08大数定律2016.pptVIP

由前几章的讨论可知，正态分布在随机变量的一切可能分布中占有特殊的地位。在客观世界中我们遇到的许多随机变量都是服从或近似服从正态分布的。 为什么大量的随机变量都服从正态分布呢?李雅普诺夫证明了在某些一般的充分条件下，当随机变量的个数无限增加时，独立随机变量的和的分布是趋于正态分布的。 在概率论发展史上，许多科学家建立了众多的中心极限定理。在本节中我们只给出两个常用的中心极限定理。 在概率论中把研究大量独立随机变量和的分布以正态分布为极限的这一类定理统称为中心极限定理。 中心极限定理 定 理 一 林德伯格-列维中心极限定理 [ 独立同分布的中心极限定理 ] 定 理 二 棣莫弗-拉普拉斯中心极限定理 [ 二项分布以正态分布为极限分布 ] (Lindberg-levi) (De Moivre-Laplace) 正态分布的概率密度的图形 x m m+s m-s 二项分布的随机变量可看作许多相互独立的0-1分布的随机变量之和, 下面是当X~B(20,0.5)时, X的概率分布图 泊松分布相当于二项分布中p很小n很大的分布, 因此, 参数l=np当很大时也相当于n特别大, 这个时候泊松分布也近似服从正态分布, 下面是l=30时的泊松概率分布图. 在c2(n)分布中, 如果自由度n很大, 也可以认为是多个自由度为1的相互独立的c2(1)分布的随机变量的和, 因此也近似服从正态分布. 下面是c2(6