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1 设 X 1 , X 2 , . . . X n , . . . X_1, X_2, ...X_n,... X1,X2,...Xn,... 是独立同分布的随机变量序列, 且具有相同数学期望和方差, E ( X i ) = μ , D ( X i ) = σ 2 ( i = 1 , 2 , . . . ) E(X_i)=\mu, D(X_i)=\sigma^2(i=1,2, ...) E(Xi)=μ,D(Xi)=σ2(i=1,2,...), 记随机变量 Y n = Y_n= Yn= ∑ i = 1 n X i − n μ n σ \frac{\sum\limits_{i=1}^{n}X_i-n\mu}{\sqrt{n}\sigma} nσi=1∑nXi−nμ 的分布函数为 F n ( x ) F_n(x) Fn(x), 则对于任意实数 x x x,
lim
n
→
∞
F
n
(
x
)
=
lim
n
→
∞
P
{
Y
n
⩽
x
}
=
\lim\limits_{n \rightarrow \infty}F_n(x) =\lim\limits_{n \rightarrow \infty}P\{Y_n \leqslant x\} =
n→∞limFn(x)=n→∞limP{Yn⩽x}=
lim
n
→
∞
P
\lim\limits_{n \rightarrow \infty}P
n→∞limP
{
\{
{
∑
i
=
1
n
−
n
μ
n
σ
\frac{\sum\limits_{i=1}^{n}-n\mu}{ \sqrt{n}\sigma}
nσi=1∑n−nμ
}
\}
}
=
∫
−
∞
x
1
2
π
e
−
t
2
2
d
t
=
Φ
(
x
)
=\int_{- \infty}^{x}\frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}dt=\Phi(x)
=∫−∞x2π1e−2t2dt=Φ(x),
由这一定理可知以下结论:
1.
当n充分大时, 独立同分布的随机变量之和
Z
n
=
∑
i
=
1
n
X
i
Z_n=\sum\limits_{i=1}^{n}X_i
Zn=i=1∑nXi的分布近似于正态分布
N
(
n
μ
,
n
σ
2
)
N(n\mu, n\sigma^2)
N(nμ,nσ2).
中心极限定理告诉我们, 不论
X
1
,
X
2
,
.
.
.
,
X
n
,
.
.
.
X_1,X_2, ..., X_n,...
X1,X2,...,Xn,...同服从什么分布, 当n充分大时, 其和
Z
n
Z_n
Zn 近似服从正态分布.
2.
考虑 独立同分布的随机变量
X
1
,
X
2
,
.
.
.
,
X
n
,
.
.
.
X_1, X_2,..., X_n,...
X1,X2,...,Xn,... 的平均值
X
‾
=
1
n
∑
i
=
1
n
X
i
\overline X = \frac{1}{n}\sum\limits_{i=1}^{n}X_i
X=n1i=1∑nXi, 有
它的标准化随机变量为 X ‾ − μ σ / n \frac{\overline X - \mu}{\sigma/ \sqrt{n}} σ/nX−μ 即为上述 Y n Y_n Yn, 因此 X ‾ − μ σ / n \frac{\overline X - \mu}{\sigma/ \sqrt{n}} σ/nX−μ 的分布函数即是上述的 F n ( x ) F_n(x) Fn(x), 因而有
lim n → ∞ F n ( x ) = ∫ − ∞ x 1 2 π e − t 2 2 d t = Φ ( x ) \lim\limits_{n \rightarrow \infty}F_n(x) =\int_{- \infty}^{x}\frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}dt = \Phi(x) n→∞limFn(x)=∫−∞x2π1e−2t2dt=Φ(x).
由此可见, 当n充分大时, 独立同分布随机变量的平均值 X ‾ = 1 n ∑ i = 1 n X i \overline X = \frac{1}{n}\sum\limits_{i=1}^{n}X_i X=n1i=1∑nXi 的分布近似于正态分布 N N N ( μ , σ 2 n ) (\mu, \frac{\sigma^2}{n}) (μ,nσ2), 这是独立同分布中心极限定理的另一表达形式。
二 棣莫弗—拉普拉斯中心极限定理
此定理是 定理1 的特殊情况。
定理2(棣—拉中心极限定理)
设随机变量 Z n Z_n Zn是n次独立重复试验中事件A发生的次数, p是事件A发生的概率, 则对于任意实数 x x x
lim
n
→
∞
\lim\limits_{n \rightarrow \infty}
n→∞limP
{
\{
{
Z
n
−
n
p
n
p
(
1
−
p
)
⩽
x
\frac{Z_n-np}{\sqrt{np(1-p)}}\leqslant x
np(1−p)Zn−np⩽x
}
\}
}
=
∫
−
∞
x
1
2
π
e
−
t
2
2
d
t
=
Φ
(
x
)
=\int_{- \infty}^{x}\frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}dt = \Phi(x)
=∫−∞x2π1e−2t2dt=Φ(x).
由棣—拉中心极限定理,得到下列结论:
1.
在贝努利试验中, 若事件A发生的概率为p, 设 Z n Z_n Zn为n次独立重复试验中事件A发生的频数, 则当n充分大时, Z n Z_n Zn 近似服从 N ( n p , n p ( 1 − p ) ) N(np, np(1-p)) N(np,np(1−p)).文章来源:https://www.toymoban.com/news/detail-516342.html
2.
在贝努利试验中, 若事件A发生的概率为p,
Z
n
n
\frac{Z_n}{n}
nZn 为n次独立重复试验中事件A 发生的频率, 则当n充分大时,
Z
n
n
\frac{Z_n}{n}
nZn 近似服从
N
(
p
,
p
(
1
−
p
)
n
)
N(p, \frac{p(1-p)}{n})
N(p,np(1−p)).
文章来源地址https://www.toymoban.com/news/detail-516342.html
三 例题
- 设随机变量X~B(100, 0.2),
Φ
(
x
)
\Phi(x)
Φ(x) 为标准正态分布函数, 已知
Φ
(
2.5
)
=
0.9938
\Phi(2.5)=0.9938
Φ(2.5)=0.9938, 应用 中心极限定理, 可得 P{
20
⩽
x
⩽
30
20\leqslant x \leqslant 30
20⩽x⩽30}
≈
\approx
≈ ___________。
解: X ~ B(100, 0.2), np=20, npq = 16, 则P{20 ⩽ x ⩽ 30 \leqslant x \leqslant 30 ⩽x⩽30} = P { 20 − 20 16 ⩽ X − 20 16 ⩽ 30 − 20 16 } P\{{\frac{20-20}{\sqrt{16}} \leqslant \frac{X-20}{\sqrt{16}} \leqslant \frac{30-20}{\sqrt{16}}}\} P{1620−20⩽16X−20⩽1630−20} (这一步用到定理2)
≈ Φ ( 30 − 20 4 ) − Φ ( 20 − 20 4 ) = Φ ( 2.5 ) − Φ ( 0 ) = 0.9938 − 0.5 = 0.4938 \approx \Phi(\frac{30-20}{4}) - \Phi(\frac{20-20}{4}) = \Phi(2.5) - \Phi(0) = 0.9938-0.5 = 0.4938 ≈Φ(430−20)−Φ(420−20)=Φ(2.5)−Φ(0)=0.9938−0.5=0.4938.
答案为 0.4938。
到了这里,关于概论_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)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!