- 1、本文档共16页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
中心極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)设是独立同分布的随机变量序列,且存在,若记
则对任意实数y,有
(1)
证明:为证明(1)式,只须证的分布函数列弱收敛于标准正态分布。由定理可知:只须证的特征函数列收敛于标准正态分布的特征函数。为此,设的特征函数为,则的特征函数为
又因为E()=0,Var()=,所以有=0,。于是,特征函数有展开式
从而有
而正是N(0,1)分布的特征函数,定理得证。
这个中心极限定理是由林德贝格和勒维分别独立的在1920年获得的,定理告诉我们,对于独立同分布的随机变量序列,其共同分布可以是离散分布,也可以是连续分布,可以是正态分布,也可以是非正态分布,只要其共同分布的方差存在,且不为零,就可以使用该定理的结论。
定理1的结论告诉我们:只有当n充分大时,才近似服从标准正态分布,而当n较小时,此种近似不能保证。也就是说,在n充分大时,可用近似计算与有关事件的概率,而n较小时,此种计算的近似程度是得不到保障的。当时,则有
经过多方面的理论研究,我们可知定理1主要适用于以下两个方面;
应用一:求随机变量之和落在某区间的概率(例如例2.)。
应用二:已知随机变量之和取值的概率,求随机变量的个数n。
在日常生活中,我们会发现其实有很多的例子均可用林德伯格-勒维中心极限定理来解决。在此我们从中选择了几个典型而又带有新意的例子,仅供大家参考。
例1.用中心极限定理说明在正常的射击条件下,炮弹的射程服从或近似服从正态分布。[1]
解:设a为理论射程,为实际射程,则=-a为实际射程对理论射程的偏差,显然=+a,故只需证~N(,)。
由于在实际射击中,有很多不可控制的随机因素在不断变化,所以造成了实际射程对理论射程的偏差,若设:射击时炮身振动引起的偏差,:炮弹外形差异引起的偏差,:炮弹内火药的成分引起的偏差,:射击时气流的差异引起的偏差……,:……,显然有
=
∵影响实际射程的因素是大量的,
∴这里的n一定很大,
又∵炮身的振动、炮弹的外形、火药的成分、气流的变化…….这些因素之间没有什么关系(或有微弱关系)。
∴由它们引起的,,……可看做是相互独立的。
而正常的射击条件也就是对射程有显著影响的因素已被控制,所以,,……所起的作用可看做是同样微小。
∴由中心极限定理可知~N(,)。
∵可正,可负且相会均等 ∴p=0 ∴~N(0,)。
则
从这个例子来看,虽然看上去有点复杂,但是我们还是很清晰地可以看到如果一个随机变量能表示成大量独立随机变量的和,并且其中每一个随机变量所起的作用都很微小,则这个随机变量服从或近似服从正态分布,这给我们的计算带来很大方便。
现在的旅游、汽车等行业越来越受欢迎,为了体现中心极限定理的重要性,我们不妨从现实生活中的热门行业说起,看看它到底起到怎样的重要性。
例2.某汽车销售点每天出售的汽车服从参数为=2的泊松分布,若一年365天都经营汽车销售,且每天出售的汽车数是相互独立的,求一年中售出700辆以上汽车的概率。[1]
解:设为第i天出售的汽车的数量,则为一年的总销量,由,知365×2=730
利用中心极限定理得
P(700)=1-P(≤700)≈1—=1-(一1.11)=0.8665
从此例可以看出,中心极限定理揭示了离散型随机变量与连续型随机变量的内在关系,即离散型随机变量的极限分布是正态分布。
事实上,在现实生活中的很多方面,我们都能清晰地看到中心极限定理的存在。那么在理论中,我们也可用它来解决一些比较抽象的问题,比如下面的极限求解问题。
例3.利用中心极限定理证明:
[1]
证明:设{}独立同分布且~P(1),k=1,2…….
则a==l,==1
∵由泊松分布的可加性知~P(n)
∴
又∵由中心极限定理知:
∴
如果在林德伯格-勒维中心极限定理中,服从二项分布,就可以得到以下的定理:
定理2(棣莫弗-拉普拉斯中心极限定理)设n重伯努利试验中,事件A在每次试验中出现的概率为p(0p1),记为n次试验中事件A出现的次数,且记,则对任意实数y,有
该定
文档评论(0)