当前课程知识点:概率论与数理统计 > 第十二周 大数定律和中心极限定理 > 中心极限定理 > 12.2 中心极限定理
不小于10000元的概率
大数定律
说明平均值与期望之间的偏差
小于任意给定正的常数的概率趋于1
在方差有限的条件下
还有如下结论
更精细地刻画了
平均值与期望之间的偏差
设Xn是独立同分布的随机变量序列
如果每个随机变量的期望均为mu
方差均为sigma方
则对每一个固定的实数y
均有当n趋于无穷时
sigma乘根号n分之X1加X2
一直加到Xn减去n_mu
小于等于y的概率
收敛于标准正态分布的
分布函数在y点的取值
这一定理被称为中心极限定理
和大数定律一样
中心极限定理也是一组定理
分别在不同条件下
刻画随机变量序列的平均值
与期望均值之间的偏差关系
这里给出的林德伯格-勒维定理
是一个条件非常简单的经典结论
实际上
若X1,X2直到Xn
是独立同分布的随机变量序列
则X1加X2一直加到Xn
就近似服从于
(以X1加X2加到Xn的期望为期望
以X1加X2加到Xn的方差为方差)的正态分布
即X1加X2加到Xn
近似服从以n(mu)为期望
以n(sigma方)为方差的正态分布
经过正态分布的标准化
X1加X2加到Xn减去期望n(mu)
除以标准差
根号n乘以sigma
近似服从于标准正态分布
一个生产线生产的产品成箱包装
每一箱所装的重量有一定的随机性
假设每箱平均重量50kg
标准差为5kg
若用最大载重量5吨的汽车运输产品
试用中心极限定理估计
保障不超载的概率
大于0.977条件下
每辆车最多可以装多少箱产品
这里概率取0.977
是因为标准正态分布的分布函数
phi(2)等于0.977
这样涉及到的数字比较好算
设每箱产品的重量为随机变量X
则X的期望等于50
方差等于5的平方等于25
设一辆车所装各箱产品的重量
依次为随机变量X1,X2,直到Xn
则X1到Xn相互独立
且与X分布相同
X1加X2一直加到Xn的期望为50n
方差为25n
根据中心极限定理
X1加X2一直加到Xn
近似服从于期望为50n
方差为25n的正态分布
X1加X2一直加到Xn
小于等于5000的概率做标准化
等于X1加X2一直加到Xn减50n
再除以5倍的根号n
小于等于5000减去50n
再除以5倍根号n的概率
近似等于标准正态分布的分布函数
phi(5000减去50n再除以5倍根号n)
使得此值大于等于0.977
既使得5000减去50n
除以5倍根号n大于等于2
推出n要小于等于98.02
所以估计每辆车转载不超过98箱
可保障不超载的概率大于0.977
计算机在进行加法运算时
对每个被加数取整
设所有的取整误差是相互独立的
且它们都在负0.5到0.5区间上
服从均匀分布
问大约多少个数相加时
误差总和绝对值
小于10的概率在0.90左右
设随机变量Xk
表示第k个被加数的取整误差
则由题设条件知
X1,X2,直到Xn相互独立
且均服从负0.5
到0.5区间上的均匀分布
所以每个Xk的期望均为0
方差均为12分之1
由题意,要确定n取怎样的值
能够使得满足X1,X2
直到Xn求和的绝对值
小于10的概率约等于0.9
因为Xk的期望mu等于0
方差sigma方等于12分之1
由中心极限定理可得
X1加X2一直加到Xn减去n(mu)
除以根号n(sigma)
近似服从标准正态分布
所以X1,X2,直到Xn
求和的绝对值小于10的概率
等于X1到Xn求和
除以根号12分之n的绝对值
小于根号12分之n分之10的概率
约等于phi(20倍的根号n分之3)
减去phi(负的20倍的根号n分之3)
根据标准正态分布的对称性
等于2倍的phi(20根号n分之3)减1
由X1,X2,直到Xn求和的绝对值
小于10的概率约等于0.9
即推出phi(20根号n分之3)
约等于0.95
查表得20倍的根号n分之3
约等于1.645
得到n约等于443
大约443个数相加时
误差总和的绝对值
小于10的概率在0.90左右
也就是说
被加数不超过443个时
可以有不小于0.90的概率保证
取整误差总和的绝对值小于10
第11周课中
二项分布的正态近似
是最早发现的
中心极限定理的结果
棣莫弗-拉普拉斯定理
是一个特殊的中心极限定理
考虑n个独立的0-1分布随机变量
X1到Xn则参数为n,p的
二项分布随机变量X
等于X1到Xn的求和
每个Xk的期望均为p
方差均为p乘(1-p)
所以X近似服从以X1
到Xn的求和的期望为期望
以X1到Xn的求和的方差
为方差的正态分布
即X近似服从期望为np
方差为np乘(1-p)的正态分布
再看一个二项分布的正态逼近的例子
在某一寿险公司中
有3000个同一年龄的人参加人寿保险
在1年里
这些人的死亡率为0.1%
参加保险的人
在年初交纳保险费10元
若被保人在1年内死亡
保险受益人可以从保险公司领取2000元
求保险公司1年中
获利不小于10000元的概率
设1年内死亡的人数为随机变量X
死亡的概率为0.001
则X为发生概率0.001的
伯努利试验
重复3000次的结果
服从参数为3000
0.001的二项分布
保险公司
这1年的收入为3000乘以10
为30000元
赔付2000乘X元
保险公司1年获利
不小于10000元的概率
等于30000减去2000X
大于等于10000的概率
等于X小于等于10
大于等于0的概率
由于X服从
参数为3000,0.001的二项分布
所以X减去np除以根号np
乘以(1-p)近似服从
标准正态分布
将n等于3000
和p等于0.001代入
得1.7312分之X减3
近似服从标准正态分布
所以X小于等于10
大于等于0的概率
等于1.7312分之X减3
小于等于1.7312分之10减3
大于等于负的1.7312分之0减3的概率
等于标准正态分布取值在
-1.733和4.043之间的概率
约等于0.96
即保险公司的这个项目1年中获利
大约可达到0.96
-随机试验与随机事件
-古典概型
--1.2 古典概型
--第一周:古典概型
-事件间的关系与事件的运算
--第一周:事件间的关系与事件的运算
-两个著名的例子
--第一周:两个著名的例子
-讲义
-条件概率
--2.1 条件概率
--第二周:条件概率
-有关条件概率的三个重要计算公式
--第二周:有关条件概率的三个重要计算公式
-事件的独立性
--第二周:事件的独立性
-应用实例
--2.4 应用实例
--第二周:应用实例
-网球比赛胜率的计算
--Video
-讲义
-随机变量及分布函数
--第三周:随机变量及分布函数
-离散型与连续型随机变量
--第三周:离散型与连续型随机变量
-分布函数的性质与特殊的例子
--第三周:分布函数的性质与特殊的例子
-概率论所需微积分要点回顾
--第三周:概率论所需微积分要点回顾
-讲义
-二项分布与负二项分布
--第四周:二项分布与负二项分布
-泊松分布
--4.2 泊松分布
--第四周:泊松分布
-几何分布与指数分布
--第四周:几何分布与指数分布
-正态分布
--4.4 正态分布
--第四周:正态分布
-讲义
-随机变量函数的分布
--第五周:随机变量函数的分布
-随机变量的数学期望
--第五周:随机变量的数学期望
-随机变量的方差
--第五周:随机变量的方差
-原点矩与中心矩
--第五周:原点矩与中心矩
-期望和方差的一些补充性质
--第五周:期望和方差的一些补充性质
-讲义
-二项分布与泊松分布的期望与方差
--第六周:二项分布与泊松分布的期望与方差
-几何分布的期望与方差
--第六周:几何分布的期望与方差
-均匀、指数和正态分布的期望与方差
--第六周:均匀、指数和正态分布的期望与方差
-随机变量数学期望的应用实例
--第六周:随机变量数学期望的应用实例
-快速排序算法的平均计算量分析
--Video
-讲义
-多维随机变量
-第七周:多维随机变量
-常见多维随机变量举例
--第七周:常见多维随机变量举例
-随机变量的独立性
--第七周:随机变量的独立性
-独立随机变量期望和方差的性质
--第七周:独立随机变量期望和方差的性质
-讲义
-条件分布
--8.1条件分布
--第八周:条件分布
-条件期望
--8.2 条件期望
--第八周:条件期望
-全期望公式(上)
--第八周:全期望公式(上)
-全期望公式(下)
--第八周:全期望公式(下)
-讲义
-随机变量函数的期望
--第九周:随机变量函数的期望
-协方差
--9.2 协方差
--第九周:协方差
-相关系数
-- 9.3 相关系数
--第九周:相关系数
-相关与独立
--第九周:相关与独立
-讲义
-独立随机变量和的分布
--第十周:独立随机变量和的分布
-独立正态分布和的分布
--第十周:独立正态分布和的分布
-最大值、最小值分布
--第十周:最大值、最小值分布
-顺序统计量
--第十周:顺序统计量
-讲义
-正态分布的相关与独立
--第十一周:正态分布的相关与独立
-边缘密度均为正态,联合分布不是二元正态的例子
--第十一周:边缘密度均为正态,联合分布不是二元正态的例子
-二项分布的正态近似
--第十一周:二项分布的正态近似
-正态近似计算实例
--第十一周:正态近似计算实例
-讲义
-大数定律
--12.1大数定律
--第十二周:大数定律
-中心极限定理
--第十二周:中心极限定理
-蒙特卡洛(Monte Carlo)算法
-伪随机数和随机模拟
-讲义
-统计学实例
-总体与样本
-常用统计量
--第十三周:常用统计量
-三种重要的统计分布和分位数
--第十三周:三种重要的统计分布和分位数
-讲义
-参数的矩估计
--第十四周:参数的矩估计
-参数的极大似然估计
--第十四周:参数的极大似然估计
-参数点估计的无偏性和有效性
--第十四周:参数点估计的无偏性和有效性
-参数点估计应用实例
--第十四周:参数点估计应用实例
-讲义
-区间估计的基本思想
--第十五周:区间估计的基本思想
-区间估计的构造方法
--第十五周:区间估计的构造方法
-两个正态总体的区间估计
--第十五周:两个正态总体的区间估计
-大样本置信区间
--第十五周:大样本置信区间
-讲义
-假设检验问题的提示和标准步骤
--第十六周:假设检验问题的提示和标准步骤
-假设检验问题的两类错误和P值
--第十六周:假设检验问题的两类错误和P值
-单个正态总体参数的假设检验
--第十六周:单个正态总体参数的假设检验
-拟合优度检验
--第十六周:拟合优度检验
-讲义
-利用条件概率计算网球比赛胜率
-利用期望的计算性质分析快速排序算法的平均计算量
-讲义
-事件
--事件
-分布函数
--分布函数
-正态
--正态
-指数与二项
--指数与二项
-随机变量函数的分布
-指数分布期望
--指数分布期望
-切比雪夫不等式
--切比雪夫
-二元离散
--二元离散
-协方差
--协方差
-二元特征
--二元特征
-统计量
--统计量
-无偏估计
--无偏估计
-点估计
--点估计
-假设检验
--假设检验
-选择
--选择
-填空
--填空
-大题
--大题