第5章大数定律及中心极限定理习题及答案教学提纲
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,,,Λ21是
n 个相互独立同分布的随机变量，
),,,(,)(,)(n i D E i i Λ218===ξμξ对于∑==
n
i i
n 1
ξξ，写出所满足的切彼雪夫不等式 228εεξεμξn D P =≤
≥-)(}|{| ，并估计≥<-}|{|4μξP n
21
1-
. 3. 设随机变量129,,,X X X L 相互独立且同分布, 而且有1i EX =,
1(1,2,,9)i DX i ==L , 令9
1
i 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
9
1ε-
. 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
22{||}P X σμεε-≥≤, 或者2
2{||}1.P X σμεε
-<≥-
由于随机变量129,,,X X X L 相互独立且同分布, 而且有 1,1(1,2,9),i i EX DX i ===L 所以
99
9111()()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,,,Λ21为相互独立的随机变量序列，且),,(Λ21=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 <<=L , 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 L 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 25
9 .
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 Λ {}{}12339≤-=≤≤ηηηE p p {}131>--=ηηE p
()9.0338
35
11691≈-=-
≥ηD 6. 设随机变量n ξξξ,,,Λ21 相互独立，且均服从指数分布
()0000>??
?≤>=-λλλx x e x f x )( 为 使 10095
101111
≥??????<-∑=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 ,1009510111101112
211≥??
? ??-≥??
????????
k k n
k k 即 110095
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?
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
中心极限定理与大数定理的关系
渤海大学学士学位论文 题目: 中心极限定理与大数定理的关系 系别: 渤海大学 专业: 数学系 班级: 2002级1班 姓名：于丹 指导教师：金铁英 完成日期：2006年5月19日 中心极限定理与大数定理的关系 于丹 （渤海大学数学系辽宁锦州 121000 中国） 摘要：中心极限定理是概率与数理统计的一个重要分支，大数定理和中心极限定理都是讨论的随机变量序列的极限问题，它们是概率论中比较深入的理论结果。 本篇论文从研究大数定理开始，然后由大数定理以及收敛性引出了中心极限定理，最后通过对定理在实际应用中的举例和定理的一些反例的研究使我们弄清中心极限定理的内涵与外延，进一步弄清了大数定理与中心极限定理之间的关系。 关键词：大数定理中心极限定理收敛性 The relation of the central limit theorem and large numbers law Yu Dan (Department of Mathematics Bohai University Liaoning jinzhou 121000 China) Abstract：The Central limit theorem is an important branch of probability and mathematical statistic. The large numbers law and the central limit theorem is limit question of random variable sequence .They are the quite thorough theory result in the theory of probability. This paper commences from large numbers law,then the central limit theorem is cited by large numbers law and convergence.Eventually,we can understand connotation and extension of the central limit theorem by its examples and relationship between large numbers law and the central limit theorem . Key words:large numbers law ; the central limit theorem ; convergence. 引言
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。
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。
-中心极限定理在保险业务中的应用讲解学习
-中心极限定理在保险业务中的应用
中心极限定理在保险业务中的应用 学生姓名：许红红指导教师:赵连阔 一、引言 保险是以合同的形式来确定双方经济关系，以投保人缴纳保险费所建立起来的保险基金，对保险合同规定范围内的意外所造成的损失，进行经济补偿或给付的一种经济形式。保险费是根据数理统计原理进行制定，对未来发生的成本进行预测和估算，将预期赔偿金额作为纯保险费来收取的。为避免和减少未来风险因素带来的经济损失，保险公司采取一些方法保证自己的偿付能力。 在实际生活中有诸如交通事故发生率、人口死亡率等许多随机因素影响着保险的预期利润和偿付能力，这些随机因素是相互独立的，且每一个因素的影响在总结果中所起到的作用都是很小的随机变量。这些随机变量都通常近似服从正态分布。这种现象就是中心极限定理产生的客观背景条件。 二、中心极限定理 结合上文中心极限定理的产生的客观背景，我们给出中心极限定理的具体内容。我们把描述或验证大量随机变量和的极限是正态分布的那些定理通称为中心极限定理。但其中最常见、最基本且应用最广泛的是两个定理德莫弗—拉普拉斯中心极限定理（二项分布的正态近似）和林德贝格—勒维中心极限定理（独立同分布下的中心极限定理）。
(一)德莫弗——拉普拉斯定理 设n 重伯努利试验(将事件A 重复进行n 次)中，事件A 在每次试验中出现的概率为 ()01p p <<，记n μ为n 次试验中事件A 出现的次数，且记* n Y =，其中1.q p =- 则对任意实数y ，有 {}()2 *2lim . t y n n P Y y dt y -→+∞≤==Φ? 这个定理可以说是二项分布的近似正态分布，当n 充分大时，可以利用该定理来计算二项分布的概率。 即(),A B n p :，其中1q p =-，则当n 很大时，有 ()P a X b ≤≤≈-. (二)林德贝格——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()()2,0i i E X Var X μσ==>记 * n Y 则对任意实数y ，有 *lim () n n P Y y ?→+∞≤=22 ()t y y e dt --∞=. 此定理也可称为独立同分布中心极限定理且应用十分广泛，它只假设{}n X 独立同分布、方差存在，且是随便变量的序列，不管原来的分布是什么，只要n 充分大，就可以用正态分布去逼近。于是有：
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
概率论大数定律及其应用
概率论基础结课论文 题目：独立随机序列的大数事件的定理与应用 作者：信计1301班王彩云130350119 摘要：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。 大数定律以严格的数学形式表达了随机现象最根本的性质—平均结果的稳定性，它是概率论中一个非常重要的定律，是随机现象统计规律性的具体表现，应用很广泛。本文介绍了几种常用的大数定律，并分析了它们在理论与实际中的应用。 关键词：弱大数定理伯努利大数定理随机变量数学期望概率 引言：“大数定律”本来是一个数学概念，又叫做“平均法则”。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，通俗的说，这个定律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。比如，我们向上抛一枚硬币，硬币落下时哪一面朝上本身是偶然的，但当我们向上抛的硬币的次数足够多时，达到上万次甚至几十万几百万时之后，我们就会发现，硬币朝上的次数大约占总数的二分之一。偶然之中包含着必然。 从概率的统计定义中可以看出：一个事件发生的频率具有稳定性，即随着试验次数的增多，事件的频率逐渐稳定在某个常数附近，人们在实践中观察其他的一些随机现象时，也常常会发现大量随机个体的平均效果的稳定性。这就是说，无论个别随机个体以及它们在试验进行过程中的个别特征如何，大量随机个体的平均效果与每一个体的个别特征无关，而且结果也不再是随机的。深入考虑后，人们会提出这样的问题：稳定性的确切含义是什么？在什么条件下具有稳定性？这就是我们大数要研究的问题。 概率与统计是研究随机现象的统计规律的学科，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。然而，在大量重复试验或观察中，我们会发现，一个事件发生的频率具有稳定性，它的稳定性会随着试验次数的增多表现得越来越明显。这种稳定性与它在在实验进行中的个别特征无关，且不再是随机的。大数定律给出了稳定性的确切含义，并且给出了什么条件下才具有稳定性。那么，这对于我们解决理论与实际问题有哪些实际意义呢？这就是我们在下面将要了解到的，大数定律的某些应用。即，大数定律及其在理论与实际生活中的一些应用。
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。
大学概率论与数理统计复习资料
第一章 随机事件及其概率 知识点：概率的性质 事件运算 古典概率 事件的独立性 条件概率 全概率与贝叶斯公式 常用公式 ~ ) ()()()()()2(加法定理AB P B P A P B A P -+= ) ,,() ()(211 1 有限可加性两两互斥设n n i i n i i A A A A P A P ∑===) ,(0)()()()()(互不相容时独立时与B A AB P B A B P A P AB P ==) ()()()()5(AB P A P B A P B A P -==-) () ()()()(时当A B B P A P B A P B A P ?-==-)) 0(,,() ()/()()()6(211 >Ω=∑=i n n i i i A P A A A A B P A P B P 且的一个划分为其中全概率公式 ) ,,()] (1[1)(211 1 相互独立时n n i i n i i A A A A P A P ∏==--=)/()()/()()()4(B A P B P A B P A P AB P ==) (/)()/()3(A P AB P A B P =) () /()() /()()/()7(1 逆概率公式∑== n i i i i i i A B P A P A B P A P B A P )(/)()(/)()1(S L A L A P n r A P ==
应用举例 1、已知事件,A B 满足)()(B A P AB P =，且6.0)(=A P ，则=)(B P （ ）。 2、已知事件,A B 相互独立，,)(k A P =6.0)(,2.0)(==B A P B P ，则=k （ ）。 3、已知事件,A B 互不相容，,3.0)(=A P ==)(,5.0)(B A P B P 则（ ）。 4、若,3.0)(=A P ===)(, 5.0)(,4.0)(B A B P B A P B P （ ） 。 5、,,A B C 是三个随机事件，C B ?，事件()A C B -与A 的关系是 （ ）。 6、5张数字卡片上分别写着1，2，3，4，5，从中任取3张，排成3位数，则排成3位奇数的概率是（ ）。 · 7、某人下午5:00下班。他所积累的资料表明： * 某日他抛一枚硬币决定乘地铁还是乘汽车。 （1）试求他在5:40~5:50到家的概率； （2）结果他是5:47到家的。试求他是乘地铁回家的概率。 解（1）设1A ={他是乘地铁回家的}，2A ={他是乘汽车回家的}， i B ={第i 段时间到家的}，4,3,2,1=i 分别对应时间段5:30~5:40，5:40~5:50，5:50~6:00，6:00以后 则由全概率公式有 )|()()|()()(2221212A B P A P A B P A P B P += 由上表可知4.0)|(12=A B P ，3.0)|(22=A B P ，5.0)()(21==A P A P 35.05.03.04.05.0)(2=?+?=B P ； （2）由贝叶斯公式 7 4 35.04.05.0)()()|(22121=?== B P B A P B A P 8、盒中12个新乒乓球，每次比赛从中任取3个来用，比赛 后仍放回盒中，求：第三次比赛时取到3个新球的概率。
中心极限定理证明
中心极限定理证明 一、例子 高尔顿钉板试验. 图中每一个黑点表示钉在板上的一颗钉子.每排钉子等距排列,下一排的每个钉子恰在上一排两相邻钉子之间.假设有排钉子,从入口中处放入小圆珠.由于钉板斜放,珠子在下落过程中碰到钉子后以的概率滚向左边,也以的概率滚向右边.如果较大,可以看到许多珠子从处滚到钉板底端的格子的情形如图所示,堆成的曲线近似于正态分布. 如果定义:当第次碰到钉子后滚向右边,令;当第次碰到钉子后滚向左边,令.则是独立的,且 那么由图形知小珠最后的位置的分布接近正态.可以想象,当越来越大时接近程度越好.由于时,.因此,显然应考虑的是的极限分布.历史上德莫佛第一个证明了二项分布的极限是正态分布.研究极限分布为正态分布的极限定理称为中心极限定理. 二、中心极限定理 设是独立随机变量序列,假设存在,若对于任意的,成立 称服从中心极限定理. 设服从中心极限定理,则服从中心极限定理,其中为数列. 解:服从中心极限定理,则表明 其中.由于,因此
故服从中心极限定理. 三、德莫佛-拉普拉斯中心极限定理 在重贝努里试验中,事件在每次试验中出现的概率为为次试验中事件出现的次数,则 用频率估计概率时的误差估计. 由德莫佛—拉普拉斯极限定理, 由此即得 第一类问题是已知,求,这只需查表即可. 第二类问题是已知,要使不小于某定值,应至少做多少次试验这时利用求出最小的. 第三类问题是已知,求. 解法如下:先找,使得.那么,即.若未知,则利用,可得如下估计:. 抛掷一枚均匀的骰子,为了至少有的把握使出现六点的概率与之差不超过,问需要抛掷多少次 解:由例4中的第二类问题的结论,.即.查表得.将代入,便得.由此可见,利用比利用契比晓夫不等式要准确得多. 已知在重贝努里试验中,事件在每次试验中出现的概率为为次试验中事件出现的次数,则服从二项分布: 的随机变量.求. 解:
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
统计学课后思考题
思考题 第一章 1.1什么是统计学:统计学是关于数据的一门学科，它收集，处理，分析，解释来自各个领域的数据并从中得出结论。 1.2解释描述统计和推断统计:描述统计；它研究的是数据收集，处理，汇总，图表描述，概括与分析等统计方法。推断统计；它是研究如何利用样本数据来推断总体特征的统计方法。 1.3统计学的类型和不同类型的特点:统计数据；按所采用的计量尺度不同分；（定性数据）分类数据：只能归于某一类别的非数字型数据，它是对事物进行分类的结果，数据表现为类别，用文字来表述；（定性数据）顺序数据：只能归于某一有序类别的非数字型数据。它也是有类别的，但这些类别是有序的。 （定量数据）数值型数据：按数字尺度测量的观察值，其结果表现为具体的数值。统计数据；按统计数据都收集方法分； 观测数据：是通过调查或观测而收集到的数据，这类数据是在没有对事物人为控制的条件下得到的。 实验数据：在实验中控制实验对象而收集到的数据。 统计数据；按被描述的现象与实践的关系分； 截面数据：在相同或相似的时间点收集到的数据，也叫静态数据。 时间序列数据：按时间顺序收集到的，用于描述现象随时间变化的情况，也叫动态数据。 1.4解释分类数据，顺序数据和数值型数据:答案同1.3 1.5举例说明总体，样本，参数，统计量，变量这几个概念:对一千灯泡进行寿命测试，那么这千个灯泡就是总体，从中抽取一百个进行检测，这一百个灯泡的集合就是样本，这一千个灯泡的寿命的平均值和标准差还有合格率等描述特征的数值就是参数，这一百个灯泡的寿命的平均值和标准差还有合格率等描述特征的数值就是统计量，变量就是说明现象某种特征的概念，比如说灯泡的寿命。 1.6变量的分类:变量可以分为分类变量，顺序变量，数值型变量。变量也可以分为随机变量和非随机变量。经验变量和理论变量。 1.7举例说明离散型变量和连续性变量:离散型变量，只能取有限个值，取值以整数位断开，比如“企业数”连续型变量，取之连续不断，不能一一列举，比如“温度”。 1.8统计应用实例:人口普查，商场的名意调查等。 1.9统计应用的领域:经济分析和政府分析还有物理，生物等等各个领域。 第二章思考题 2.1什么是二手资料？使用二手资料应注意什么问题:与研究内容有关，由别人调查和试验而来已经存在，并会被我们利用的资料为“二手资料”。使用时要进行评估，要考虑到资料的原始收集人，收集目的，收集途径，收集时间使用时要注明数据来源。 2.2比较概率抽样和非概率抽样的特点，指出各自适用情况: 概率抽样：抽样时按一定的概率以随机原则抽取样本。每个单位别抽中的概率已知或可以计算，当用样本对总体目标量进行估计时，要考虑到每个单位样本被抽到的概率。技术含量和成本都比较高。如果调查目的在于掌握和研究对象总体的数量特征，得到总体参数的置信区间，就使用概率抽样。 非概率抽样：操作简单，时效快，成本低，而且对于抽样中的统计学专业技术要求不是很高。它适合探索性的研究，调查结果用于发现问题，为更深入的数量分析提供准备。它同样使用市场调查中的概念测试（不需要调查结果投影到总体的情况）。 2.3除了自填式，面访式和电话式还有什么搜集数据的办法:试验式和观察式等 2.4自填式，面访式和电话式各自的长处和弱点: