5.2(中心极限定理).pptVIP

5.2 中心极限定理 在实际中，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的。因此，对随机现象的研究就可以转化为对这些相互独立的随机变量的和的研究；进而就需要确定这些随机变量的和的分布。 第5章 大数定律和中心极限定理 当然，我们可以考虑用卷积公式去计算分布，但这样的计算是相当复杂的、不现实的，而且也是不易实现的．有时即使能写出分布，但由于其形式过于复杂而无法使用． 本节研究在相当一般的条件下独立随机变量的和的分布收敛于正态分布的问题． 5.2 中心极限定理 5.2.1 中心极限定理的概念 设{Xn}为独立随机变量序列，且E(Xn), D(Xn), i=1,2,…均存在，若有 则称{Xn}服从中心极限定理。 5.2.2 独立同分布的中心极限定理 定理5.5（独立同分布的中心极限定理）设X1，X2,…,Xn,…为相互独立、服从同一分布的随机变量序列,且 D(Xi) = ?2 ? 0（i = 1,2,…）,则对于任意x，有 (5.6) 该定理我们通常称之为林德贝尔格-勒维(Lindeberg-Levy)定理，该定理是这两位学者在上世纪20年代提出的． 5.2 中心极限定理 我们来看一下(5.6)式含义：若记 记 为Yn的分布函数，则(5.6)式可以写成 这表明，当n充分大时，Yn近似服从标准正态分布N(0，1)，即 从而当n充分大时， (5.7) (5.7) (5.7)式说明，不论X1，X2，…，Xn服从什么分布，只要满足定理的条件,当n充分大时,就可以把 作为正态随机变量处理，这在理论研究和实际计算上都非常重要． 我们将上述结论稍作变形，还可以得到定理结论的另外表现形式． 推论5.1 设相互独立的随机变量X1，X2，…，Xn服从同一分布，其均值为?，方差为?2 0，则当n充分大时 即 (5.8) 其中 由推论可知，无论X1，X2，…，Xn是服从什么分布，其算术平均值当n充分大时总是近似地服从正态分布．这一结果是数理统计中大样本理论的基础． 【例】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Xi为第i个螺丝钉的重量，i=1,2,…,100, 且它们是独立同分布的，则一盒螺丝钉的重量为 并且， 由定理5.5 即 所以 现在将定理5.5应用于服从0-1分布的随机变量，即设X1，X2，…，Xn，…相互独立，且都服从参数为p的0-1分布： P{Xi = k} = pk(1 – p)1- k，k = 0，1；i = 1，2，… 此时， 又记 ，则?n~B(n，p)． 此时定理5.5的结论可写成 于是，有下述定理： 定理5.6（德莫佛—拉普拉斯定理）设?n（n = 1，2，…）服从参数为n，p(0p1)的二项分布，则对于任意实数x，有 这个定理表明，当n充分大时，服从二项分布的随机变量?n的标准化变量近似服从标准正态分布． 即有 从而 即当n充分大时，服从二项分布的随机变量?n近似服从正态分布． 一般来说，当n较大时，二项分布的概率计算起来非常复杂，这时我们就可以用正态分布来近似二项分布，使概率计算得到简化．即对