高等数学 极限与中值定理 应用

高等数学 极限与中值定理 应用（共4篇）

高等数学 极限与中值定理 应用 篇1

洛必达法则

【教学目的】：

1.理解洛必达法则的含义；

2.会用洛必达法则解决未定式的极限的计算；

3.联系前两章有关计算极限的知识，学习极限的综合计算。

【教学重点】：

1.洛必达法则使用的条件； 2.各种未定式的极限计算； 3.学习极限的综合计算。

【教学难点】：

1.各种未定式的极限计算； 2.学习极限的综合计算。

【教学时数】：2学时 【教学过程】：

3.1.2 洛必达法则

1、洛必达（L’Hospital）法则 若函数f(x)和g(x)满足下列条件：（1）limf(x)limg(x)0（或limf(x)limg(x)）；

xx0xx0xx0xx0（2）f(x)和g(x)在点x0的左右近旁可导，且g(x)0，f(x)（3）有lim，=A（或）xx0g(x)f(x)f(x)limlim则有 =A（或）.xx0g(x)xx0g(x)f(x)f(x)lim当运用洛必达法则后得到lim，而仍然满足定理的条件，则

xx0g(x)xx0g(x)f(x)f(x)lim可以继续使用洛必达法则，得到lim.xx0g(x)xx0g(x)0 除型和型的未定式之外，还有0、0、、00、0、1等五00种，对这类未定式求极限，通常是利用代数恒等式变形转化为型或型，然

0后利用洛必达法则进行计算.(secxtanx).例7 求limx2(secxtanx)lim解limx2xx01sinxcosxlim0．

cosxsinxxx22例8 求limx.解 因为xexxlnx，因而limxx0x=ex0limxlnx

1lnxx=lim(x)=0 lim(xlnx)=limlimx0x0x01x012xxx0xe=.1所以，lim x0注：有些极限虽是未定式，但使用洛必达法则无法求出极限值，这类未定式须考虑用其它方法计算．

联系前两章有关计算极限的知识，以课后能力训练为例，学习极限的综合计算。

【教学小节】：

通过本节的学习，掌握洛必达法则使用的条件，并能够应用洛必达法则解决各种未定式的极限的计算，联系之前学习的知识，掌握极限的综合计算问题。

【课后作业】：

高等数学 极限与中值定理 应用 篇2

二第一积分中值定理在数学物理方程中的应用

1.弦振动方程的推导

2.热传导方程的推导

为了得到微分形式的热传导方程, 假设u (x, t) 有连续的导函数和偏导数, 利用第一积分中值定理就可以得到:

第一积分中值定理在微分学中还有许多应用, 如在第一类曲线积分的计算公式的推导, 化第一类曲面积分为二重积分的推导, 以及格林公式的推导中都有积分中值定理的应用。另外, 第一积分中值定理在后续课程中也有不少的应用。

参考文献

[1]关若锋.积分中值定理的推广[J].广州大学学报 (自然科学版) , 2004 (6)

高等数学 极限与中值定理 应用 篇3

注释

① 华东师范大学数学系.数学分析(第四版).高等教育出版社：122.

高等数学 极限与中值定理 应用 篇4

概率论与数理统计是研究随机现象统计规律性的学科.而随机现象的规律性在相同的条件下进行大量重复试验时会呈现某种稳定性.例如, 大量的抛掷硬币的随机试验中, 正面出现频率;在大量文字资料中, 字母使用频率;工厂大量生产某种产品过程中, 产品的废品率等.一般地, 要从随机现象中去寻求事件内在的必然规律, 就要研究大量随机现象的问题.在生产实践中, 人们还认识到大量试验数据、测量数据的算术平均值也具有稳定性.这种稳定性就是我们将要讨论的大数定律的客观背景.在这一节中，我们将介绍有关随机变量序列的最基本的两类极限定理----大数定理和中心极限定理.内容分布图示

★大数定理的引入 ★切比雪夫不等式

★例1

★例2 ★大数定理

★中心极限定理的引入 ★林德伯格—勒维定理

★例3 ★例6

★推论

大数定理

★棣莫佛—拉普拉斯定理 ★例4

★例5 ★例7

★例8 ★高尔顿钉板试验

中心极限定理

★内容小结

★课堂练习★习题4-4

内容要点：

一、依概率收敛

与微积分学中的收敛性的概念类似, 在概率论中, 我们要考虑随机变量序列的收敛性.定义

1设X1,X2,,Xn,是一个随机变量序列, a为一个常数,若对于任意给定的正数,有 limP{|Xna|}1, 则称序列X1,X2,,Xn,依概率收敛于a, 记为

nXnaP(n).PP定理1 设Xna,Ynb,又设函数g(x,y)在点(a,b)连续, 则

g(Xn,Yn)g(a,b).P

二、切比雪夫不等式

定理2设随机变量X有期望E(X)和方差D(X)2,则对于任给0, 有

P{|X|}22.上述不等式称切比雪夫不等式.注：(i)由切比雪夫不等式可以看出,若2越小, 则事件

{|XE(X)|} 的概率越大, 即, 随机变量X集中在期望附近的可能性越大.由此可见方差刻划了随机变量取值的离散程度.(ii)当方差已知时,切比雪夫不等式给出了X与它的期望的偏差不小于的概率的估计式.如取3, 则有

P{|XE(X)|3}9220.111.故对任给的分布,只要期望和方差2存在, 则随机变量X取值偏离E(X)超过3的概率小于0.111.三、大数定理 1．切比雪夫大数定律

定理3(切比雪夫大数定律)设X1,X2,,Xn,是两两不相关的随机变量序列,它们数学期望和方差均存在, 且方差有共同的上界, 即D(Xi)K,i1,2,, 则对任意0, 有

1limPnnni1Xi1nni1E(Xi)

11nn注: 定理表明: 当n很大时,随机变量序列{Xn}的算术平均值学期望

2．伯努利大数定理 1nni1Xi依概率收敛于其数E(X).ii1定理4(伯努利大数定律)设nA是n重伯努利试验中事件A发生的次数, p是事件A在每次试验中发生的概率, 则对任意的0, 有

nnlimPAp1

或 limPAp0.nnnn注：(i)伯努利大数定律是定理1的推论的一种特例, 它表明: 当重复试验次数n充分大时, 事件A发生的频率nAn依概率收敛于事件A发生的概率p.定理以严格的数学形式表达了频率的稳定性.在实际应用中, 当试验次数很大时,便可以用事件发生的频率来近似代替事件的概率.(ii)如果事件A的概率很小，则由伯努利大数定律知事件A发生的频率也是很小的，或者说事件A很少发生.即“概率很小的随机事件在个别试验中几乎不会发生”，这一原理称为小概率原理，它的实际应用很广泛.但应注意到，小概率事件与不可能事件是有区别的.在多次试验中，小概率事件也可能发生.3．辛钦大数定理

定理5(辛钦大数定律)设随机变量X1,X2,,Xn,相互独立, 服从同一分布,且具有数学期望E(Xi),i1,2,, 则对任意0, 有

1limPnnni1Xi1.注:(i)定理不要求随机变量的方差存在;

(ii)伯努利大数定律是辛钦大数定律的特殊情况;

(iii)辛钦大数定律为寻找随机变量的期望值提供了一条实际可行的途径.例如, 要估计某地区的平均亩产量, 可收割某些有代表性的地块, 如n块,计算其平均亩产量, 则当n较大时,可用它作为整个地区平均亩产量的一个估计.此类做法在实际应用中具有重要意义.四、中心极限定理

在实际问题中, 许多随机现象是由大量相互独立的随机因素综合影响所形成, 其中每一个因素在总的影响中所起的作用是微小的.这类随机变量一般都服从或近似服从正态分布.以一门大炮的射程为例, 影响大炮的射程的随机因素包括: 大炮炮身结构的制造导致的误差, 炮弹及炮弹内炸药在质量上的误差, 瞄准时的误差, 受风速、风向的干扰而造成的误差等.其中每一种误差造成的影响在总的影响中所起的作用是微小的, 并且可以看成是相互独立的, 人们关心的是这众多误差因素对大炮射程所造成的总影响.因此需要讨论大量独立随机变量和的问题.中心极限定理回答了大量独立随机变量和的近似分布问题, 其结论表明: 当一个量受许多随机因素(主导因素除外)的共同影响而随机取值, 则它的分布就近似服从正态分布.1．林德伯格—勒维定理

定理6(林德伯格—勒维)设X1,X2,,Xn,是独立同分布的随机变量序列, 且

E(Xi),D(Xi),i1,2,,n,2

则

nXini1limPxnnx12et2/2dt

注: 定理6表明: 当n充分大时, n个具有期望和方差的独立同分布的随机变量之和近似服从正态分布.虽然在一般情况下, 我们很难求出X1X2Xn的分布的确切形式, 但当n很大时, 可求出其近似分布.由定理结论有

ni1Xinn1近似n~N(0,1)ni1Xin近似/~N(0,1)X~N(,22/n),X1nni1Xi.故定理又可表述为: 均值为, 方差的0的独立同分布的随机变量X1,X2,,Xn,的算术平均值X, 当n充分大时近似地服从均值为,方差为2/n的正态分布.这一结果是数理统计中大样本统计推断的理论基础.2.棣莫佛—拉普拉斯定理

在第二章中，作为二项分布的正态近似，我们曾经介绍了棣莫佛—拉普拉斯定理，这里再次给出，并利用上述中心极限定理证明之.定理7（棣莫佛—拉普拉斯定理）设随机变量Yn服从参数n,p(0p1)的二项分布, 则对任意x, 有

YnnplimPxnnp(1p)x12et22dt(x)

注: 易见，棣莫佛—拉普拉斯定理就是林德伯格—勒维定理的一个特殊情况.3．用频率估计概率的误差

设n为n重贝努里试验中事件A发生的频率, p为每次试验中事件A发生的概率,q1p,由棣莫佛—拉普拉斯定理,有

nPpPnnpqnnpnpqn pqn1.pq

npqn2pq这个关系式可用解决用频率估计概率的计算问题:

4.李雅普诺夫定理

定理8（李雅普诺夫定理）设随机变量X1,X2,,Xn, 相互独立, 它们具有数学期望

n和方差: E(Xk)k,n时, D(Xk)2k0,i1,2,，记B2n.若存在正数, 使得当

k12k1Bn2nnE{|k1Xkk|2}0，则随机变量之和Xk的标准化变量: k1nZnk1nXkEXkk1DXkk1nnnkXk1Bnk1k 的分布函数Fn(x)对于任意x, 满足

nnXkkk1k1limFn(x)limPxnnBnx12et/22dt(x).注：定理8表明, 在定理的条件下, 随机变量

nnZnk1XkBnk1k.nn当n很大时,近似地服从正态分布N(0,1).由此, 当n很大时,XkBnZnk近似地服

k1k1n2.这就是说,无论各个随机变量Xk(k1,2,)服从什么分布,只要满从正态分布N,Bknk1n足定理的条件,那么它们的和Xk当n很大时,就近似地服从正态分布.这就是为什么正态随

k1机变量在概率论中占有重要地位的一个基本原因.在很多问题中,所考虑的随机变量可以表示成很多个独立的随机变量之和,例如,在任一指定时刻,一个城市的耗电量是大量用户耗电量的总和;一个物理实验的测量误差是由许多观察不到的、可加的微小误差所合成的,它们往往近似地服从正态分布.例题选讲：

切比雪夫不等式

例1(讲义例1)已知正常男性成人血液中, 每一毫升白细胞数平均是7300, 均方差是700.利用切比雪夫不等式估计每毫升白细胞数在5200~9400之间的概率.解 设每毫升白细胞数为X, 依题意, 7300,27002，P{5200X9400}P{52007300X730094007300}

P{2100X2100}P{|X|2100}.所求概率为

由切比雪夫不等式

P{|X|2100}1222/(2100)1(700/2100)11/98/9，即每毫升白细胞数在5200 ~ 9400之间的概率不小于8/9.例2 在每次试验中, 事件A发生的概率为0.75, 利用切比雪夫不等式求: 事件A出现的频率在0.74~0.76之间的概率至少为0.90? 解 设X为次试验中, 事件A出现的次数, 则

X~b(n,0.75), 0.75n, 20.750.25n0.1875n，所求为满足P{0.74X/n0.76}0.90的最小的n.P{0.74X/n0.76}可改写为

P{0.74nX0.76n}P{0.01nX0.75n0.01n}P{|X|0.01n}

在切比雪夫不等式中取0.01n, 则

P{0.74X/n0.76}P{|X|0.01n}122/(0.01n)2

10.1875n/0.0001n11875/n

依题意, 取n使11875/n0.9, 解得

n1875/(10.9)1875,0 即n取18750 时, 可以使得在n次独立重复试验中, 事件A出现的频率在0.74~0.76之间的概率至少为 0.90.中心极限定理

例3(讲义例2)

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100g, 标准差是10g, 求一盒螺丝钉的重量超过10.2kg的概率.解 设为第i个螺丝钉的重量, i1,2,,100，100且它们之间独立同分布, 于是一盒螺丝钉的重量为XXi1i，且由E(Xi)100,D(Xi)10,n100，知E(X)100E(Xi)10000,由中心极限定理有

P{X10200}PnD(X)100，i1Xinn10200nX10000pn1001020010000

100X10000X10000P21P2

1001001(2)10.977250.02275.例4(讲义例3)计算机在进行数学计算时, 遵从四舍五入原则.为简单计.现在对小数点后面第一位进行舍入运算, 则误差X可以认为服从[0.5,0.5]上的均匀分布.若在一项计算中进行了100次数字计算, 求平均误差落在区间[3/20,3/20]上的概率.解 n100, 用Xi表示第i次运算中产生的误差.相互独立, 都服从[0.5,0.5]上的均匀分布, X1,X2,,X100且E(Xi)0,var(Xi)1/12,i1,2,,100, 从而

Y100100i1Xi1000100/1235100i1近似Xi~N(0,1).故平均误差X1100100i133,Xi落在2020上的概率为

3331PXP201002020100i1Xi320

3P35100i1Xi3(3)(3)0.9973.

例5(讲义例4)某公司有200名员工参加一种资格证书考试.按往年经验考试通过率为0.8,试计算这200名员工至少有150人考试通过的概率.解 1,令10,第i人通过考试第i人未通过考试,i1,2,,200，依题意,P{Xi1}0.8,np2000.8160,np(1p)32.200i1Xi是考试通过人数, 由中心极限定理4, 得

P{XiX160/32~N(0,1)，150}P{X160/32}150160/200近似i1i200ii32

P{200i1Xi160/321.77}

1(1.77)(1.77)0.96, 即至少有150名员工通过这种考试的概率为0.96.例6(讲义例5)某市保险公司开办一年人身保险业务, 被保险人每年需交付保险费160元, 若一年内发生重大人身事故, 其本人或家属可获2万元赔金.已知该市人员一年内发生重大人身事故的概率为0.005, 现有5000人参加此项保险, 问保险公司一年内从此项业务所得到的总收益在20万到40万元之间的概率是多少? 解 记Xi1,若第i个被保险人发生重大事0,若第i个被保险人未发生重大故事故(i1,2,,5000)

于是Xi均服从参数为p0.005的两点分布, 且p{Xi1}0.005,np25.5000i1Xi是5000个被保险人中一年内发生重大人身事故的人数, 保险公司一年内从此

5000i1项业务所得到的总收益为0.01650002于是

Xi万元.5000P200.01650002Xi40P20i15000i1Xi30

P2025250.9955000i1Xi25250.995(1)(1)0.6826

250.9953025 例7 对于一个学校而言, 来参加家长会的家长人数是一个随机变量, 设一个学生无家长, 1名家长, 2名家长来参加会议的概率分别0.05, 0.8, 0.15.若学校共有400名学生, 设各学生参加会议的家长数相互独立, 且服从同一分布.求参加会议的家长数X超过450的概率.解 以Xk(k1,2,,400)记第k个学生来参加会议的家长数, 则Xk的分布律为

Xkpk00.0510.820.15

400易知E(Xk)1.1,D(Xk)0.19,k1,2,,400, 而XXk1k,由定理3, 随机变量

400Xk1k4001.1X4001.14000.190.19近似~400N(0,1), 故

X4001.14504001.1P{X450}P

4000.194000.19X4001.11P1.147

4000.191(1.147)0.1357.例8 设有1000人独立行动, 每个人能够按时进入掩蔽体的概率为0.9.以95%概率估计, 在一次行动中, 至少有多少人能进入掩蔽体.解 用Xi表示第i人能够按时进入掩蔽体, 令SnX1X2X1000.设至少有m人能进入掩蔽体, 则要求

P{mSn}0.95,Sn90090 {mSn}m10000.910000.90.1Sn900 90近似由中心极限定理, 有

~N(0,1), 所以

m900Sn900S900m900P{mSn}Pn1P

90909090查正态分布数值表, 得

m900901.65, 故m90015.65884.35884人.课堂练习