大数定律与中心极限定理及其应用

2023年12月27日发(作者：波尔数学试卷上册月考)

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2

姓 名 张永东

指 导 教 师 陈飞翔 (讲师）

2014年5月日10

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 .............................................................. 8

2。2.1 林德伯格定理及其在保险方面的应用 ....................................... 8

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............................................................................................................................................... 16

参考文献 ...................................................................................................................................... 17

大数定律与中心极限定理及其应用

张永东

（重庆三峡学院 数学与统计学院 数学与应用数学专业 2010级 一班 重庆万州 404000）

摘要：大数定律和中心极限定理是概率论中很重要的定理,也是概率论与数理统计联系的关键所在,更是生活中不可缺少的一部分。较多文献给出了不同条件下存在的大数定律和中心极限定理，并利用大数定律和中心极限定理得到较多模型的收敛性。但对于它们的适用范围及在实际生活中的应用涉及较少.本文介绍了几种较为常见的大数定律和中心极限定理，并列举了它们在经济生活、数学分析、信息论等各个不同领域的应用.将理论具体化、将可行的结论用于具体的数学模型中,以使得枯燥的数学理论与实际相结合，使大家对大数定律与中心极限定理在实际生活中的应用价值有了更深的认识。

关键词：大数定律；中心极限定理；期望；方差；应用

Application of the law of large numbers and the central

limit theorem

ZHANG yong—dong

（Grade 2010， Mathematics and Applied Mathematics， School of Mathematics

and Statistics ，Chongqing Three Gorges University, Wanzhou, Chongqing 404000 )

Abstract：The law of large numbers and central limit theorem is very important in probability

theory theorem,and it is not only the contact key of Probability theory and mathematical

statistics，but also an indispensable part of life. Many literatures have given the dissimilar

conditions of the law of large numbers and central limit literatures have given the

dissimilar conditions of the law of large numbers,and have obtained the astringent using the law of

large numbers and central limiting here has no many results in practical life and

applicable scope。Here I introduce several kinds of laws of large numbers and central limit

theorems,then this paper enumerates some different applicants in economic life,mathematics and

information theory and so makes theory concretely,and considers some concrete

mathematical model，and so makes mathematical theory reality，thus we can have deeper

understanding on the law of large numbers and the central limiting theorem。

Key words: The law of large numbers，Central limit theorem,Expectation, Variance, Application

１ 大数定律的应用

1.1

引言

生产、生活及科学实验中的风险事故都具有不确定性，或者称为随机性。但是，任何事情的发生、发展都具有一定的客观规律.如果各种条件都能预知,则事物发生的结果也能予以正确地测定，此时虽然风险事故仍然存在，损失仍然会发生，但是,随机性将因此消失.如果有大量的事例可供考察研究，则这些未知的、不确定的力量将有趋于平衡的自然倾向,那些在个别事例中存在的随机风险将在大数中消失，这种结论就是概率论中的大数定律.它的结论也可叙述为：大量的随机现象由于偶然性相互抵消而呈现出某种必然的数量规律.

1.2 预备知识

1.2.1 相关定义

在介绍大数定律之前，先介绍几个相关定义：

定义1 设n(n1,2,)为概率空间(,F,P)上定义的随机变量序列（简称随即序列）,若存在随即变数使对任意＞0，恒有：limpn0或nnlimpn1，则称随即序列｛n｝依概率收敛于随机变量（也可以是一个p

limn(p)或n常数），并用下面的符号表示:

n1n定义2 设n为一随即序列,数学期望E(n)存在,令ni，若

ni1nlimnE(n)o(P)，

则称随机序列n服从大数定律，或者说大数法则成立.

定义3 设Fn(x)是分布函数序列，若存在一个非降函数F(x)，对于它的每一连续点x,F(x)，则称分布函数序列Fn(x)弱收敛于F(x). 都有limFn(x)F(x)，Fn(x)wn定义4 设Fn(x)(n1,2,)，F(x)分别是随机变量n(n1,2,)及的分布函数，若

wLFn(x)F(x)，则称n依分布收敛于亦记为n且有：

则n； (1）若nc的充要条件是nc。 （2)设c为常数,则npLpL

1.2.2 切比雪夫不等式及其应用

切比雪夫不等式：设随机变量X具有有限数学期望和方差，则对于任意正数，如222下不等式成立，PX2或有PX12

这个不等式可解释为:对任意给定的正常数，可以作出两个区间(,)和

(,)，不等式表示,在一次试验中，随机变量的取值落在(,)(,)的

2概率小于等于2。

切比雪夫(Chebyshev）不等式的应用：

（1)已知期望和方差,我们就可以利用切比雪夫不等式估计在期望的邻域的概率.

（2）已知期望和方差，对确定的概率，利用切比雪夫不等式求出,从而得到所需估计区间的长度。

（3）对n重伯努利试验,利用切比雪夫不等式可以确定试验次数.

(4）它是推导大数定律和其他定理的依据。

例1：已知正常男性成人血液中，每毫升白细胞数的平均值是7300，均方差是700,利用切比雪夫不等式估计每毫升血液含白细胞数在5200~9400之间的概率。

解：设X表示每毫升血液中含白细胞个数,则EX7300,(X)700则

P5200X9400PX730021001PX73002100

而

70021PX73002100

210029所以

P5200X94001。3 几类重要的大数定律的应用

1.3.1 切比雪夫大数定律及其在测绘方面的应用

8

9切比雪夫大数定律：设独立随机变量序列X1,X2,,Xn,的数学期望E(X1),E(X2),

,E(Xn),与方差D(X1),D(X2),,D(Xn),都存在，并且方差是一致有上界的,即存在某一常数K，使得D(Xi)＜K,i1,2,,n,，则对于任意的正数，有

4 / 19

1n1n

limP(XiE(Xi)＜)1.

nni1ni1推论1：设随机变量X1,X2,,Xn,相互独立，且它们具有相同的分布及有限的数学

2期望和方差：EXia,Dxi(i1,2,),则对任意给定的正数，有

nlimP(1Xia＜)1.【1】

n此推论表明：n个相互独立的具有相同数学期望和方差的随机变量，当n很大时,它们的算术平均值几乎是一常数，这个常数就是它们的数学期望。

例2:使用某仪器测量已知量a,设n次独立得到的测量值为X1,X2,,Xn,.如果仪器1n2无系统误差,问n充分大时,是否可以用S(Xa)作为仪器误差的方差近似值？

ni12n2分析：用表示仪器误差的方差真值.如果＞0，恒有limP(Sn＜)1,22则n充分大时S就可以看作是的近似值。

2n2n解:依题意，可以将观察结果X1,X2,,Xn,看作是相互独立具有相同分布的随机变量.2则E(Xi),D(Xi)(i1,2,n)，仪器第i次测量误差Xia的数学期望E(Xia)a,D(Xi)2

2设Yi(Xia)亦是相互独立的具有相同分布随机变量，在仪器无系统误差时有

E(Xi)a，即a

E(Yi)E(Xia)2E(Xi)2D(Xi)2,i1,2,,n

由切比雪夫大数定律，＞0，有

1nlimP(Yi2＜)1,

nni1即＞0，有

1nlimP((Xia)22＜)1

nni11n22从而确定当n时,随机变量(Xia)依概率收敛于，即当n充分大时,

ni11n2可以用S(Xia)作为仪器误差的方差近似值。

ni12n5 / 19

1.3。2 伯努利大数定律及其在重复事件方面的应用

伯努利大数定律（频率的稳定性):设n是n次独立试验中事件A发生的次数,p是事件A在每次试验中发生的概率,则对于任意正数ε，恒有

limnp0或limnp1【2】

nnnn表明：随着n的增大，事件A发生的频率n与其概率p的偏差np大于预先给nn定的精度的可能性愈来愈小，小到可以忽略不计.这就是频率稳定于概率的含义，或者说频率依概率收敛于概率.这个定理以严格的数学形式刻画了频率的稳定性，因此,在实际应用中，当试验次数很大时，便可以用时间发生的频率来代替事件的概率。伯努利大数定律提供了用频率来确定概率的理论依据。我们可通过多次重复一个试验,确定事件A在每次试验中出现的概率为μnPP(A)。

n譬如，抛一枚硬币出现正面的概率p=0.5。若把这枚硬币连抛10次,则因为n较小，发生大偏差的可能性有时会大一些，有时会小一些。若把这枚硬币连抛n次，当n很大时，由切比雪夫不等式知：证明出现的概率与0.5的偏差大于预先给定的精度（若取精n0.50.5104

度=0.01）的可能性P.0.5＞0.0124nn0.01当n=105时,大偏差放松的可能性小于小于12.5％.当n=106时,大偏差发生的可能性4010.25％。可见试验次数愈多,偏差发生的可能性愈小.

4001。3。3 辛钦大数定律及其在数学分析方面的应用

我们已经知道,一个随机变量的方差存在,则其数学期望必定存在;但反之不成立，即一个随机变量的数学期望存在，则其方差不一定存在.以上几个大数定律均假设随机变量序列Xn的方差存在，以下的辛钦大数定律去掉了这一假设，仅设每个Xi的数学期望存在,但同时要求Xn为独立同分布的随机变量序列。伯努利大数定律仍然是辛钦大数定律的特例。

辛钦大数定律 ：设Xi为一独立同分布的随机变量序列,若Xi的数学期望存在,则Xi服从大数定律，即对任意的＞0，有

1n1nlimP(XiE(Xi)＜)1

nni1ni1成立。

辛钦大数定律提供了求随机变量数学期望E(X)的近似值的方法。设想对随机变量X独立6 / 19

重复地观察n次,第k次观察值为Xk,则X1,X2,,Xn应该是相互独立的,且它们的分布应该与X的分布相同。所以，在E(X)存在的条件下，按照辛钦大数定律,当n足够大1n时，可以把平均观察值Xi作为E(X)的近似值.这样做法的一个优点是我们可以不必ni1去管X的分布究竟是怎样的，我们的目的只是寻找数学期望.

事实上,用观察值的平均去作为随机变量的均值在实际生活中是常用的方法.譬如,用观察到的某地区5000个人的平均寿命作为该地区的人均寿命的近似值是合适的,这样做法的依据就是辛钦大数定律。

概率论借助于数学分析,可以较好地描述、处理、解决随即现象的有关理论和应用问题.反之,用概率方法来解决数学分析中的一些问题,也是概率论的重要研究方向之一易处理了.

再比如，许多极限的运算运数学分析的方法会很麻烦,但是运用概率论中相关的知识或许会达到事半功倍的效果。

例3：假设Gn(x1,x2,,xn):x1x2xn［3］。数学分析中的有些问题,用数学分析的方法很难解决，但如果巧用概率论的方法，则变得比较容222n,0x1,x2,xn1,求其极限2Gndx1dxn。

解 ：假设随机变量i(i1,2,)在[0，1]上有均匀分布，而且相互独立，有

Di11,Ei2

23易见n222dxdxP(,,,)GP

n12nn12nGn121P(1222n2)n1112222P(12n)Ei26n11n2

PiEi2

6ni1222由1,2,,n独立同分布,可见1,2,,n独立同分布.根据辛钦大数定律知

7 / 19

1n21limP(iEi2＜)1

nni16从而

nGnlimdx1dxn1

1。4 大数定律的意义

概率论与数理统计是研究随即现象的统计规律的科学，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.大数定律是概率论中的重要内容,其目的是考察随机序列的稳定性.从概率的统计定义中可以看出：一个事件发生的概率具有稳定性，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随机试验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特征无关，且不再是随机的.深入考虑后，大数定律就是要研究在什么条件下具有稳定性的问题，同时大数定律是保险财政稳定性重要的理论基础，大数定律在概率论的所有部分中都有着应用。

除此之外，许多学者利用概率论思想研究了大数定律在其他相关领域的应用.例如统计方面的应用，在信息论中的应用，在分析，数论等方面的应用。

2 中心极限定理的应用

2.1 前言

1n大数定律讨论的是多个随机变量的平均Xi的渐近性质,但没有涉及到随机变量的ni1分布的问题.而概率论与数理统计中，正态分布是一种最常见而又最重要的分布。在实际应用中，有很多随机变量都服从正态分布.在实际应用中,有很多随机变量都服从正态分布,即使原来并不服从正态分布的一些独立的随机变量，它们的和分布也近似服从正态分布，自然要提出这样的问题：为什么正态分布如此广泛地存在,从而在概率论中占有如此重要的地位?应如何解释大量随机现象的这一客观规律性呢？事实上，这正是客观实际的反映,中心极限定理就是概率论中论证随机变量和的极限分布为正态分布的定理总称.概率论中有关论证独立随机变量的和的极限分布是正态分布的一系列定理称为中心极限定理.

2。2 几类重要的中心极限定理的应用

2。2.1 林德伯格定理及其在保险方面的应用

林德伯格定理:设独立随机变量X1,X2,,Xn满足林德伯格条件，对于任意的正数,8 / 19

1有lim2nSni1nxi＞sn(xi)2fi(x)dx0。

其中fi(x)是随机变量Xi的概率密度,则当n时，我们有

nlimP(Znz)12zet22dt

即

limP(i1n(Xnii)z)12snzet22dt

其中z是任何实数。

林德伯格定理可以解释如下:假如被研究的随机变量可以表示为大量独立随机变量的和,其中每一个随机变量对于总和只起微小的作用，则可以认为这个随机变量实际上是服从正态分布的。

例如，进行观测时，不可避免地有许多引起观测误差的随机因素影响着我们的观测结果，其中有些误差是由测量仪器的情况引起的,这些情况可以在温室、大气压力或其他因素的影响之下改变着;有些误差是属于观测站个人的误差，这些误差大多数是由于视觉或听觉引起的等等。这些因素中的每一个都可能使观测的结果产生很小的误差，然而由于所有这些误差共同影响着观测结果，于是我们得到的是一个“总的误差\"。所以,实际观测的到的误差可以看作是一个随机变量,它是很多数值微小的独立随机变量的总和,按林德伯格定理，这个随机变量应该服从正态分布.此外，还可以举出很多类似的例子，这里具体举出一个例子。

例4:某保险公司有2500个人参加保险,每人每年付1200元保险费，在一年内一个人死亡的概率为0.002，死亡时某家属可向保险公司领得20万元.

问：(1)保险公司亏本的概率多大?

(2）保险公司一年的利润不少于100万元，200万元的概率各位多大？

解：（1)设X为一年内死亡的人数，则X～B(2500，0。002）,np5，npq4.99

P（亏本)=P(20X＞300)P(X＞15)1P(X15)

[4]

1(1554.99)1(4.48)10.999930.00007

保险公司亏本的概率为0.00007，几乎为零。

(2） P（利润100)P(30020X100)

P(X10)(1054.99)0.98

P（利润200）P(30020X200)

9 / 19

P(X5)(1554.99)0.5

以上结果说明保险公司几乎不可能亏本，不过要记住，关键之处是对死亡率估计必须正确，如果所估计死亡率比实际低，甚至低得多,那么情况就会不同.

2.2.2 列维定理及其在极限求解方面的应用

列维定理:设随机变量X1,X2,,Xn相互独立，服从同一分布，且有有限的数学期望

2和方差,则随机变量YXi1nin的分布函数Fn(x)满足如下极限式

nnnlimFn(x)limP(i1n(Xin)x)12nxet22dt,

其中x是任何实数.

定理的应用：对于独立的随机变量序列Xn，不管Xi(i1,2,,n)服从什么分布，只要他们是分布,且有有限的数学期望和方差，那么，当n充分大时，这些随机变量之和Xi1ni近似地服从正态分布N(n,n)。

2大数定律和中心极限定理是概率论中的重要理论,是分析中的极限理论在概率论中的综合运用，同时极限定理中的一些结果也为分析中的许多极限问题提供了有力工具。

[5]nkn例5：求极限lime

nk0k!nnkne:P(n)（参数为n的泊松分布）,

k1,2, ,且Xk相解 引入随机变量Xkk!nkn互独立,由泊松分布的再生性知,

Xk:P(n)，所以P｛Xkn｝=e,而

k1k1k0k!nnnE(即：

Xk1nk）=D｛Xk1nk｝=n,P｛Xk1nkn｝=P｛Xk1nknnnnn｝

Xknnkn0}

e=P{k1nk0k!nn10 / 19

令n,由中心极限定理可知:

Xknnkn0｝=(0)=1

lime=limP{k1nn2nk0k!nn2。2.3 棣莫弗—拉普拉斯定理及其在实际生活方面的应用

棣莫弗—拉普拉斯中心极限定理：设在独立试验序列中，事件A在各次试验中发生的概

率为p(0＜p＜1)，随机变量Yn表示事件A在n次试验中发生的次数，则有

tz12YnnplimPzedt，

n2np(1p)2其中z是任何实数。

棣莫弗-拉普拉斯定理是概率论历史上的第一个中心极限定理,它是专门针对二项分布的，因此称为“二项分布的正态近似”.在之前概率论的学习中有“二项分布的泊松近似”，两者相比，一般在p较小的时候，用泊松分布近似较好，而在np＞5和n(1p)＞5时,用正态分布近似较好.

二项分布的极限分布是正态分布,即如果X~B(n,p)则

tnpb12Pabedt(b)(a)

anp(1p)2π一般地，如果X~B(n,p),则

2XnpbnpbnpanpanpPaXbP)()(np(1p)np(1p)np(1p)np(1p)np(1p)

说明：这个公式给出了n较大时二项分布的概率计算方法.

在给出棣莫弗-拉普拉斯定理应用之前,先说明两点：

(1） 因为二项分布是离散分布，而正态分布是连续分布，所以用正态分布作为二项分布的近似计算中,作为修正可以提高精度.若k1＜k2均为整数，一般先作如下修正后再用正态近似P(k1nk2)P(k10.5＜n＜k0.5).

(2) 若记(y)，则由棣莫弗—拉普拉斯极限定理给出的近似式

11 / 19

P(Yny)(y)，

可用来解决三类计算问题：（1)已知n,y求；（2）已知n,求y;（3）已知y,求n.

以下我们就分这三类情况给出一些具体的例子.

① 给定n,y，求。

例6:一复杂系统由100个相互独立工作的部件组成，每个不见正常工作的概率为0。9.一直真个系统中至少有85个不见正常工作，系统工作才正常.试求系统正常工作的概率。

解:记n=100,Yn为100个部件中正常工作的部件数,则

Yn～b（100,0.9);E(Yn)90；D(Yn)np(1p)9

所求概率为

P(Yn85)1(② 已知n,，求y.

例7：某车间有同型号的机床200台，在一小时内每台机床有70％的时间是工作.假定各机床工作是相互独立的，工作时每台机床要消耗电能15kW。问至少要多少电能，才可以有95％的可能性保证此车间正常生产。

解： 记n=200，Yn为200台机床中同时工作的机床数,

则：Yn～b(200,0。7），E(Yn)140,D(Yn)42。

850.5905.5)1()(1.83)0.966

33因为Yn台机床同时工作需消耗15Yn（kW)电能，所以设供电数为y（kW），则正常生15Yny，由题设P15Yny0.95,其中 产为y150.5140P15Yny0.95

42查正态分布表得

y15＋0.5－140421.645

从中解得y2252(kW),即此车间每小时至少需要2252（kW）电能，才有95％的可能性保证此车间正常生产。

③ 已知y,，求n。

例8：某调查公司受委托，调查某电视节目在S市的收视率p，调查公司将所有调查对象中收看此节目的频率作为p的估计p.现在要保证有90％的把握，使得调查所得收视率

12 / 19

p与真实收视率p之间的差异不大于5％。问至少要调查多少对象？

解： 设共调查n个对象,记

Xi=0,当第i个调查对象收看此电视节目;

Xi=1,当第i个调查对象不看此电视节目。

则Xi独立同分布，且P(Xi=1)=p，P(Xi=0)=1p，i1,2,,n

又记n个被调查对象中，收看此电视节目的人数为Yn，则有

nYnXi~b(n,p)

i1由大数定律,当n很大时,频率根据题意有

Yn与概率p很接近,即用频率作为p的估计是合适的。

n1nnP(Xip＜0.05)2(0.05)10.90,

ni1p(1p)所以

(0.05查正态分布表得

n)0.95，

p(1p)0.05从中解得：

n1.645，

p(1p)1.6452np（1—p)=p（1-p）×1082。41

20.05又因为p(1p)0.25，所以n270.6，即至少调查271个对象。

例9：某单位有200台电话分机,每台有5％的时间要使用外线通话，假定每台分机是否使用外线是相互独立的,问该单位总机要安装多少条外线,才能以90％以上的概率保证分机用外线时不等待？

解 ：设有X部分机同时使用外线,则有X~B(n,p)，

其中n200，p0.05,np10,np(1p)3.08

设有N条外线.由题意有PXN0.9

由棣莫弗—拉普拉斯定理有

NnpNnpXnpN10PXNP3.08

np(1p)np(1p)np(1p)N101.28. 查表得(1.28)0.90，故N应满足条件3.08即N13.94,取N14,即至少要安装14条外线.

13 / 19

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

设Xn为独立随即变量序列,若存在＞0，满足lim1B2nnE(XIIi1n2)0

1则对任意的x,有limPnBn1x-t22(Xii)xedt

-2πi1n2其中E(Xi)i,D(XI),Bn22D(Xi)122n

例10:一份考卷由99个题目组成,并按由易到难顺序排列。某学生答对第1题的概率为0.99；答对第2题的概率为0.98；一般地，他答对第i题的概率为1－i100,i1,2,。假如该学生回答各题目是相互独立的,并且要正确回答其中60个题目以上（包括60个)才算通过考试.试计算该学生通过考试的可能性多大？

解：设若学生答对第i题,则Xi1;若学生答错第i题，则Xi0.

于是Xi相互独立,且服从不同的二点分布:

ii，P(Xi0)1pi,i1,2,,99.

10010099而我们要求的是PXi60，为使用中心极限定理，我们可以设想从X100开始的随机i1P(Xi1)pi1变

量都与X99同分布，且相互独立.下面我们用1来验证随机变量序列Xn满足李雅普诺夫条件，因为

BnVar(Xi13ni)p(1p)

(n)

iii1nE(Xipi)(1pi)3pipi3(1pi)pi(1pi)，

于是

1

3BnE(XIpii1n3)n1p(1p)iii1120 （n),

即Xn满足李雅普诺夫条件，所以可以使用中心极限定理。

又因为

E(Xi)pi(1i1i1i999i)49.5，

100ii)()16.665

100100BD(Xi)(1i1i1所以该学生通过考试的可能性为

14 / 19

99X49.5i6049.599i1PXi60P

16.66516.665i1

1(2.5735)0.005

由此看出：此学生通过考试的可能性很小,大约只有千分之五.

3 大数定律和中心极限定理的比较应用

3。1 大数定律和中心极限定理的比较应用

1，今在其中任选6000粒，试分别用切比雪夫不等式61估计和用中心极限定理计算在这些种子良种所占的比例与之差小于1%的概率是多少?

61解：（1)设取出的种子中的良种粒数为X，则X~B(6000,)于是

61155EXnp6000× 1000

DXnp(1p)60001000

6666例11：现有一大批种子,其中良种占要估计的规律为PX11＜PX1000＜60，

60006100相当于在切比雪夫不等式中取60,于是

X11DX

P＜PX1000＜60126060006100由题意得1DX511100010.23150.7685

26360060即用切比雪夫不等式估计此概率不小于0。7685。

5N(1000,100)近似,于是所求概率为

6X11106010009401000P＜P940＜X＜1060()()

6 561000 56

2(2.0785)10.9625

即用中心极限定理估计此概率不小于0.9625。

从本例看出：用切比雪夫不等式只能得出来要求的概率不小于0。7685，而用中心极限定理可得出要求的概率近似等于0.9625.从而知道由切比雪夫不等式得到的下界是较低的.但由于它的要求比较低，只要知道X的期望和方差，因而在理论上有许多运用.

当然，两者的比较还有在许多方面的应用，这里就不做详细的介绍了，只起到一个引（2）由拉普拉斯中心极限定理,对于二项分布B(6000,)可用正态分布

1615 / 19

导的作用。

结论

随着社会的飞速发展，市场竞争日趋激烈,决策者必须综合考察以往的信息及现状从而作出综合判断，决策概率分析这门学科越来越显示其重要性。利用数学方法,定量地对医学问题进行相关分析，使其结论具有可信度，更有利于促进对病人的对症施治等。本文详细介绍了大数定律和中心极限定理及其在生活各方面的应用.通过这些详细的讲述,可以看到这两个概率公式的应用是多方面的。灵活使用这两个概率公式会给我们的解题带来很大方便，而这两个概率定理的应用范围十分广泛，成为我们解决更复杂问题的有效工具.

本次毕业论文的撰写，使我扩大了知识范围,锻炼了观察和思维能力，进一步提高了动手和实践能力.理论联系实际,使毕业论文中所应用的理论知识有了更可靠的依据。但由于研究周期较短，本研究还有很多不足之处，本文只是举了几个例子来说明它们的应用，事实上它们的应用远不止于此，还可以用来解决投资、保险、工程等一系列不确定的问题。另外还有什么样的问题应该用大数定律解决呢?什么样的问题应该用中心极限定理?什么样的问题要综合两个定理才能够解决?本文都没有得出明确的方法和分类，这些都是今后有待进一步深入研究的问题。总之这两大定理的正确应用有助于进一步研究多个随机过程的试验中目标事件及其条件下各诱发事件的概率,有助于把握随机事件间的相互影响关系，为生产实践提供更有价值的决策信息,成为我们解决问题的有效工具.

致谢

大学四年，生活其实很简单，只是一些读书、写字、考试和娱乐的周而复始.如果把这种单调的生活看作一场场的巡回演出,那么我只是一个安静的演员，无论台下有多少观众，即使是只说给自己听，在他谢幕时也总要感激一些人，是那些人帮助他走上舞台，成功或者不那么成功地“演出”。

感谢我的导师，陈飞翔老师。我不是您最出色的学生，而您却是我最尊敬的老师.陈老师为人随和，治学严谨细心，在闲聊中他总是能像知心朋友一样鼓励你.陈老师工作繁忙,还要带我们组的毕业论文设计.在我写毕业论文的每个阶段，陈老师倾注了大量的心血，从选题到开题报告,从论文目录到一遍遍地指出初稿中的具体问题，陈老师在百忙之中多次审阅，对细节进行修改，并为本文的撰写提供了许多中肯而且宝贵的意见，在此我表示衷心感谢.当然也要感谢曾经教育和帮助过我的所有老师,我的点滴成就都来自你们,感谢四年来对我的栽培和教育。

16 / 19

感谢我的室友，同窗好友，整个毕业论文的写作期间和我密切合作的同学,和曾经在各个方面给予我帮助的伙伴们，友谊情深，勿需多言.

最后，我要感谢，感谢培育我的重庆三峡学院，学校浓厚的学术气氛，舒适的学习环境我将终身难忘！

再次感谢我的家人、老师和那些永远也不能忘记的朋友，你们的支持与情感，是我永远的财富.

参考文献

［1］沈恒范编著．概率论与数理统计教程[M］．高等教育出版社，2010：111—115.

[2]茆诗松，程依明等编著．概率论与数理统计教程[M]．高等教育出版社，2009：133—154.

[3］李少辅等．概率论与数理统计［M]．河南大学出版社，1996：88-99。

[4]谢兴武．李宏伟主编，概率统计释难解疑［M]．科学出版社,2007:98—109.

[5]盛骤等．概率论与数理统计[M]．高等教育出版社，2001:109-143。

［6］张从军,刘亦农,肖丽华编著．概率论与数理统计[M］，复旦大学出版社,2006:110-120。

[7]刘次华．概率论与数理统计[M]．华中科技大学出版社,2009：115-125.

[8］陈家鼎,郑忠国编著． 概率与统计[M］．北京大学出版社，2007：140—153。

[9］陈萍,李文等编．概率与统计［M]．科学出版社，2008：99-115.

[10]封希媛。大数定律与中心极限定理在实际中的应用[J]青海师范大学学报第二版，2006。

17 / 19