , . 3 45n
例1-2 某汽车销售点每天出售汽车数服从参数 为2的泊松分布. 若一年365天都经营汽车销售, 且每天出售的汽车是相互独立的, 求一年中售出 700辆以上汽车的概率. 解 记Xi为第i天出售的汽车数量, Y X1 X 2 X 365 为一年的总销量. 由 E X i D X i 2 , 知 E Y DY 730. 利用林德贝格-列维中心极限定理, 可得 700 730 P Y 700 1 P Y 700 1 730 1 1.11 0.8665. 则一年售出700辆以上汽车的概率近似为0.8665.
由定理4.8得
Yn np lim P n np1 p
n X i np i 1 lim P n np1 p
1 2 π
2 t x e 2 dt
x
x
证毕.
因此随机变量 Yn
Xi EXi
i 1 i 1 n
n
n
D X i i 1 近似服从标准正态分布N0, 1.
计算得
1 99 100 i E X 49.5 1 i 99 100 2 100 i 1 i 1
n
另一方面, 因为 3 3 E X i pi pi 1 pi pi3 1 pi pi 1 pi pi2 1 pi 2 pi 1 pi
于是 n 3 1 1 0 E X pi 1 3 i n Bn i 1 2 n pi 1 pi i 1 即独立随机变量序列满足李雅普诺夫定理的条件.
正态分布并指出其分布参数. 证 记 Yi X i2 , ( i 1,2,, n) E ( Yi ) E ( X i2 ) D( X i )
D( Yi ) E (Yi2 ) [ E ( Yi )]2 E ( X i4 ) [ E ( Yi )]2 1 4 1 1 4 因为 E ( X i ) xi dxi , 1 2 5
n
lim Fn x lim P
n
x Yn
x
1 2π
2 t e 2 dt
正态分布N 0, 1, 记为Yn ~ AN 0, 1 . n越大,
注 1 当 n 时,随机变量Yn 渐近服从标准
近似程度越好.
n i 1
2 Yn X i ~ AN nμ, nσ 2
此学生通过考试的可能性很小, 大约只有
千分之五可能性.
定理4.10 棣莫佛-拉普拉斯定理
设随机变量Yn服从二项分布Bn, p, 则其标准化
随机变量
Yn
Yn np np1 p
的分布函数的极限为
Yn np lim P n np1 p
1 x 2 π
内容小结
独立同分布情形
林德贝格 列维中心极限定理 中 心 独立不同分布情形 极 限 李雅普诺夫定理 定 二项分布的正态近似 理 棣莫佛 拉普拉斯定理
备用题
例1-1 设随机变量X1, X2,…, Xn相互独立, 且 Xi 在区间1, 1 上服从均匀分布i=1, 2,…, n, 试证 n 1 近似服从 当 n充分大时, 随机变量 Z n X 2 i n i 1
n
2 1 X X i ~ AN , n i 1 n 3 定理4.8表明n个相互独立同分布的随机变量
的和近似服从正态分布.
例1 一加法器同时收到20个噪声电压Vk
k=1, 2,…, 20. 设它们是相互独立的随机变量,
且都在区间0， 10上服从均匀分布, 记V Vk ,
k 1
Vk 20 5
20
定理4.9 李雅普诺夫(Liapunov)定理 设随机变量X1, X2,…, Xn相互独立, 它们具有数学 期望与方差
E X i i , D X i i2
i 1, 2,, n
记
2 Bn
i 1
n
2 若存在正数, σi ,
2 t x e 2 dt
证 令
1, 第i次试验 A发生 Xi 0, 第i次试验 A不发生
Yn X i
i 1 n
i 1, 2,, n
X1, X2,…, Xn独立, 同时服从B 1, p 分布, 且
由于 EXi p, DXi p 1 p i=1, 2,…, n,
1 1 4 所以 D( Yi ) , 5 3 45
因为X1, X2,…, Xn相互独立, 所以Y1, Y2,…,Yn 相互独立, 根据定理4.8
Yi n Zn X 2 i
i 1 近似服从正态分布N , , 3 45
注 1 定理4.10表明正态分布是二项分布的极限 分布也称为“二项分布的正态近 似”. 2 与“二项分布的泊松近似”相比较, 两种近 似 都要求n很大. 3 实际应用中当n很大时,
1 如果p很小而np不太大时, 采用泊松近似;
2 如果 np 5 和 n1 p 5 同时成立时,
n 越大,近似程度越好.
二、中心极限定理
定理4.8 林德贝格-列维中心极限定理 设随机变量X1, X2,…, Xn相互独立, 服从同一分布,
且具有数学期望与方差 EXi , DXi 2 0 i=1, 2,…, n
则随机变量
Yn
X i n
i 1
n
n 的分布函数Fnx 对于任意 x 满足
而该学生通过考试的概率应为
99 P X 60 i i 1
99 X i 49.5 60 49.5 i 1 P 16.665 16.665 1 2.5735 0.0050
1, 学生答对第i 题 Xi 0, 学生答错第i 题
i 1, 2,, 99
于是 Xi 是两点分布: PX i 1 pi ,
PX i 0 1 pi
为了使其成为随机变量序列, 我们规定从 X100开始 都与X99同分布, 且相互独立, 于是
2 Bn D X i Pi 1 pi i 1 i 1 n n
第二节 中心极限定理
一、问题的提出
二、中心极限定理
下
回
停
一、问题的提出
由上一节大数定理,我们得知满足一定条件
的随机变量序列的算数平均值依概率收敛, 但
我们无法得知其收敛的速度, 本节的中心极限 定理可以解决这个问题. 在实际中, 人们发现 n 个相互独立同分布
的随机变量之和的分布近似于正态分布, 并且
2 t e 2 dt
注 1 定理4.9是独立不同分布情形的中心极限 定理, 该定理表明: 当n充分大时, 有 Yn ~ AN 0, 1
而
n n 2 , X i ~ AN i i i 1 i 1 i 1 n
2 由定理4.8及定理4.9可以看出, 正态随机
使得当n时
Bn
2 δ E X μ 0 i i 2 δ i 1
1
n
则随机变量
Yn
X i i
i 1 i 1
n
n
Bn
的分布函数Fnx 对于任意 x 满足
n
lim Fn x lim P
n
x Yn
x
1 2π
20
求P V 105的近似值.
k 1
解 由于VkU 0, 10 , 易知 100 k 1, 2,, 20 E Vk 5, DVk 12 由林德贝格-列维中心极限定理知
Yn
V 100 近似服从标准正态 20 100 5 10 分布N0, 1, 于是 12 3 V 100 105 100 P V 105 P 5 5 10 10 3 3 V 100 15 1 P 1 0.387 0.348 10 5 10 3
200
则 X X i 表示工作的机床台数, 且
X ~ B200,0.6.
i 1
问题是求r, 使
PX r
k 0
k 200 k k C 0 . 6 0 . 4 0.999 200
r
由棣莫佛拉普拉斯中心极限定理, 有
0 200 0.6 P 0 X r P 200 0.6 0.4 X 200 0.6 r 200 0.6 200 0.6 0.4 200 0.6 0.4 r 200 0.6 200 0.6 200 0.6 0.4 200 0.6 0.4