概率与统计-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
在100次炮击中炮弹命中的总颗数
100
X = ∑ Xk k =1
相互独立地服从同一分布，
E(Xk)=2, D(Xk)=1.52 (k=1,2,…,100)
随机变量
∑ 1
100 × 1.5
100 k =1
(
X
k
−
2)
=
1 15
(
X
−
200)
2. 伯努利定理 事件发生的频率依概率收敛于事件的概率
3. 辛钦定理 （随机变量序列独立同分布且数学期望存在）
n个随机变量的算术平均值以概率收敛于算术 平均值的数学期望。
给出了“频率稳定性”的严格数学解释. 提供了通过试验来确定事件概率的方法. 是数理统计中参数估计的重要理论依据之一.
§5.2 中心极限定理
望 E( Xk ) = µ (k = 1,2,"),则对于任意ε > 0,有
∑ lim
n→∞
P {|
1 n
n k =1
Xk
−
µ
|<
ε
}
=
1
说明
伯努利大数定理是辛钦定理的特殊情
况。n个随机变量的算术平均值以概率收敛于算
术平均值的数学期望。
三 小结
1、切比雪夫(Chebyshev)定理的特殊情况 算术平均值依概率收敛于数学期望
= 1 − P { V − 100 ≤ 0.387 } (10 12 ) 20
∫ 0.387
≈ 1−
1
e − t 2 dt
−∞ 2π
= 1 −Φ (0.387) = 0.348
所以 P{V > 105} ≈ 0.348
14级--GZ《概率与统计》_第12讲_5.1大数定律_5.2中心极限定理
§2 中心极限定理
5.2 中心极限定理
简介
中心极限定理是研究在什么条件下，独立随机变 量序列部分和的极限分布为正态分布的一系列定理 的总称。 在自然界与生产中，一些现象受到许多相互独立 的随机因素的影响，如果每个因素所产生的影响都 很微小时，总的影响可以看作是服从正态分布的。 中心极限定理就是从数学上证明了这一现象 。 它是近两个世纪概率论研究的中心问题，因此这 些定理称为中心极限定理。
P(120000 aX 60000 ) 0.9，即 P( X
由棣莫弗 - 拉普拉斯定理知，
60000 ) 0.9. a
60000 X 60 60000 a 60 P( X ) P( ) 0 . 9. a 60 9.4% 60 9.4%
5.2 中心极限定理
定理1：独立同分布中心极限定理 （变形）
P( k 1
n
X
n
k
n
当n 时 x) ( x)
n
k
X
式中
k 1
n
n
X n n 1 X X
分子分母同时除以n n k 1
k
X 近似 ~ N (0,1) 故： n
或
X ~ N (,
为什么会有这种规律性？这是由于大量试验过程中，随
机因素相互抵消、相互补偿的结果。
用极限方法来研究大量独立（包括微弱相关）随机试验
的规律性的一系列定律称为大数定律。
5.1 大数定律
弱大数定理（辛钦大数定理）
设随机变量序列 X1, X2, … 独立同分布，具有有限的 数学期望 E(Xk)=μ, k=1, 2, …，则对任给 ε >0 ，有
棣莫弗 – 拉普拉斯定理 (针对二项分布)
概率与统计：中心极限定理
案例分析—积分的蒙特卡罗计算
蒙特卡罗方法是一种计算方法，但与一般数值 计算方法有很大区别。它以概率统计理论为基础。 由于蒙特卡罗方法能够比较逼真地描述事物的特点 及物理实验过程，解决一些数值方法难以解决的问 题，因而该方法的应用领域日趋广泛。 其基本思想是：当所求问题的解是某个事件的概 率，或者是某个随机变量的期望，或与概率、数学 期望有关的量时，通过某种试验的方法，得出该事 件发生的频率，或该随机变量若干个观察值的算术 平均值，根据大数定律得到问题的解；
x n p{ X i x} ( ) n i 1
n
例1.将一颗骰子连掷100次，则点数之和不少于 300的概率是多少？ 2.德莫佛-拉普拉斯中心极限定理 (De Moivre-Laplace)(p105) 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
概率与统计
中心极限定理
5.2. 中心极限定理 一.依分布收敛*
设{Xn}为随机变量序列，X为随机变量，其 对应的分布函数分别为Fn(x), F(x). 若在F(x)的 连续点，有 lim F ( x ) F( x ),
则称{Xn}依分布收敛于X. 可记为
n n
Xn X.
w 现 令Yn X k , 若Yn的 标 准 化 r .v .Yn* ~ N (0, 1), k 1 n
检验员逐个检查某种产品，每查一件花10秒 时间，有的产品可能要复查一次而再花10秒时间. 假定每一件产品需复查的概率为1/2，求在8小时 内检验员能够至少检查1900件的概率. 解法一: 设Xi 为检查第i件产品所花时间,则
10 此件不需复查 Xi E ( X i ) 15, D( X i ) 25 20 此件需复查
概率与数理统计 5.3 中心极限定理.ppt
X ~ N (120, 48) (近似)
问题转化为求 a , 使
P(0 rX a) 99.9%
P(0 rX a) a / r 120 0 120 48 48
a / r 120 (17.32) 48 0
P(Xi k) p1 p k1 , p1/3 k 1,2,
(几何分布)
E( X i )
1 p
p1/ 3
3,
D(Xi )
1
p
p
2
p1/ 3
6
100
X1, X 2,, X100 相互独立, X X k
k 1
E( X ) 300, D( X ) 600
根据第二章知识若 X ~ N(, 2) 则X的标准化 随机变量
Y ( X EX ) / DX ( X ) / ~ N (0,1)
若X1, X2, …Xn为独立同分布的随机变量，
n
X i ~ N (, 2 ) ，则 X i ~ N (n, n 2 ) i 1
其标准化随机变量
X n X n1 Yn (n 1)
其中Xn是第n天该商品的价格.如果今天 的价格为100，求18天后该商品的价格 在 96 与 104 之间的概率.
解 设 X 0 表示今天该商品的价格, X 18为18
天后该商品的价格, 则
18
X18 X17 Y18 X16 Y17 Y18 X 0 Yi
0! 1!
3°用正态分布近似计算
PX 2 1 PX 2 1 PX 1
1 (1 np ) npq
概率论与数理统计 中心极限定理
每个部件的称量误差相互独立，试求机床重量的总误差的
绝对值不超过 10 kg 的概率。
作业： 第115页，习题5-2，A组：2.
则
n
近似
Xi ~ N (n, n 2 ) 或
i 1
即对任意的 x，有
n
X i n 近似
i 1
~ N (0,1)
n
Hale Waihona Puke nlimP
i 1
n
X i n n
x ( x)
例 5.2.1 为了测定一台机床的质量，把它分解成 75 个部件来称量。
第五章 中心极限定理
中心极限定理解决的问题：
n
大量的随机变量的和 X i 的近似分布是什么？ i 1
结论
n
一定条件下， X i 近似服从正态分布。 i 1
一 独立同分布中心极限定理（列维-林德贝格）
设随机变量序列 X1, X 2, , X n , 独立同分布，且数学
期望和方差存在：E(Xi ) , D(Xi ) 2 (i 1,2, , n)
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1ni i X =∑的标准化变量nin Xn 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20σ>的独立同分布的随机变量的和1ni 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)nin Xn Y N μ-=∑近似,从而,当n 充分大时21~(,)nii XN 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11nn 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1001,i i Y X ==∑12100,,,X X X 相互独立,由()100,i E X=10,σ= 100n =知()100()10 000,i E X E X =⨯=()100()10 000,i D X D X =⨯=由独立同分布中心极限定理,~(10000,10000)Y N 近似,{}{10 200}110 200P Y P Y >=-≤10 00010 20010 0001100100Y P --⎧⎫=-≤⎨⎬⎩⎭1(2)10.977 20.022 8.Φ≈-=-=定理5.6（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(),()0,1,2,k k k kE X D X k μσ==>=，记.122∑==nk k nB σ若存在正数δ,使得当∞→n 时,,0}|{|1122→-∑=++nk k knXE B δδμ则随机变量之和∑=n k k X 1的标准化变量nnk kn k kn k k n k k nk k n B X X D X E X Z ∑∑∑∑∑=====-=⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛-=11111μ的分布函数)(x F n 对于任意x ,满足2/211lim ()lim d ().n nk k x t k k n n n n X F x P x t x B μΦ-==→∞→∞⎧⎫-⎪⎪⎪⎪=≤==⎨⎬⎪⎪⎪⎪⎩⎭∑∑⎰ 定理5.7（棣莫佛—拉普拉斯定理）设随机变量(1,2,)~(,)(01),n n b n p p η=<<则对任意x ,有22lim d ().t x n P x t x Φ--∞→∞⎧⎫⎪≤==⎬⎪⎭⎰证明 由于n η可视为n 个相互独立、服从同一参数p 的(01)-分布的随机变量12,,,n X X X 的和,即有1nn i i X η==∑,其中(),()(1),i i E X p D X p p ==-1,2,i =,故由独立同分布中心极限定理可得22lim lim d ().n i n n t xX np P x P x t x Φ→∞→∞-⎧⎫-⎪⎪⎧⎫⎪⎪≤=≤⎬⎬⎪⎪⎭⎪⎭==∑⎰, 定理5.7表明:若随机变量n η服从二项分布，即~(,)n b n p η，则当n 充分大时,有~(0,1)npN η-近似,从而,当n 充分大时~(,(1))n N np np p η-近似例5.4 假如某保险公司开设人寿保险业务，该保险有1万人购买（每人一份），每人每年付100元保险费,若被保险人在年度内死亡, 保险公司赔付其家属1万元.设一年内一个人死亡的概率为0.005试问:在此项业务中保险公司亏本的概率有多大？保险公司每年利润不少于10万的概率是多少？解 设X 表示一年内被保险人的死亡人数，则,~(10000,0.005)X b ,于是()100000.00550,()100000.0050.99549.75E X D X =⨯==⨯⨯=由棣莫佛—拉普拉斯定理,~(50,49.75)X N 近似.保险公司亏本,也就是赔偿金额大于10 000100100⨯=万元,即死亡人数大于100人的概率所以保险公司亏本的概率为(){100}1{100}117.050P X P X P Φ>=-≤=-≈-= 这说明,保险公司亏本的概率几乎是零.如果保险公司每年的利润不少于10万元,即赔偿人数不超过90人，则保险公司每年利润不少于10万的概率为(){90} 5.671P X ≤≈Φ≈Φ=.可见,保险公司每年利润不少于10万元的概率几乎是100%.。
概率论与数理统计：中心极限定理
k 1
E(X ) 300, D(X ) 600
X ~ N (300,600) (近似)
P(280
X
320)
320 300 600
280603000
2
20 600
1
2 0.8165 1 0.5878
中心极限定理的意义
在实际问题中，若某随机变量可以看 作是有相互独立的大量随机变量综合作用 的结果，每一个因素在总的影响中的作用 都很微小，则综合作用的结果服从正态分 布.
1
x t2
e 2 dt
2
即对任意的 a < b,
lim P a Yn np b
n
np(1 p)
1
b t2
e 2 dt
2 a
Y n ~ N (np , np(1-p)) (近似)
正态分布的概率密度的图形
x
二项分布的随机变量可看作许多相互独立的0-1
分布的随机变量之和, 下面是当x-B(20,0.5)时, x的
k 1
定理2 李雅普诺夫(Liapunov)定理
设随机变量序列 X1, X 2,, X n , 相互 独立，且有有限的期望和方差：
E(Xk ) k ,
D(X k
)
2 k
0
,
k 1,2,
记
n
n
Bn2
D(X k )
2 k
k 1
k 1
若 0,
1
B 2 n
n
E(| X k
k 1
k
|2 ) n0
n
lim P k1
x
n
n
1
x t2
e 2 dt
中心极限定理
中心极限定理
这是概率与统计的一个基本定理，阐明当样本数量较大时，不管总体分布的形状如何，分布（来自具有有限方差的总体的随机样本的均值）将近似服从正态分布。
许多常用统计过程都要求数据近似为正态，但中心极限定理使您能够将这些有用的过程应用于呈强烈非正态的总体。
样本数量必须为多大取决于原始分布的形状。
如果总体分布是对称的，则样本数量为 5 即可获得较好的近似；如果总体分布非常不对称，则需要较大的样本数量– 50 或更多–。
例如，假设一个总体服从均匀分布。
左侧的均匀概率分布图表明总体是对称的，但呈强烈非正态。
但是，根据中心极限定理，此总体的样本均值的分布 (n=5) 则近似为正态，如第二个直方图所示。
此样本均值直方图包含一个叠加的正态曲线，揭示了其正态性。
均匀总体的分布来自均匀总体的 1000 个样本均值的分布 (n=5)
以下图形揭示了中心极限定理在服从指数分布的总体上的体现。
此分布既不对称也非正态，如左侧的概率分布图所示。
但是，根据中心极限定理，来自此总体的1000 个大小为 50 的样本的样本均值的分布则近似为正态，如第二个直方图所示。
此样本均值直方图包含一个叠加的正态曲线，揭示了其正态性。
指数总体的分布来自指数总体的 1000 个样本均值的分布 (n=50)。
- 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)。
X
i 1
n
i
n
2
n
n
N 0,1
因此:
X i n i 1 P b b n
定理5.5 独立同分布的中心极限 设 X1, X 2 ,, X n , 是独立同分布的随机变量序列, 且
E X i p, D X i 2 0
则对任意的 x x , 有
i 1, 2, ,
n X i np lim P i 1 x x . n n
应 用 当 n 充 分 大 时
P a Xi b i 1 n a n X i n b n i 1 P n n n 2
之间的概率.
解 以 Yn 表示300件产品中次品的总数, 由题意得
1 Yn B 300, , 6 250 此时, np 50, np 1 p , 由中心极限定理得 6 40 50 Yn np 60 50 P 40 X 60 P 250 / 6 250 / 6 np 1 p
X np P 2.326 0.99. np 1 p X 300 2.326 20 4
即: 只要供应 320Q 瓦的电力, 就能以99%的把握保证该
车间的机器能正常工作.
例5. 为了测定一台机床的质量, 将其分解成若干个部件 来称量. 假定每个部件的称量误差（单位: kg ）服从区
则
解
以 Yn 为100根钢材中小于3m的钢材根数, 由题意知:
0 20 Yn np 30 20 P 0 Yn 30 P 4 4 np 1 p 2.5 5 0.9938.
例4. 设一个车间有400台同类型的机床, 每台机床需用 电 Q 瓦, 由于工艺关系, 每台机器并不连续开动, 开动的
p 0.75,
及 Yn B 400,0.75 , 因 n 400, 由中心极限定理知, 对 任意的 x, 有
Y np P n x x, np 1 p
由条件所设, 所求的概率为
x 0.99.
而 x 为标准正态分布的分布函数, 查表得 x 2.326. 即:
间 1,1 上的均匀分布, 且每个部件的称量是独立的, 试
问至多分成多少个部件才能以不低于99%的概率保证 机床的称量总误差的绝对值不超过10. 解 以 X i 表示第 i 个部件的称量误差, 设分成n个部件
从而
X i R 1,1. 1 2 0, , 3
n X i n n 10 0 P X i 10 P i 1 n n3 i 1 10 0 2 1 0.99 n3 2 10 10 0 u0.995 2.576 所以 n 3 45 n3 2.576
时候只占工作总时间的 3/ 4, 问应该供应多少瓦电力能
99%的概率保证该车间的车床能正常工作.（假定在工作 期内每台机器是否处于工作状态是相互独立的） . 解 令Yn 表示在时刻 t 时正在开动的机器数, 则Yn 可以表
A ”发生的 示在400次相互独立的重复实验试验中事件“ 次 数, 由前面所讨论的知:
Y np 1 n lim P x n np 1 p 2
即当 n 充分大时,
np 1 p Yn np
x
e
t2 2
dt ,
近似服从标准正态分布.
例2. 在次品率为1/6的一大批产品中, 任意取出300件产 品, 利用中心极限定理, 计算抽取的产品中次品数在40到60
1200
解
设第i 段的测量误差为 X i , 所以累计误差为
X ,
i 1 i
又 X1, X 2 ,, X1200 为独立同分布的随机变量, 由
X i R 0.5,0.5
得
1 E X i 0, D X i , 12
i 1, 2,,1200 .
由独立同分布情形下的中心极限定理:
2 1 2 0.0456.
定理5.5中限定条件得到如下定理5.6
定理 5.6 设 X1, X 2 ,, X n 是一个独立同分布的 随机变量序列,且 Xi
B 1, p ,
n i 1
令
Yn X i ,
则对任意的 x x , 有
1.55 1.55
2 1.55 1 0.8788.
例3. 有一批钢材, 其中80%的长度不小于3m, 现从钢材 中随机取出100根, 试利用中心极限定理求小于3m的钢
不超过30根的概率.
Yn B 100,0.2 , np 20, np 1 p 16,
n
b n a n n n
例1 某人要测量甲、乙两地的距离, 限于测量工具, 他 分成1200段进行测量, 每段测量误差（单位: 厘米）服从
区间 0.5,0.5上的均匀分布, 试求总距离测量误差的
绝对值超过 20 厘米的概率.
n P X i 20 P i 1
X i n 20 i 1 n 1 1200 12
n
1 P
X i n i 1 2 n
n
1 2 2