概率论与数理统计练习题
系 专业 班 姓名 学号
第五章 大数定律与中心极限定理
一、选择题：
1．设n μ是n 次重复试验中事件A 出现的次数，p 是事件A 在每次试验中出现的概率，则对任意的0ε>均有lim {}n n P p n με→∞-≥ [ A ]
（A ）0= （B ）1= （C ）0> （D ）不存在
2．设随机变量X ，若2() 1.1,()0.1E X D X ==，则一定有 [ B ]
（A ）{11}0.9P X -<<≥ （B ）{02}0.9P X <<≥
（C ）{|1|1}0.9P X +≥≤ （D ）{|}1}0.1P X ≥≤
3．121000,,,X X X L 是同分布相互独立的随机变量，~(1,)i X B p ，则下列不正确的是 [ D ]
（A ）1000111000i i X p =≈∑ （B
）10001
{}i i P a X b =<<≈Φ-Φ∑ （C ）10001~(1000,)i i X B p =∑ （D ）1000
1{}()()i i P a X b b a =<<≈Φ-Φ∑
二、填空题：
1．对于随机变量X ，仅知其1()3,()25
E X D X ==，则可知{|3|3}P X -<≥
2．设随机变量X 和Y 的数学期望分别为2-和2，方差分别为1和4，而相关系数为5.0-，则根据契比雪夫不等式{}6P X Y +≥≤
三、计算题：
1．设各零件的重量是同分布相互独立的随机变量，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：设第i 件零件的重量为随机变量i X ，根据题意得0.1.i EX ==
5000
5000
11()50000.52500,()50000.0150.i i
i i E X D X ===?==?=∑∑
5000
500012500(2510)110.9207
0.0793.i i i X P X P =->=>≈-Φ≈-=∑∑
2．计算器在进行加法时，将每个加数舍入最靠近它的整数，设所有舍入误差是独立的且在(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）最多可有几个数相加使得误差总和的绝对值小于10的概率不小于
解：（1）1500
1500111(0.5,0.5),()0,()1500125.12
i i i i X U E X D X ==-==?
=∑∑:
1500
1(||15)2[1(2[1(1.3)]0.18.5
i i P X
P =>=>≈-Φ≈-Φ=∑ （2
）1||(||10)0.90n i n i i X P X P =<=<≥∑
∑0.95?Φ≥. 根据Φ
1.645≥，故21012()443.4.1.645n ≤?≈ 所以n 最多为443个数相加.
3．某药厂断言，该厂生产的某种药品对于医治一种疑难的血液病的治愈率为，医院检验员任意抽查100个服用此药品的病人，如果其中多于75人治愈，就接受这一断言，否则就拒绝这一断言。
（1）若实际上此药品对这种疾病的治愈率是，问接受这一断言的概率是多少
（2）若实际上此药品对这种疾病的治愈率是，问接受这一断言的概率是多少
解：（1）令1i X =为第i 个病人治愈成功，反之则0.i X =
令1001,(100,0.8),()80,()16.i
i Y X Y B E Y D Y ====∑:
5(75)()0.8944.
4P Y P >=>≈Φ= （2）令1i X =为第i 个病人治愈成功，反之则0.i X =
令1001,(100,0.7),()70,()21.i
i Y X Y B E Y D Y ====∑:
(75)10.1379.
P Y P >=>≈-Φ= 4．一食品店有三种蛋糕出售，由于售出哪一种蛋糕是随机的，因而售出一只蛋糕的价格是一个随机变量，它取1元、元、元各个值的概率分别为、、。某天售出300只蛋糕。
（1）求收入至少400元的概率；
（2）求售出价格为元的蛋糕多于60只的概率。
解：（1）设X i (i=1,2,3…,300)为蛋糕的价格，其分布律为: 11215030205i X P
..... 10312021505129123300i E X i =?+?+?==()......(,,,)L
2103144022250512900489
123300().....(.).(,,,)i D X i =?+?+?-==L 记3001i i X X
==∑
400
()P X P ≥=≥ 1
P =-< 13394(.)=-Φ
10999700003..=-=
记Y 为售出蛋糕的价格为元的数量，则30002Y B ~(,.)
60160P Y P Y >=-≤()()
1
P =-≤ 1005=-Φ=().
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1 n i i X =∑的标 准化变量 n i n X n 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2 0σ>的独立同分布的随机变量的和1 n i 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)n i n X n Y N μ-= ∑近似 , 从而,当n 充分大时 21 ~(,)n i i X N 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1 1n n 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
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)
中心极限定理的创立与发展 -----杨静邓明立 概率论极限理论是概率论的重要组成部分，是概率论的其他分支和数理统计的重要基础。的概率现象是由于无数的随机因素共同作用的结果---这些因素每一个都起到一点作用，但都没有起到很大的甚至决定性的作用。而极限定理告诉我们，这类多随机因素作用的现象必然会收敛于某个正态分布的概率模型。因此，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。 现实中有许多随机变量都具有上述特点，比如，大炮的射程受到多种因素影响：炮身结构，炮弹外形，炮弹几炮弹内炸药质量，瞄准的误差，风速，风向的干扰，大炮的使用年限等等，其中每种因素的微小差异对总的影响作用都不大，并且可以看作是互相独立的、互相不影响的。每种因素都会引起一个微小的误差，而炮弹落点的误差就是这许多随机误差的总和所影响的。由此看出，研究随机变量和的极限对于搞清楚随机现象的本质有着极其的重要价值。 在生产和生活中，有许多随机变量的取值呈现出“中间多，两头少，左右对称”的特点。例如，一般来说我国北方男性身高在170厘米左右的居多，而高于180厘米和低于160厘米的较少。或者在生产条件不变的情况下产品的抗压强度、长度、等许多随机变量指标也都存在这样类似的情况。这样的随机变量所服从的分布就是所谓的“正态分布”。许多随机变量服从正态分布。 极限理论中的中心极限定理曾是概率论的中心课题。中心极限定理有很多形式。凡是关于随机变量的数目无限增多时，其和的分布函数在一定的条件下收敛于正态分布函数的任何论断，都称为中心极限定理。 “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”。
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 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 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)
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
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，
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，
若{}n X 的分布函数序列{()}n F x 与X 的分布函数()F x 有，在任意连续点x ， lim ()()n n F x F x →∞ =。 依概率收敛 若0ε?>，有()0n n P X X ε→∞ ->???→。准确的表述是，0ε?>，0δ?>， ,N n N ?>，有()n P X X εδ-><成立 （3）几乎必然收敛 如果有(lim )1n n P X X →∞ ==。准确的表述是，除掉一个0概率集A ，对所有的\A ω∈Ω， 有lim ()()n n X X ωω→∞ =成立。这是概率空间上的点收敛。 定理1。（切贝雪夫大数律）{}n X 相互独立，且有相同的期望和方差，（不一定同分布） ()n E X u =2 ()n D X σ=，,n ? 记1 1n n i i Y X n ==∑，则P n Y u ??→。 统计发生——事物某方面的定量记录事前是不确定的，发生后的数据由真值和误差两部分构成，εμ+=X 。X 是数据，μ是真值，ε是误差。导致误差的原因有： 1． 系统性误差：偏离真值的本质性错误，有内在原因所致； 2． 随机性误差：偏离真值的偶然性错误，没有内在原因，是纯偶然因素所致。 总体就是一个特定的随机变量 通过抽样，获得样本，构造样本统计量，由此推断总体中某些未知的信息 从总体中抽样是自由的，且当总体数量足够大，有放回与无放回抽样区别不大，有理由认为，取得的抽样观察值是没有关系的。所以，样本在未抽取前它们是与总体X 同分布的随机变量，且是相互独立的，称此为随机样本。 定义2。设1,,n x x 是取自总体X 的一组样本值， 1(,,)n g x x 是Borel 可测函数，则称随机变量1(,,)n g X X 是一个样本统计量。
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
‘、第五章 大数定律与中心极限定理 第一节 大数定律 在第一章中我们已经指出，人们经过长期实践认识到，虽然个别随机事件在某次试验中可能发生也可能不发生，但是在大量重复试验中却呈现明显的规律性，即随着试验次数的增大，一个随机事件发生的频率在某一固定值附近摆动.这就是所谓的频率具有稳定性.同时，人们通过实践发现大量测量值的算术平均值也具有稳定性.而这些稳定性如何从理论上给以证明就是本节介绍的大数定律所要回答的问题. 在引入大数定律之前，我们先证一个重要的不等式——契比雪夫（Chebyshev ）不等式. 设随机变量X 存在有限方差D （X ），则有对任意ε＞0， P {｜X -E （X ）｜≥ε}≤2) (εX D .(5.1) 证 如果X 是连续型随机变量，设X 的概率密度为f (x ),则有 P {|X -E （X ）|≥ε}= ??≥-≥--≤ εεε)(22)()()()(X E x X E x x x f X E x x x f d d ≤[].)()()(1 222?+∞∞-=-ε εX D x x f X E x d 请读者自己证明X 是离散型随机变量的情况. 契比雪夫不等式也可表示成 P {｜X -E （X ）｜＜ε}≥1-2) (εX D . 5.2） 这个不等式给出了在随机变量X 的分布未知的情况下事件{｜X -E （X ）｜＜ε}的概率的下限估计，例如，在契比雪夫不等式中，令ε=3)(X D ，4)(X D 分别可得到 P {｜X -E （X ）｜＜3)(X D }≥0.8889, P {｜X -E (X )｜＜4)(X D }≥0.9375. 例5.1 设X 是掷一颗骰子所出现的点数，若给定ε=1,2，实际计算P {|X -E （X ）|≥ε}，并验证契比雪夫不等式成立. 解 因为X 的概率函数是P {X =k }=1/6（k =1，2，…，6），所以 E （X ）=7/2, D （X ）=35/12, P {|X -7/2|≥1=P {X =1}+P {X =2}+P {X =5}+P {X =6}=2/3; P {|X -7/2|}≥2}=P {X =1}+P {X =6}=1/3. ε=1： 2)(εX D =35/12>2/3, ε=2：2) (εX D =1/4×35/12=35/48>1/3.
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。
第四章 大数定律和中心极限定理 教学内容：本章主要讲述契比雪夫不等式，契比雪夫大数定律，贝努里大数定律和中心极限定理等内容． 教学重点：讲清大数定律的条件、结论和中心极限定理的条件、结论。 教学难点：随机变量序列的两种收敛性及大数定律和中心极限定理的应用。 在本课程一开始引入概率这个概念时，我们曾经指出，频率是概率的反映，随着观察次数n 的增大，频率将会逐渐稳定到概率。还曾经指出，当n 很大时，频率会概率是会非常“靠近”的，某些读者可能早就有了疑问：这里说的“逐渐稳定”和非常“靠近”究竟是什么意思？与数学分析中的极限概念有关系吗？这个问题提得非常好，前面提到的“逐渐稳定”和非常“靠近”都只是一种直观的说法，它的严格的数学家意义确实需要我们进一步阐明，本章就是要讨论这一类问题。 第一节 切比雪夫不等式 一、 契比雪夫不等式（Chebyshev inequality ） 设随机变量X 的均值()E X 及方差()D X 存在，则对于任意正数ε，有不等式 22 }|)X (E X {|P εσ≤ε≥- 或22 1}|)X (E X {|P ε σ-≥ε<- 成立。 我们称该不等式为契比雪夫（Chebyshev ）不等式。 证明：（我们仅对连续性的随机变量进行证明）设()f x 为X 的密度函数，记μ=)X (E ， 2)(σ=X D 则 ??≥-≥ --≤= ≥-ε μ εμεμεx x dx x f x dx x f X E X P )()()(}|)({|2 2 2 22 22 ) (1 )()(1 εσεμεX D dx x f x = ?≤ -≤ ? ∞ +∞ - 从定理中看出，如果()D X 越小，那么随机变量X 取值于开区间((),())E X E X εε-+中的概率就越大，这就说明方差是一个反映随机变量的概率分布对其分布中心(distribution center)()E X 的集中程度的数量指标。 利用契比雪夫不等式，我们可以在随机变量X 的分布未知的情况下估算事件 {}()X E X ε-<的概率。
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
心极限定理（上） 骰子和生日 了解中心极限定理 马克.吐温讽刺道：有三种避免讲zhenxiang的方式：谎言，该死的谎言和统计数据。这个笑话很中肯，因为统计信息频繁地看似一个黑匣子——了 解统计定理怎样让通过数据取得结论变成可能，这是有难度的。 但因为不论是喷气发动机可靠性还是安排我们平日看的电视节目的流程，数据分析，类似的任何事情中都扮演着重要角色，所以至少获取对统 计基本理解是重要的。要了解其中一个重要概念是中心极限定理。 在这篇文章中，我们将解释中心极限定理，通过普通的例子，诸如掷骰子和美国职业棒球联赛球员生日来展示如何操作它。 定义中心极限定理 某典型课本对中心极限定理的定义如下：
当样本容量增加时，样本均值X的分布接近均值等于μ，标准差σ/√n 注： μ是总体均值 σ是总体标准差 n是样本大小 换句话说，如果我们多次采用大小为n的独立随机抽样，那么当n足够大的时，样本平均值的分布就接近正态分布。 那么多大才是足够大呢？一般来说，样本容量大于或者等于30认为是足够大，此时中心极限定理起作用。如果总体分布越要接近正态分布，那么需要更多的样本来使用该定理。对于严重不对称的或者有几个模板的总体来说，也许要求更大的样本。 为什么有关呢 从一个总体中收集所有的数据是很难操作或者不可行的，统计学就是基于这个情况产生的。换种方式来做，我们可以从总体中获取数据的子集，然后对这个样本进行统计分析，以得到总体的结论。 举例来说，我们可以从工业生产流程中收集多个随机样本，然后使用各个样本的平均值来推断整个过程的稳定性。 2个常用于解释总体的特征值分别是平均值和标准差。当数据遵循正态分布，均值表示分布的中心位置，标准差揭示分布情况。