中心极限定理CLT

中心极限定理（英语：central limit theorem，简作 CLT）是概率论中的一组定理。
- 中心极限定理说明，在适当的条件下，大量相互独立随机变量的均值经适当标准化后依分布收敛于标准正态分布。
- 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正态分布的条件
- 提供了计算独立随机变量之和的近似概率
  - 有助于解释为什么很多随机现象可以用正态分布来描述

棣莫佛－拉普拉斯定理de Moivre - Laplace CLT

棣莫佛－拉普拉斯（de Moivre - Laplace）定理是中央极限定理的最初版本，
- 讨论了服从二项分布的随机变量序列。它指出，参数为n, p的二项分布以np为均值、np(1-p) 为方差的正态分布为极限。
设Yn是n次独立试验中事件A发生的次数设Y_n是n次独立试验中事件A发生的次数设Yn是n次独立试验中事件A发生的次数
- 在每次试验中,事件A发生的概率是p,p∈(0,1)p,p\in(0,1)p,p∈(0,1)
  - 则:Yn∼B(n,p)则:Y_n\sim{B(n,p)}则:Yn∼B(n,p)
  - E(Yn)=np,D(Xn)=np(1−q)E(Y_n)=np,D(X_n)=np(1-q)E(Yn)=np,D(Xn)=np(1−q)
  - lim⁡n→∞P(Yn−npnp(1−p)⩽x)=Φ(X)\lim\limits_{n\to{\infin}} P(\frac{Y_n-np}{\sqrt{np(1-p)}}\leqslant{x})=\Phi(X) n→∞limP(np(1−p)Yn−np⩽x)=Φ(X)

解释

当试验次数n很大‾的时候,Yn标准化后的随机变量当\underline{试验次数n很大}的时候,Y_n标准化后的随机变量当试验次数n很大的时候,Yn标准化后的随机变量
- Yn∗=Yn−E(Yn)D(Yn)=Yn−npnp(1−p)Y_n^*=\frac{Y_n-E(Y_n)}{\sqrt{D(Y_n)}}=\frac{Y_n-np}{\sqrt{np(1-p)}} Yn∗=D(Yn)Yn−E(Yn)=np(1−p)Yn−np
- Y∗近似服从正态分布:Y∗∼N(np,np(1−p))Y^*近似服从正态分布:Y^*\sim{N(np,np(1-p))}Y∗近似服从正态分布:Y∗∼N(np,np(1−p))
- 有关二项分布的概率计算问题可以转换为正态分布的计算问题

林德伯格－列维（Lindeberg-Levy）定理

林德伯格－列维（Lindeberg-Levy）定理，是棣莫佛－拉普拉斯定理的扩展
- 讨论独立同分布随机变量序列的中央极限定理。
- 它表明，独立同分布（i.i.d., 即 independent and indentically distributed）且数学期望和方差有限的随机变量序列的标准化和以标准正态分布为极限
设{Xn∣n=1,2,⋯}是独立同分布的随机变量序列设\set{X_n|n=1,2,\cdots}是独立同分布的随机变量序列设{Xn∣n=1,2,⋯}是独立同分布的随机变量序列
E(Xn)=μ,D(Xn)=σ2<+∞;E(X_n)=\mu,D(X_n)=\sigma^2<+\infin;E(Xn)=μ,D(Xn)=σ2<+∞;
X‾=1n∑i=1nXi\overline{X}=\frac{1}{n}\sum\limits_{i=1}^{n}X_iX=n1i=1∑nXi
- S=S(Xi)=∑i=1nXi=nX‾S=S(X_i)=\sum\limits_{i=1}^{n}X_i=n\overline{X}S=S(Xi)=i=1∑nXi=nX
- E(S)=nμE(S)=n\muE(S)=nμ
- D(S)=σnD(S)=\sigma\sqrt{n}D(S)=σn
  - 在前面我们已经推导过D(X‾)=1nσ2D(\overline{X})=\frac{1}{n}\sigma^2D(X)=n1σ2,
    - D(S)=D(nX‾)=n2D(X‾)=n21nσ2=nσ2D(S)=D(n\overline{X})=n^2D(\overline{X})=n^2\frac{1}{n}\sigma^2=n\sigma^2D(S)=D(nX)=n2D(X)=n2n1σ2=nσ2
    - D(S)=nσ\sqrt{D(S)}=\sqrt{n}\sigmaD(S)=nσ
记:ζn就是S=∑i=1nXi的标准化随机变量ζn=S−E(S)D(S)=nX‾−nμnσ=X‾−μσ/n=n(X‾−μ)nσ\\记:\zeta_n就是S=\sum\limits_{i=1}^{n}X_i的标准化随机变量 \\ \zeta_n=\frac{S-E(S)}{\sqrt{D(S)}} =\frac{n\overline{X}-n\mu }{\sqrt{n}\sigma} ={\frac {{\overline{X}}-\mu }{\sigma /{\sqrt {n}}}} =\frac{n(\overline{X}-\mu) }{\sqrt{n}\sigma} \\ 记:ζn就是S=i=1∑nXi的标准化随机变量ζn=D(S)S−E(S)=nσnX−nμ=σ/nX−μ=nσn(X−μ)
X∼N(0,1)标准正态分布函数Φ(x)X\sim{N(0,1)}标准正态分布函数\Phi(x)X∼N(0,1)标准正态分布函数Φ(x)
- Φ(X)=12π∫−∞xe−12t2dt\Phi(X)=\frac{1}{\sqrt{2\pi}}\displaystyle{\int_{-\infin}^{x}}e^{-\frac{1}{2}t^2}\mathrm{d}t Φ(X)=2π1∫−∞xe−21t2dt
∀x∈R:lim⁡n→∞P(∑i=1nXi−nμnσ⩽x)=Φ(x)简写:lim⁡n→∞P(nX‾−nμnσ⩽x)=Φ(x)lim⁡n→∞P(ζn⩽x)=Φ(x)\forall x\in{R}: \\ \lim\limits_{n\to{\infin}} P\left( \frac{\sum\limits_{i=1}^{n}X_i-n\mu }{\sqrt{n}\sigma} \leqslant{x} \right)=\Phi(x) \\ 简写: \\ \lim\limits_{n\to{\infin}} P\left( \frac{n\overline{X}-n\mu }{\sqrt{n}\sigma} \leqslant{x} \right)=\Phi(x) \\ \lim\limits_{n\to{\infin}} P\left( \zeta_n \leqslant{x} \right)=\Phi(x) ∀x∈R:n→∞limP⎝⎛nσi=1∑nXi−nμ⩽x⎠⎞=Φ(x)简写:n→∞limP(nσnX−nμ⩽x)=Φ(x)n→∞limP(ζn⩽x)=Φ(x)

解释

当n很大的时候:
- ζn=(∑i=1nXi)−nμnσ近似有:ζn∼N(0,1)或者说,∑i=1nXi∼N(nμ,nσ2)\zeta_n=\frac{(\sum\limits_{i=1}^{n}X_i)-n\mu}{\sqrt{n}\sigma}近似有: \\ \zeta_n\sim{N(0,1)} \\或者说,\sum\limits_{i=1}^{n}X_i\sim{N(n\mu,n\sigma^2)} ζn=nσ(i=1∑nXi)−nμ近似有:ζn∼N(0,1)或者说,i=1∑nXi∼N(nμ,nσ2)
- Xn的分布在一定程度上是任意的X_n的分布在一定程度上是任意的Xn的分布在一定程度上是任意的
  - 当Xn当X_n当Xn的分布不容易求得时,
    - 只要n足够大,就可以通过标准正态分布函数Φ(x)\Phi(x)Φ(x)来求解与∑i=0nXn\sum\limits_{i=0}^{n}X_ni=0∑nXn相关事件的概率

参考证明

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MeU5aaGl-1667206741588)(D:\repos\blogs\neep\math\PT_概率论\assets\image-20221031142634878.png)]

推导DeMoivre-Laplace CLT

设{Xn∣n=1,2,⋯}\set{X_n|n=1,2,\cdots}{Xn∣n=1,2,⋯}是独立同分布的随机变量序列,
- Xn∼B(1,p)X_n\sim{B(1,p)}Xn∼B(1,p)
- E(Xn)=μ=p;D(Xn)=σ2=p(1−p)E(X_n)=\mu=p;D(X_n)=\sigma^2=p(1-p)E(Xn)=μ=p;D(Xn)=σ2=p(1−p)
  - σ=p(1−p)\sigma=\sqrt{p(1-p)}σ=p(1−p)
- 结合上述语境:Yn=∑i=1nXiY_n=\sum\limits_{i=1}^{n}X_iYn=i=1∑nXi
  - Yn∼B(n,p)Y_n\sim{B(n,p)}Yn∼B(n,p)
由Lindeberg-Levy CLT得到DeMoivre-Laplace CLT
- lim⁡n→∞P(∑i=1nXi−nμnσ⩽x)=Φ(x)lim⁡n→∞P(Yn−npnp(1−p)⩽x)=Φ(x)\lim\limits_{n\to{\infin}} P\left( \frac{\sum\limits_{i=1}^{n}X_i-n\mu }{\sqrt{n}\sigma} \leqslant{x} \right)=\Phi(x) \\\lim\limits_{n\to{\infin}} P\left( \frac{Y_n-np }{\sqrt{np(1-p)}} \leqslant{x} \right)=\Phi(x) n→∞limP⎝⎛nσi=1∑nXi−nμ⩽x⎠⎞=Φ(x)n→∞limP(np(1−p)Yn−np⩽x)=Φ(x)

PT_中心极限定理CLT:棣莫佛－拉普拉斯定理de Moivre - Laplace CLT+林德伯格－列维(Lindeberg-Levy)定理相关推荐

概论_第5章_中心极限定理1__定理2(棣莫弗-拉普拉斯中心极限定理)
在概率论中, 把有关论证随机变量和的极限分布为正态分布的一类定理称为中心极限定理称为中心极限定理称为中心极限定理. 本文介绍独立同分布序列的中心极限定理. 一独立同分布序列的中心极限定理定理 ...
概率论大作业C语言验证伯努利大数定律以及相对应的强大数定律、棣莫弗-拉普拉斯中心极限定理
验证伯努利大数定律以及相对应的强大数定律.棣莫弗-拉普拉斯中心极限定理代码如下: //编程环境:Xcode //编程语言:C语言 #include <stdio.h> #include ...
用python证明不同分布的中心极限定理_常见的中心极限定理
摘要中心极限定理讨论的是在什么条件下,独立随机变量和的分布会收敛于正态分布,本文介绍常见的集中中心极限定理,并且用Mathematica实现相应的模拟. 1.林德伯格-莱维中心极限定理设{Xn}是独 ...
概率论-4.2中心极限定理(待补充)
大数定律讨论: 随机变量序列的算术平均概率收敛其均值的算术平均中心极限定理讨论: 随机变量序列和的极限分布何时为正态分布林德伯格-莱维中心极限定理: 正太随机数的产生数值计算中的误差分析棣 ...
概率论-4.2 中心极限定理
大数定律讨论: 随机变量序列的算术平均概率收敛其均值的算术平均中心极限定理讨论: 随机变量序列和的极限分布何时为正态分布林德伯格-莱维中心极限定理: 正太随机数的产生数值计算中的误差分析棣 ...
概率论与数理统计系列笔记之第四章——大数定理与中心极限定理
概率论与数理统计笔记(第四章大数定理与中心极限定理) 对于统计专业来说,书本知识总有遗忘,翻看教材又太麻烦,于是打算记下笔记与自己的一些思考,主要参考用书是茆诗松老师编写的<概率论与数理统计教 ...
某电子计算机有400个终端,(第四章)大数定率与中心极限定理习题.doc
(第四章)大数定率与中心极限定理习题.doc 第四章大数定律及中心极限定理导学极限论在概率研究中的应用本章是承前启后的一章明晰了"频率与概率的关系",这是一个遗留问题 ...
中心极限定理、置信区间
中心极限定理中心极限定理是概率论中的一组定理. 中心极限定理说明,在适当的条件下,大量相互独立随机变量的均值经适当标准化后依分布收敛于正态分布 . 这组定理是数理统计学和误差分析的理论基础,指出了大 ...
大数定律及中心极限定理
一.定理概述: 1.大数定律 ①弱大数定理(辛钦大数定理) 对于独立同分布且具有均值的随机变量,当n很大时,它们的算术平均很可能接近于μ. ②伯努利大数定理事件"频率与概率的偏差小于&qu ...

PT_中心极限定理CLT:棣莫佛－拉普拉斯定理de Moivre - Laplace CLT+林德伯格－列维(Lindeberg-Levy)定理

中心极限定理CLT

棣莫佛－拉普拉斯定理de Moivre - Laplace CLT

解释

林德伯格－列维（Lindeberg-Levy）定理

解释

参考证明

推导DeMoivre-Laplace CLT

PT_中心极限定理CLT:棣莫佛－拉普拉斯定理de Moivre - Laplace CLT+林德伯格－列维(Lindeberg-Levy)定理相关推荐

最新文章

热门文章