第五章大数定律与中心极限定理习题

第五章 大数定律与中心极限定理

一、填空题：

1． 将一枚硬币连掷100次，则出现正面的次数大于60的概率约为 。

2．在概率论里，把研究在什么条件下，大量独立随机变量和的分布以 为极限这一类定理称为中心极限定理。

3．在天平上重复称量一重为a 的物体，假设各次称重结果相互独立且同服从正态分布)2.0,(2a N ，若以n X 表示n 次称重结果的算术平均值，则为使95.0)1.0(≥<-a X P n ，n 的最小值应不小于自然数 。

二、选择题：

1．设随机变量ξ服从参数为n ，p 的二项分布，则当∞→n 时，≈<<)(b a P ξ（ ）。

(A))()(a b Φ+Φ (B))()(00a b Φ+Φ (C))()(a b Φ-Φ (D)1)(20-Φb

2．设ξ为服从参数为n ，p 的二项分布的随机变量，则当∞→n 时，npq np

-ξ一定服从

（ ）。

(A)正态分布。 ( B)标准正态分布。 (C)普哇松分布。 ( D)二项分布。

三、计算题：

1． 对敌人的防御地段进行100次射击，每次射击中，炮弹命中数的数学期望为2，而命中数的均方差为1.5，求当射击100次时，有180颗到220颗炮弹命中目标的概率。

2.计算机在进行加法时，对每个加数取整（取为最接近于它的整数），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。（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）多少个数加在一起时的误差总和的绝对值小于10的概率为0.90？

2． 已知某工厂生产一大批无线电元件，合格品占

61，某商店从该厂任意选购6000个这种元件，问在这6000个元件中合格品的比例与6

1之差小于1％的概率是多少？

3． 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吨的汽车承运，试用中心极限定理说明每辆车最多可以装多少箱，才能保障不超载的概率大于0.9770？

4． 某工厂有400台同类机器，各台机器发生故障的概率都是0.02。假设各台机器工作是相

互独立的，试求机器出故障的台数不少于2的概率。

5． 某保险公司多年的统计资料表明，在索赔户中被盗索赔占20％，以ξ表示在随意抽查的

100个索赔户中因被盗向保险公司索赔的户数。求被盗索赔户不少于14户切不多于30户的概率的近似值。

6． 一个复杂的系统，由n 个相互独立的部件所组成。每个部件的可靠性都为0.9，在整个

运行期间，至少需要80％部件工作，才能保证整个系统正常运行。问n 至少为多大时才能使系统的可靠度（即系统正常工作的概率）为0.95。

7． 设k ξ（k ＝1，2，…，50）是相互独立的随机变量，且都服从参数为λ＝0.03的普哇松

分布，记∑==

501k k ξη，试利用中心极限定理计算)3(≥ηP 。

8．设电路供电网中有10000盏灯，夜晚每一盏灯开着的概率都是0.7，假定各灯开、关事件彼此无关，计算同时开着的灯数在6800与7200之间的概率。

10.若某产品的不合格率为0.005，任取10000件，问不合格品不多于70件的概率等于多少？

11.某商店负责供应某地区10000人商品，某种商品在一段时间内每人需用一间的概率为0.6，假定在这一段时间内各人购买与否彼此无关，问商店应预备多少件这种商品，才能以99.7％的概率保证不会脱销（假定该商品在某一段时间内每人最多可以买一件）。

第5章大数定律及中心极限定理习题及答案

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,,, 21是 n 个相互独立同分布的随机变量， ),,,(,)(,)(n i D E i i 218===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 相互独立且同分布, 而且有1i EX =, 1(1,2, ,9)i DX i ==, 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 相互独立且同分布, 而且有 1,1(1,2,9),i i EX DX i === 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-≥≤ =

第六章 大定律与中心极限定理习题

第六章 大数定律与中心极限定理习题 一、 填空题 1．设n ξ是n 次独立试验中事件A 出现的次数，P 为A 在每次试验中出现的概率，则对任意的0>ε，有=≥-)(εξp n P n 。 2．设随机变量ξ，E ξ＝μ，D ξ＝2σ，则≥<-)2(σμξP 。 3．设随机变量ξ的方差为2，则根据切比雪夫不等式有估计≤≥-)2(ξξE P 。 4．在概率论里，把研究在什么条件下，大量独立随机变量和的分布以 为极限这一类定理称为中心极限定理。 5．将一枚硬币连掷100次，则出现正面的次数大于60的概率约为 。 6．在天平上重复称量一重为a 的物体，假设各次称重结果相互独立且同服从正态分布)2.0,(2a N ，若以n X 表示n 次称重结果的算术平均值，则为使95.0)1.0(≥<-a X P n ，n 的最小值应不小于自然数 。 二、选择题 1．设随机变量ξ服从参数为n ，p 的二项分布，则当∞→n 时，≈<<)(b a P ξ（ ）。 (A))()(a b Φ+Φ (B))()(00a b Φ+Φ (C))()(a b Φ-Φ (D)1)(20-Φb 2．设ξ为服从参数为n ，p 的二项分布的随机变量，则当∞→n 时，npq np -ξ一定服从 （ ）。 (A)正态分布。 ( B)标准正态分布。 (C)普哇松分布。 ( D)二项分布。 三、计算题 1.对敌人的防御地段进行100次射击，每次射击中，炮弹命中数的数学期望为2，而命中数的均方差为1.5，求当射击100次时，有180颗到220颗炮弹命中目标的概率。 2.计算机在进行加法时，对每个加数取整（取为最接近于它的整数），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。（1）若将1500个数相加，问误

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

第五章大数定律与中心极限定理习题

第五章 大数定律与中心极限定理 一、填空题： 1． 将一枚硬币连掷100次，则出现正面的次数大于60的概率约为 。 2．在概率论里，把研究在什么条件下，大量独立随机变量和的分布以 为极限这一类定理称为中心极限定理。 3．在天平上重复称量一重为a 的物体，假设各次称重结果相互独立且同服从正态分布)2.0,(2a N ，若以n X 表示n 次称重结果的算术平均值，则为使95.0)1.0(≥<-a X P n ，n 的最小值应不小于自然数 。 二、选择题： 1．设随机变量ξ服从参数为n ，p 的二项分布，则当∞→n 时，≈<<)(b a P ξ（ ）。 (A))()(a b Φ+Φ (B))()(00a b Φ+Φ (C))()(a b Φ-Φ (D)1)(20-Φb 2．设ξ为服从参数为n ，p 的二项分布的随机变量，则当∞→n 时，npq np -ξ一定服从 （ ）。 (A)正态分布。 ( B)标准正态分布。 (C)普哇松分布。 ( D)二项分布。 三、计算题： 1． 对敌人的防御地段进行100次射击，每次射击中，炮弹命中数的数学期望为2，而命中数的均方差为1.5，求当射击100次时，有180颗到220颗炮弹命中目标的概率。 2.计算机在进行加法时，对每个加数取整（取为最接近于它的整数），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。（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）多少个数加在一起时的误差总和的绝对值小于10的概率为0.90？

2． 已知某工厂生产一大批无线电元件，合格品占 61，某商店从该厂任意选购6000个这种元件，问在这6000个元件中合格品的比例与6 1之差小于1％的概率是多少？ 3． 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吨的汽车承运，试用中心极限定理说明每辆车最多可以装多少箱，才能保障不超载的概率大于0.9770？ 4． 某工厂有400台同类机器，各台机器发生故障的概率都是0.02。假设各台机器工作是相 互独立的，试求机器出故障的台数不少于2的概率。

实验十三 二项分布的计算与中心极限定.

实验十三二项分布的计算与中心极限定 [实验目的] 1.研究用Poisson逼近与正态逼近进行二项分布近似计算的条件 2.检验中心极限定理 §1 引言 二项分布在概率论中占有很重要的地位。N次Bernoulli实验中正好出现K次成功的概 率有下式给出b k;n,p C n k p k1p n k ,k=0,1,2,……..n.二项分布的 值有现成的表可查，这种表对不同的n及p给出了b(k;n.p)的数值。在实际应用中。通常可用二项的Poisson逼近与正态逼近来进行二项分布的近似计算。在本实验中，，我们来具体地研究在什么条件下，可用Poisson逼近与正态逼近来进行二项分布的近似计算。 在概率论中，中心极限定理是一个很重要的内容，在本实验中，我们用随即模拟的方法来检验一个重要的中心极限定理——Liderberg-Levi中心极限定理。 §2 实验内容与练习 1．1二项分布的Poisson逼近 用Mathematica软件可以比较方便地求出二项分布的数值。例如n=20;p=0,1;Table[Binomial[n,k]*p^k*(1-p)(n-k),{k,0,20}]给出了b(k;20,0.1)(k=0,1,2,…..,20)的值。 联系 1 用Mathematica软件给出了b(k;20,0.1),b(k;20,0.3)与 b (k;20,0.5)(k=0,1,2,…..,20)的值。 我们可用Mathematica软件画出上述数据的散点图，下面的语句给出了b(k;20.0.1)的（连线）散点图（图13。1）： LISTpOLT[table[Binomi al[20,k]*0.1^k*0.9^(20-k), {k,0,20}],PlotJoined->True] 图13.1 b(k;20,0.1) b k;n,p C n k p k1p n k (k=1,1,2,……,20)的散点图 练习2绘出b(l;20,0.3)与b(k;20,0.5)(k=0,1,2,…,20)的散点图 根据下面的定理，二项分布可用Poisson分布来进行近似计算。 定理13。1 在Bernoulli实验中，以P n 代表事件A在试验中出现的概率，它与试验总数有关. 如果np n→→λ，则当n→∞时，b k;n,p k k e 。 由定理13，1在n很大，p很小，而λ=np大小适中时，有 b k;n.p c k n p k1p n k k k e

中心极限定理

中心极限定理 中心极限定理（Central Limit Theorems） 什么是中心极限定理 大数定律揭示了大量随机变量的平均结果，但没有涉及到随机变量的分布的问题。而中心极限定理说明的是在一定条件下，大量独立随机变量的平均数是以正态分布为极限的。 中心极限定理是概率论中最著名的结果之一。它提出，大量的独立随机变量之和具有近似于正态的分布。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，而且有助于解释为什么有很多自然群体的经验频率呈现出钟形(即正态)曲线这一事实，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，也使正态分布有了广泛的应用。 中心极限定理的表现形式 中心极限定理也有若干个表现形式，这里仅介绍其中四个常用定理： （一）辛钦中心极限定理 设随机变量相互独立，服从同一分布且有有限的数学期望a和方差σ2，则 随机变量，在n无限增大时，服从参数为a和的正态分布即n→∞时， 将该定理应用到抽样调查，就有这样一个结论：如果抽样总体的数学期望a和方差σ2是有限的，无论总体服从什么分布，从中抽取容量为n的样本时，只要n足够大，其样本平均数的分布就趋于数学期望为a，方差为σ2 / n的正态分布。 （二）德莫佛——拉普拉斯中心极限定理 设μ n是n次独立试验中事件A发生的次数，事件A在每次试验中发生的概率为P，则当n 无限大时，频率设μ n / n趋于服从参数为的正态分布。即：

该定理是辛钦中心极限定理的特例。在抽样调查中，不论总体服从什么分布，只要n充分大，那么频率就近似服从正态分布。 （三）李亚普洛夫中心极限定理 设是一个相互独立的随机变量序列，它们具有有限的数学期望和方 差：。 记，如果能选择这一个正数δ>0，使当n→∞时， ，则对任意的x有： 该定理的含义是：如果一个量是由大量相互独立的随机因素影响所造成的，而每一个别因素在总影响中所起的作用不很大，则这个量服从或近似服从正态分布。 （四）林德贝尔格定理 设是一个相对独立的随机变量序列，它们具有有限的数学期望和方差满足林德贝尔格条件，则当n→∞时，对任意的x，有 。 中心极限定理案例分析 案例一：中心极限定理在商业管理中的应用 水房拥挤问题：假设西安邮电学院新校区有学生5000人，只有一个开水房，由于每天傍晚打开水的人较多，经常出现同学排长队的现象，为此校学生会特向后勤集团提议增设水龙头。假

中心极限定理

中心极限定理 从总体中抽取容量为n的一个样本时，当样本容量足够大时，样本均值x的抽样分布近似服从于正态分布。 eg:用R从0-10的均匀分布中产生100个样本量为n=2的随机样本，对每个样本计算，并画出100个的频数分布，对于n=5,10,30,50,重复这一个过程。 a=matrix(rep(0,200),nrow=100,byrow=T) set.seed(200) for(i in 1:100) a[i,]=runif(2,0,10) b=matrix(rep(0,100),nrow=100) for(t in 1:100) b[t]=b[t]+mean(a[t,]) hist(b,freq=FALSE,density=20,main="100 个样本量n=2的随机样本",xlab="x的均值") sd=sd(b) mean=mean(b) x=seq(min(b),max(b),by=0.1) y=dnorm(x,mean,sd) lines(x,y,col="red",lwd=2) a=matrix(rep(0,1000),nrow=100,byrow=T) set.seed(1000) for(i in 1:100) a[i,]=runif(10,0,10) b=matrix(rep(0,100),nrow=100) for(t in 1:100) b[t]=b[t]+mean(a[t,]) hist(b,freq=FALSE,density=20,main="100个样本量n=10的随机样本",xlab="x的均值") sd=sd(b) mean=mean(b) x=seq(min(b),max(b),by=0.1) y=dnorm(x,mean,sd) lines(x,y,col="red",lwd=2) a=matrix(rep(0,3000),nrow=100,byrow=T) set.seed(3000) for(i in 1:100) a[i,]=runif(30,0,10) b=matrix(rep(0,100),nrow=100) for(t in 1:100) b[t]=b[t]+mean(a[t,]) hist(b,freq=FALSE,density=20,main="100个样本量n=30的随机样本",xlab="x的均值") sd=sd(b) mean=mean(b) x=seq(min(b),max(b),by=0.1) y=dnorm(x,mean,sd) lines(x,y,col="red",lwd=2) a=matrix(rep(0,5000),nrow=100,byrow=T) set.seed(3000) for(i in 1:100) a[i,]=runif(50,0,10) b=matrix(rep(0,100),nrow=100) for(t in 1:100) b[t]=b[t]+mean(a[t,]) hist(b,freq=FALSE,density=20,main="100个样本量n=50的随机样本",xlab="x的均值") sd=sd(b) mean=mean(b) x=seq(min(b),max(b),by=0.1) y=dnorm(x,mean,sd) lines(x,y,col="red",lwd=2)

数理统计作业二__用数学实验的方法验证大数定理和中心极限定理

验证大数定理： 1、实验原理： 证明大数定理即证明样本均值趋近于总体均值。 2、实验步骤： ①在excel中，用公式 =RAND( )*9+1 生成2000个1到10之间的随机数。 ②选择样本的前50个，前100个，前150个…前2000个，分别求出均值。 ③利用excel作出上述求出值的样本均值折线图（图一）和总体均值折线图（图二）： 图一 图二 从图一和图二中可以看出样本均值最终趋于水平，即趋于总体均值，大数定理得证。

验证中心极限定理： 1、实验原理： 证明中心极限定理即证明N个独立同分布的随机变量和的极限分布为正态分布。本次实验采用独立同分布于0-1分布B(1,0.5)的随机变量序列E k，k=1,2,3······来验证中心极限定理。因为E k， k=1,2,3······之间是独立同分布，所以 )5.0, ( ~ E n 1 k k n B ∑ =。由中心极 限定理可知，当n的取值足够大时，∑ = n 1 k k E 这一随机变量的分布与正太分 布具有很好的近似，下面用MATLAB软件分别画出n取不同值时∑ = n 1 k k E 的分 布及对应的正太分布的图像，通过对比这两条曲线的相似度来验证中心极限定理。 2、实验步骤： ①当n=10时，对应正态分布为N（5，2.5）。 MATLAB结果图：

MATLAB源程序： MATLAB结果图：

MATLAB源程序： MATLAB结果图：

MATLAB源程序： MATLAB结果图：

MATLAB源程序： ⑤观察得出，当N足够大时，其密度函数服从正态分布，即满足 中心极限定理。

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。

(完整版)大数定律和中心极限定理

第五章 大数定律和中心极限定理 一、内容提要 （一）切贝谢夫不等式 1. 切贝谢夫不等式的内容 设随机变量X 具有有限的数学期望E （X ）和方差D （X ），则对任何正数ε，下列不等式成立。 (){}() (){}() . 1, 2 2 εεεεX D X E X P X D X E X P - ≤-≤ ≥-π 2. 切贝谢夫不等式的意义 （1）只要知道随机变量X 的数学期望和方差（不须知道分布律），利用切贝谢夫不等式，就能够对事件(){} ε≥-X E X 的概率做出估计，这是它的最大优点，今后在理论推导及实际应用中都常用到切贝谢夫不等式。 （2）不足之处为要计算(){} ε≥-X E X P 的值时，切贝谢夫不等式就无能为力，只有知道分布密度或分布函数才能解决。另外，利用本不等式估值时精确性也不够。 （3）当X 的方差D (X )越小时，(){} ε≥-X E X P 的值也越小，表明X 与E (X )有较大“偏差”的可能性也较小，显示出D (X )确是刻画X 与E (X )偏差程度的一个量。 （二）依概率收敛 如果对于任何ε＞0，事件{} επa X n -的概率当n →∞时，趋于1，即 {}1lim =-∞ →επa X P n n ， 则称随机变量序列X 1,X 2,…,X n ,…当n →∞时依概率收敛于α。 （三）大数定律 1. 大数定律的内容 （1）大数定律的一般提法 若X 1,X 2,…,X n ,…是随机变量序列，如果存在一个常数序列α1,…,αn ,…，对任意ε＞0，恒有 11lim 1=? ?? ???-∑=∞ →επn i n i n a X n P ， 则称序列{X n }服从大数定律（或大数法则）。 （2）切贝谢夫大数定律 设随机变量X 1,X 2,…,X n ,…相互独立，分别有数学期望E(X i )和方差D(X i )，且它们的方差有公共上界C ，即 ()().,,,2,1,ΛΛn i C X D i =≤

中心极限定理的发展

中心极限定理的创立和发展 1141010113 万帅 关键词：中心极限定理，创立，严格证明，新的发展，三阶段。 引言：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近似服从正态分布的条件。该定理为人们用正态分布来描述和解决大量的概率问题提供了坚实的理论基础。 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近似服从正态分布的条件。该定理为人们用正态分布来描述和解决大量的概率问题提供了坚实的理论基础。 “中心极限定理”这一名称的来源有两种说法。波利亚认为这个定理十分重要，在概率论中具有中心地位，所以他加上了“中心”这一名称，于1920年引入这一术语。另一种说法是，现代法国概率论学派认为极限定理描述了分布函数中心的情况，而不是尾部的情况。 历史上有不少数学家对中心极限定理的研究做出了贡献。中心极限定理的发展主要分为三个阶段。 创立阶段：1733-----1853年 人们通常认为，法国数学家隶莫弗在1733年首次证明了，二项发布近似正态分布。然而，当时正态发布的概念，隶莫弗并不知道自己本质上证明了“中心极限定理” 法国数学家拉普拉斯写了很多论文，想推广棣莫弗的工作。他意识到需要一种新的数学技巧，并在1785年成功地发明了这个技巧：特征函数的简单形式和反演公式。拉普拉斯把他的两个主要研究方向结合起来得到了这个方法-----母函数和积分的监禁展开。通过把母函数中的t换成it e ，就得到了特征函数。然而，直到1810年他才发表了特征函数与反演公示的一般理论，并证明了中心极限定理。他之所以推迟到1810年，有一种解释是，从1786年开始，他就专注于《天体力学》的写作，这本书1805年才完成。1810年，拉普拉斯证明了中心极限定理，先是服从均匀发布的连续随机变量的情形，接着是服从任意分布的随机变量。拉普拉斯的证明显然对独立有界的随机变量和成立，证明过程使用了现在所谓的特征函数，或傅里叶变换，即itXEe(t为实数）。在1812年，他先后考虑了对称的、离散的均匀分布，对称的连续分布，任意分布情形。最后，拉普拉斯在他的名著《概率的分析理论》中对任意的p证明了如下中心极限定理：【1】 泊松完善和推广了拉普拉斯关于中心极限定理的证明。在所有考虑的情况里，都假设随机变量是独立的。泊松证明了服从相同分布的随机变量的情况，还推广到服从不同分布的随机变量的情况。1824年，泊松证明了连续随机变量的中心极限定理，并给出了三个反例，其中包括服从柯西分布的随机变量和，这时中心极限定理不成立。受当时传统的影响，泊松没有明确阐明中心极限定理成立的条件。但是，从他的证明和例子中，可以看到，他假设每个变量的方差都是有界的，且不等于零。其他数学家也做了这方面工作，比如贝塞尔和柯西。拉普拉斯等人给出证明的前提假设是，和的分布是有限的，因此所有的矩都存在。他们把结果推广到无限情形，但没有给出证明，并隐含假定了矩的存在。以现在的观点来看，只要沿着拉普拉斯的方向继续下去，法国数学家们是可以给出中心极限定理的严格证明的，比如柯西，他知道特征函数和稳定率。 从当时环境来看，大约1870年代，概率学家还处于心理上的劣势，苦于自己的研究领

大数定理与中心极限定理典型题解

第四章 大数定理与中心极限定理典型题解 1．计算器在进行时，将每个加数舍入，最靠近它的整数，设所有舍入误差相互独立且在)5.0,5.0(-上服从均匀分布，将1500个数相加，问误差总和的绝对值超过15的概率是多少？ 解 设第k 个加数的舍入误差为),1500,,2,1( =k X k 已知k X 在) 5.0,5.0(-上服从均匀分布，故知121)(,0)(==k k X D X E ．记∑==15001 k k X X ，由中心极限定理，当n 充分 时有近似公式 )(}12115000 1500{x x X P Φ≈≤?-， 于是 {15}1{15}1{1515} 11[1[21]2(1.342)2[10.9099]0.1802. P x P x P X P >=-≤=--≤≤=-≤≤≈-Φ-Φ=-Φ=Φ=-= 即误差总和的绝对值超过15的概率近似地为1802.0． 2．有一批建筑房屋用的木柱，其中%80的长度不小于m 3，现在从这批木柱中地取100根，求其中至少有30根短于m 3的概率． 解 以X 记被抽取的100根木柱长度短于m 3的根数，则)2.0,100(~b X ．于是由中心极限定理得 {30}{30} ()1(2.5)10.99380.0062. P X P X P ≥=≤<∞=≤<=Φ∞-Φ=-Φ=-= 3．将一枚硬币投掷49次，（I ）求至多出现28次正面的概率；（II ）求出现20-25次正面的概率．

解 以X 表示49次投掷中出现正面的次数，则有)2 1,49(~b X ． （I ）由中心极限定理得 8413.0)1()21214921 4928(}28{=Φ=??? -Φ≈≤X P ； （II ）由中心极限定理得 112549204919{2025}()()770.55570.09850.4572.P X -? -?≤≤≈Φ-Φ=Φ-Φ-=-= 4．某厂有同号机器100台，且独立工作，在一段时间内每台正常工作的概率为8.0．求正常工作的机器超过85台的概率． 解 设ξ为100台中正常工作的机器数，则)8.0,100(~B ξ，且 16 ,80====ξξD npq E np ． 由中心极限定理可得所求概率为 080808580{85}1{085}1{ }444 1[(1.25)(20)]0.1056.P P P ξξξ--->=-≤≤=-≤≤≈-Φ-Φ-= 5．一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50kg ，标准差5kg ．若用最大载重量5t 的汽车承运最多可以装多少箱才能保障不超载的概率大于0.977． 解 设n 为每辆车所装的箱数，),,2,1(n i i =ε是装运的第i 箱的重量，且25,50==i i D E εε．n 箱的总重量 n εεεε+++= 21有n D n E 25,50==εε，由中心极限定理ε近似服从正态分布)25,50(n n N ．现求使下面不等式成立的:n 977.0)101000(}5505000550{}5000{>-Φ≈-≤-=≤n n n n n n P P εε 查正态分布表得 2101000>-n n ， 从而0199.98

(完整word版)概率论与数理统计教程习题(大数定律与中心极限定理)

习题10（切比雪夫不等式） 一．填空题 1. 设随机变量X 的数学期望μ=)(X E ，方差2 )(σ=X D ，则由切比雪夫不等式，得 ≤≥-)3(σμX P . 2. 随机掷6枚骰子，用X 表示6枚骰子点数之和，则由切比雪夫不等式，得≥<<)2715(X P . 3. 若二维随机变量),(Y X 满足，2)(-=X E ，2)(=Y E ，1)(=X D ，4)(=Y D ， 5.0),(-=Y X R ，则由切比雪夫不等式，得≤≥+)6(Y X P . 4. 设ΛΛ,,,,21n X X X 是相互独立、同分布的随机变量序列，且0)(=i X E ，)(i X D 一致有界),,,2,1(ΛΛn i =，则=<∑=∞ →)( lim 1 n X P n i i n . 二．选择题 1. 若随机变量X 的数学期望与方差都存在，对b a <，在以下概率中，（ ）可以由切比雪夫不等式进行取值大小的估计。 ①)(b X a P <<； ②))((b X E X a P <-<； ③)(a X a P <<-； ④))((a b X E X P -≥-. 2. 随机变量X 服从指数分布)(λe ，用切比雪夫不等式估计≤≥ -)1 (λ λX P （ ）. ①λ； ②2 λ③4 λ； ④ λ 1 . 三．解答题 1. 已知正常男性成年人的血液里，每毫升中白细胞含量X 是一个随机变量，若7300)(=X E ， 2700)(=X D ，利用切比雪夫不等式估计每毫升血液中白细胞含量在5200至9400之间的概率。 2. 如果n X X X ,,,21Λ是相互独立、同分布的随机变量序列，μ=)(i X E ，

中心极限定理及其意义

中心极限定理及其意义

————————————————————————————————作者：————————————————————————————————日期：

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，

抽样技术上机实验_中心极限定理验证

均匀分布中心极限定律的实现： clc clear n=200000; %/* ???′′?êy*/ k=100; %/* ?ù±???êy*/ mu=0; u=0; sigma=1/12; population=0:0.001:1; for i=1:n y = randsample(population,k,1); mu=[mu,mean(y)]; end mu=(mu-0.5)/(sqrt(sigma)/sqrt(k)); %hist(mu(2:end),1000) [f, x1] = ksdensity(mu(2:end)); plot(x1, f) hold on plot(x1,normpdf(x1,0,1),'r') hold off %%%%%%%%%%%%%%%%%%%%%%%% 两点分布的实现： clc clear n=10000; %/* ???′′?êy*/ k=100; %/* ?ù±???êy*/ mu=0; u=0; p=0.5; sigma=p*(1-p); population=0:1; for i=1:n y = randsample(population,k,1); mu=[mu,mean(y)]; end mu=(mu-p)/(sqrt(sigma)/sqrt(k)); %hist(mu(2:end),1000) [f, x1] = ksdensity(mu(2:end)); plot(x1, f) hold on plot(x1,normpdf(x1,0,1),'r') hold off %%%%%%%%%%%%%%%%%%%%%%%%%%%%% 两点分布1以概率0.4发生

中心极限定理实验仿真

中心极限定理的仿真实验 目的：模拟投掷一枚骰子出现的点数的试验，重复进行104次，统计出现的点数和，并将数据标准化处理后，画出频率直方图，通过观察比较验证数据的正态性。 所用的软件：Microsoft EXCEL 步骤如下： 1 打开excel软件,在A2格子中输入=INT(6*RAND())+1，按回车就会产生一个1-6中的某一个随机整数，并且出现1-6中每一个整数的概率是相同的。 2鼠标点击A2格子，并移动到格子的右下角，出现”+”后往下拖动鼠标直到出现A501时停下来，这样就得到了500个随机数据，都是在1-6中随机取值的。（当然你越往下拖，产生的随机整数越多，试验效果越好） 3 在第二列重复第1步和第2步，第三列，第四列……直到CZ列都和第二列同样操作，这样产生了104列随机数据。 4 在DB列分别求出每行数据的和，用的函数是“SUM”，接着依次求出500行数据的和。 5 复制DB列到DC列，注意值复制数值。 6 对DC列数据进行排序， 7对DC列数据进行标准化处理，即每个数据减去平均值再除以标准差（均值函数为average,样本方差函数为var）

8处理后的数据放在DE列。根据最大值和最小值，把数据分到20个区间，这里数据范围从-2.7到2.7，故每个区间长度为0.27，这样得到（-2.7，-2.43],……,(2.43,2.7)共20个区间(也可以分15个区间，这时区间长度为0.36）。 9统计每个区间里的数据个数，用函数countif(区域，条件），详见EXCEL文件。 10 画出频率直方图，大家可以看到，投掷104次骰子后出现的点数和数据标准化后出现标准正态分布的特征。 请大家按照以上方法，产生200列数据，每列1000个数据，按照以上步骤做好中心极限定理的仿真实验。按个步骤写出实验过程，并将计算结果或图标截图后放在每个步骤后面，完整一份实验报告。

中心极限定理证明

中心极限定理证明)题的方法应用于统计学，这从另一个方面也间接地开辟了统计学的方法领域，其在现代推断统计学方法论中居于主导地 位。参考文献 [1]邓永录著应用概率及其理论基础.清华大学出版社。 [2]魏振军著概率论与数理统计三十三讲.中国统计出版社。 [3]程依明等著概率论与数理统计习题与解答.高等数学出版社。 第五篇：中心极限定理 中心极限定理 中心极限定理（central limit theorems） 什么是中心极限定理 大数定律揭示了大量随机变量的平均结果，但没有涉及到随机变量的分布的问题。而中心极限定理说明的是在一定条件下，大量独立随机变量的平均数是以正态分布为极限的。 中心极限定理是概率论中最著名的结果之一。它提出，大量的独立随机变量之和具有近似于正态的分布。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，而且有助于解释为什么有很多自然群体的经验频率呈现出钟形(即正态)曲线这一事实，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，也使正态分布有了广泛的应用。 中心极限定理的表现形式 中心极限定理也有若干个表现形式，这里仅介绍其中四个常用定理： （一）辛钦中心极限定理 设随机变量相互独立，服从同一分布且有有限的数学期望a和方差σ2，则 随机变量，在n无限增大时，服从参数为a 和的正态分布即n→∞时， 将该定理应用到抽样调查，就有这样一个结论：如果抽样总体的数学期望a和方差σ2是有限的，无论总体服从什么分布，从中抽取容量为n的样本时，只要n足够大，其样本平均数的分布就趋于数学期望为a，方差为σ2 / n的正态分布。

（二）德莫佛——拉普拉斯中心极限定理 设μn是n次独立试验中事件a发生的次数，事件a在每次试验中发生的概率为p，则当n无限大时，频率设μn / n 趋于服从参数为的正态分布。即： 该定理是辛钦中心极限定理的特例。在抽样调查中，不论总体服从什么分布，只要n充分大，那么频率就近似服从正态分布。 （三）李亚普洛夫中心极限定理 设 差：是一个相互独立的随机变量序列，它们具有有限的数学期望和方 。 记，如果能选择这一个正数δ>0，使当n→∞ 时， ，则对任意的x有： 该定理的含义是：如果一个量是由大量相互独立的随机因素影响所造成的，而每一个别因素在总影响中所起的作用不很大，则这个量服从或近似服从正态分布。 （四）林德贝尔格定理 设是一个相对独立的随机变量序列，它们具有有限的数学期望和方差满足林德贝尔格条件，则当n→∞时，对任意的x ，有 。 中心极限定理案例分析 案例一：中心极限定理在商业管理中的应用 水房拥挤问题：假设西安邮电学院新校区有学生5000人，只有一个开水房，由于每天傍晚打开水的人较多，经常出现同学排长队的现象，为此校学生会特向后勤集团提议增设水龙头。假

《大数定律及中心极限定理》习题

大数定律及中心极限定理 习题十五 大数定律及中心极限定理 一、填空题 1．随机变量ΛΛ,,,,21n X X X 相互独立，且它们服从参数为2的指数分布，则当∞→n 时， 21 1∑=n i i X n 依概率收敛于 。 2．随机变量ΛΛ,,,,21n X X X 相互独立，且它们服从参数为λ的泊松分布，则}{ 1lim x n n X P n i i n ≤-∑=∞→λ λ= 。 3．设n Y 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 Y a P n 。 二、选择题 1．设ΛΛ,,,,21n X X X 是相互独立的随机变量序列，n X 服从参数为n 的指数分布 ),2,1(Λ=n 。则下列选项中不服从切比雪夫大数定律的随机变量序列是（ ） 。 A 、 ΛΛ,,,,21n X X X B 、ΛΛ,,,2,2221n X n X X C 、 ΛΛ,1,,21,21n X n X X D 、ΛΛ,,,2,21n nX X X 2．设随机变量ΛΛ,,,,21n X X X 独立同分布，其分布函数为： )0(arctan 1 )(≠+=b b x a x F π 则辛钦大数定律对此序列（ ）。 A 、适用 B 、当常数a,b 取适当数值时适用 C 、不适用 D 、无法判断 3．设n X X X ,,,21Λ是相互独立的随机变量，∑==n i i n X S 1，则根据独立同分布的中心极限 定理，当n 充分大时，n S 近似服从正态分布，只要n X X X ,,,21Λ（ ）。 A 、有相同的数学期望 B 、有相同的方差 C 、服从同一指数分布 D 、服从同一离散型分布 三、设某工厂生产的零件的合格品率为90%。 1．如果每箱装100个零件，求其中合格品数不少于95个的概率；

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: