中心极限定理
中心极限定理
2 设二维随机变量X,Y)的密度函数为 、 ( 1 p( x,y) = [ϕ1( x,y) +ϕ2 ( x,y)] 2 ,且它们 其中 1( x,y)和ϕ2( x,y)都是二维正态密度函数 ϕ 1 1 对应的二维随机变量的 相关系数为 和− .它们的 3 3 边际密度函数所对应的 随机变量的数学期望都 0 是，
1. 方差都是 (1)求随机变量 和Y的密度函数 X ( x)和pY ( y), 及X和Y X p
. 的相关系数
(2)问X和Y是否独立？ 是否独立？
第四章 1 求特征函数；已知特 . 、求特征函数； 征函数求密度函数
( 4 特征函数的基本性质P201性质 .1.1− 4.1.5) 2、大数定律的一般形式 会判断 .v.序列是否 ； r ( 律 服从大数定律马尔可夫与辛钦大数定 )
解：
i 1 若学生答对第题 ， Xi = i ， 0 若学生答错第题 于是 i 相互独立，且服从二点 ： X 相互独立， 分布： 分布 i i P( Xi = 1) = pi = 1− , P( Xi = 0) = 1− pi = , 100 100 i = 1,2,L,99
Bn =
E Xi − pi
* n
记Bn =
2
∑σ
i =1
n
2 i
Var(Yn ) = ∑σ i
n i =1
n
n Yn − EYn Yn − ∑µi Xi − µi Y = i =1 =∑ = Var(Yn ) Bn i =1 B
n
1 n 2 lim 2 2 ∑∫ ( x-µi ) pi ( x)dx = 0 | x− µi |>τBn n→+∞τ B n i =1 林德贝格条件
P153 6、 14 P164 2、(1)、(1)、 、 8 9 13 18 P182 10、 、 、 、 14 24 38 41 P197 2、、、 4 7 10
中心极限定理
中心极限定理中心极限定理（Central Limit Theorems）什么是中心极限定理大数定律揭示了大量随机变量的平均结果，但没有涉及到随机变量的分布的问题。
而中心极限定理说明的是在一定条件下，大量独立随机变量的平均数是以正态分布为极限的。
中心极限定理是概率论中最著名的结果之一。
它提出，大量的独立随机变量之和具有近似于正态的分布。
因此，它不仅提供了计算独立随机变量之和的近似概率的简单方法，而且有助于解释为什么有很多自然群体的经验频率呈现出钟形(即正态)曲线这一事实，因此中心极限定理这个结论使正态分布在数理统计中具有很重要的地位，也使正态分布有了广泛的应用。
中心极限定理的表现形式中心极限定理也有若干个表现形式，这里仅介绍其中四个常用定理：（一）辛钦中心极限定理设随机变量相互独立，服从同一分布且有有限的数学期望a和方差σ2，则随机变量，在n无限增大时，服从参数为a和的正态分布即n→∞时，将该定理应用到抽样调查，就有这样一个结论：如果抽样总体的数学期望a和方差σ2是有限的，无论总体服从什么分布，从中抽取容量为n的样本时，只要n足够大，其样本平均数的分布就趋于数学期望为a，方差为σ2 / n的正态分布。
（二）德莫佛——拉普拉斯中心极限定理设μn是n次独立试验中事件A发生的次数，事件A在每次试验中发生的概率为P，则当n无限大时，频率设μn / n趋于服从参数为的正态分布。
即：该定理是辛钦中心极限定理的特例。
在抽样调查中，不论总体服从什么分布，只要n充分大，那么频率就近似服从正态分布。
（三）李亚普洛夫中心极限定理设是一个相互独立的随机变量序列，它们具有有限的数学期望和方差：。
记，如果能选择这一个正数δ>0，使当n→∞时，，则对任意的x有：该定理的含义是：如果一个量是由大量相互独立的随机因素影响所造成的，而每一个别因素在总影响中所起的作用不很大，则这个量服从或近似服从正态分布。
（四）林德贝尔格定理设是一个相对独立的随机变量序列，它们具有有限的数学期望和方差满足林德贝尔格条件，则当n→∞时，对任意的x，有。
中心极限定理
中心极限定理
(3)与参数估计的关系：
E（xi） X 样本n : x1 , x2 , xn , 取自总体,故 ， D xi）= 2 （ n E（ xi） nX n i 1 样本和 xi ， n i 1 D （ xi）=n 2 i 1 根据中心极限定理推论，有：lim P(z1 <
X 周围1个标准差( n )范围内分布着68.26%的 x 2个标准差( n )范围内分布着95.46%的 x 3个……. ……… t 个标准差( n )范围内分布着F(t)的 x
其它条件不变时，置信度F(t)越大，则 t 越大，反之亦然 给定F(t)，样本规模越大， t 越小 给定t ，样本规模越大， F(t)越小
n N
x
i 1 z2 2
n
i
nX <z2 )=
n dz
1 2
Z2
Z1
e
z2 2
dz
即：
xX lim P(z1 < n N n
<z2 )=
1 2
Z2
Z1
e
据此可知，样本平均数服从均值为x，方差为 2 n 的正态分布， 从而可以对X 作出区间估计。
中心极限定理
(4)根据中心极限定理有： 样本平均数的平均数等于总体平均数：x X
p( E ( ) s) 0.6826 （s = p( E ( ) 1.96s) 0.9500 p( E ( ) 2s) 0.9544 p( E ( ) 2.58s) 0.9900 p( E ( ) 3s) 0.9973 n）
(1)定理（推论）：
E ( ) P(z1 < <z2 )= D ） （
中心极限定理
-8 -7 -6 -5 -4 -3 -2 -1 O 1
x 2 3 4 5 6 7 8
记 则
Xk
1, 小球碰第 1, 小球碰第
k 1
( k 1, 2, ,15) n 15 k 层钉后向左落下 0, 2 1 近似 15 2 15 n 2 X N 0 1n 5 N( n , , ) ) 大数定律和中心极限定理 k
即至少要抽查147件产品才能保证拒绝这批产品的概率达到0.9．
大数定律和中心极限定理
例2．一批种子, 其中良种占1/6, 在其中任选6000粒, 试问在这
些种子中, 良种所占的比例与1/6之差的绝对值小于1%的概率. 解：设X表示取6000粒种子中的良种粒数, 则X~B(6000, 1/6), E(X)=6000×(1/6)=1000, D(X)=6000×(1/6)×(5/6).
Y20~N(10, 20/12)
P{Y20≤9.1} = P{Y20-10≤9.1-10}
Y20 10 Y20 10 9.1 10 P 0.7 P 20 /12 20 /12 20 /12
(0.7) 0.2420.
n X k n t2 x 1 2 k 1 lim Fn ( x ) lim P x e dt . n n n 2
大数定律和中心极限定理
n
中心极限定理的意义
对于均值为 ,方差 2 0 的独立同分布的 r.v. 列 有
2
证: 由于服从二项分布的随机变量和n 可看作n个相互独立服从 参数为p的(0-1)分布的随机变量X1,X2,…,Xn之和，即
n X i , 其中E( X k ) p, D( X k ) pq, k 1, 2,, n, q 1 p.
中心极限定理 n趋近无穷 标准正态
中心极限定理是概率论中一个非常重要的定理，它告诉我们在一定条件下，当样本容量足够大时，样本均值的分布将近似于正态分布。
这个定理对于统计推断和假设检验有着重要的意义，因此被广泛应用于各个领域。
1. 中心极限定理的概念中心极限定理是指在一定条件下，当样本容量足够大时，样本均值的分布将近似于正态分布。
无论总体的分布是什么样子，只要样本容量足够大，样本均值的分布都会接近正态分布。
这个定理对于统计学来说非常重要，因为它告诉我们在很多情况下，我们可以使用正态分布来近似描述样本均值的分布。
2. 为什么中心极限定理成立中心极限定理之所以成立，是因为当样本容量足够大时，样本均值的分布受到多个随机因素的影响，而这些随机因素的总和近似呈现出正态分布的特征。
这也是为什么无论总体的分布是什么样子，只要样本容量足够大，样本均值的分布都会近似于正态分布的原因。
3. 中心极限定理的应用中心极限定理在统计学中有着广泛的应用。
在假设检验中，我们经常需要根据样本均值对总体均值做出推断。
而根据中心极限定理，我们可以知道当样本容量足够大时，样本均值的分布近似于正态分布，这样我们就可以使用正态分布的性质来进行推断和计算。
4. n趋近无穷的意义在中心极限定理中，n代表样本容量，当n趋近无穷时，样本均值的分布就会趋近于正态分布。
这也说明了中心极限定理的一个重要特点，即样本容量越大，样本均值的分布越接近正态分布。
当我们需要进行统计推断时，可以通过增大样本容量来让样本均值的分布更接近于正态分布，从而使得推断结果更加可靠。
5. 标准正态分布的意义标准正态分布是统计学中一个非常重要的分布，它的概率密度函数是一个钟形曲线，均值为0，标准差为1。
在实际的统计推断和假设检验中，很多情况下都需要使用标准正态分布来进行计算和推断。
而根据中心极限定理，当样本容量足够大时，样本均值的分布近似于正态分布，因此我们可以使用标准正态分布的性质来进行推断和计算，这对于统计学的应用具有重要的意义。
中心极限定理
n X i n 1 -t 2 2 i 1 x e dt lim Fn ( x ) lim P x - n n 2 n ( x )
注 1、定理表明，独立同分布的随机变量之和 X k ,
k 1
n
当n充分大时，随机变量之和与其标准化变量分别有 X k ~ N ( n , n ) ;
2 nk 1 ~ N (0,1). n
n
2、独立同分布中心极限定理的另一种形式可写为 近似地 X 近似地 2 X ~ N ( , n) 或 ~ N (0,1) n 1 n 其中X X k n k 1
3、虽然在一般情况下，我们很难求出 X k 的分
第二节
中心极限定理
中心极限定理
例题
课堂练习
中心极限定理的客观背景： 在实际问题中许多随机变量是由相互独立随机 因素的综合（或和)影响所形成的. 例如：炮弹射击的 落点与目标的偏差， 就受着许多随机因 素（如瞄准，空气 阻力，炮弹或炮身结构等）综合影响的.每个随机因 素的对弹着点（随机变量和）所起的作用都是很小 的.那么弹着点服从怎样分布哪 ？
一、中心极限定理
定理1（列维—林德伯格定理）
设随机变量X 1 , X 2 , X n , 相互独立，服从同一分 布，且具有数学期望和方差 : E ( X k ) , D( X k ) 2 ( k 1,2n ,)，则随机变量之和 X k的标准化变量 k 1 X n k Yn k 1 的分布函数Fn ( x )对于任意x满足 n
自从高斯指出测量误差服从正态 分布之后，人们发现，正态分布在 自然界中极为常见.
高斯
如果一个随机变量是由大量相互独立的随机因 素的综合影响所造成，而每一个别因素对这种综合 影响中所起的作用不大. 则这种随机变量一般都服 从或近似服从正态分布. 现在我们就来研究独立随机变量之和所特有 的规律性问题. 当n无限增大时，这个和的极限分布是什么呢？
统计学中的中心极限定理简介
统计学中的中心极限定理简介统计学是研究数据收集、分析、解释和展示的科学。
在统计学中，有一个非常重要的概念被称为中心极限定理。
中心极限定理不仅为统计推断提供了理论基础，而且在实际应用中也起到了极其重要的作用。
无论是在自然科学、社会科学，还是在工程技术等多个领域，中心极限定理的应用无处不在。
本文将对中心极限定理进行详细介绍，探讨其含义、重要性、应用及相关实例。
中心极限定理的基本概念中心极限定理（Central Limit Theorem, CLT）是指在一定条件下，当样本容量足够大时，不论原始总体分布的形状如何，样本均值的分布趋近于正态分布。
这一定理为我们理解大量独立随机变量之和或者平均值提供了理论依据。
定义及数学表述若(X_1, X_2, , X_n)是来自同一总体的独立同分布随机变量，且它们的期望为()和方差为(^2)，则当样本容量(n)趋近于无穷时，样本均值({X} = _{i=1}^{n} X_i)的标准化形式：[ Z = ]将趋向于标准正态分布，即(N(0, 1))。
换句话说，对于大样本而言，样本均值的分布近似于正态分布，而这正是中心极限定理所要表达的核心内容。
中心极限定理的重要性中心极限定理的重要性体现在以下几个方面。
1. 理论基础作为统计推断的一部分，许多统计方法（如假设检验、置信区间等）都依赖于样本均值的正态性假设。
中心极限定理提供了在什么条件下可以使用正态分布的方法，使得这些统计方法具有更广泛的适用性。
2. 实际应用在实际工作中，我们通常会处理来自不同类型总体的数据。
中心极限定理使得即使底层数据不服从正态分布，我们依然可以使用基于正态分布的方法进行分析，这大大提高了数据分析过程的便利性。
3. 数据分析工具的发展许多现代数据分析工具和软件包都使用了中心极限定理作为其基础，帮助用户进行更精确的数据分析。
例如，在执行回归分析时，许多测试统计量依赖于中心极限定理，使得结果更具可信度。
中心极限定理的条件虽然中心极限定理适用于许多情况，但其成立需要满足一定条件：独立性：样本观测值必须是独立的。
中心极限定理
概率论与数理统计第四章正态分布§13 中心极限定理暨南大学电气信息学院苏保河主讲第四章正态分布§13 中心极限定理主要内容一、林德伯格—莱维中心极限定理二、棣莫弗—拉普拉斯中心极限定理三、李雅普诺夫中心极限定理暨南大学电气信息学院苏保河主讲例1炮火轰击敌方防御工事100 次, 每次轰击命中的炮弹数服从同一分布, 其数学期望为2, 均方差为1.5. 若各次轰击命中的炮弹数是相互独立的, 求100 次轰击(1)至少命中180发炮弹的概率;(2)命中的炮弹数不到200发的概率.一、林德伯格—莱维中心极限定理解设X k 表示第k 次轰击命中的炮弹数,2()2,() 1.5,1,,100,k k E X D X k ==="相互独立,12100,,,X X X "苏保河主讲设X 表示100 次轰击命中的炮弹数, 由独立同分布的中心极限定理, 例1 解(续1)2()2,() 1.5,k k E X D X ==苏保河主讲1001,k k X X ==∑则2()200,()15,E X D X ==~(200,225).X N 近似地有{180}P X ≥1((180200)/15)Φ≈−−(1.33)Φ=(1)至少命中180发炮弹的概率;1( 1.33)Φ=−−0.9082.=1{180}P X =−<设X 表示100 次轰击命中的炮弹数, 由独立同分布的中心极限定理,例1 解(续2)2()2,() 1.5,k k E X D X ==苏保河主讲1001,k k X X ==∑则()200,()225,E X D X ==2~(200,15).X N 近似地有(2)命中的炮弹数不到200发的概率.{0200}P X ≤<((200200)/15)((0200)/15)ΦΦ≈−−−(0)(13.33)ΦΦ=−−0.5000.=例2检验员逐个检查某产品, 每查一个需用10秒钟. 但有的产品需重复检查一次,再用去10 秒钟. 若产品需重复检查的概率为0.5, 求检验员在8 小时内检查的产品多于1900 个的概率.解在8 小时内检查的产品多于1900 个,即检查1900 个产品所用时间小于8 小时.设X为检查1900 个产品所用的时间(秒),设Xk 为检查第k个产品所用的时间(单位为秒), k= 1, 2, …, 1900.苏保河主讲例3某车间有200 台车床独立地工作,开工率为0.6, 开工时每台耗电为r 千瓦.问供电所至少要供给这个车间多少电力,才能以99.9% 的概率保证这个车间不会因供电不足而影响生产？解设至少要供给该车间a千瓦的电力, X为开工的车床台数, 则X~ B(200, 0.6),由棣莫弗—拉普拉斯中心极限定理,X~ N(120, 48) (近似),欲求a, 使{0}99.9%.P rX a≤≤=苏保河主讲李雅普诺夫中心极限定理的意义如果随机变量X 可以看成许多相的总和,互独立的起微小作用的因素Xk则X 服从或近似服从正态分布.苏保河主讲苏保河主讲1. 离散型随机变量的数学期望第三章内容小结定义1设X 是离散型随机变量, 其分布律是P {X = x k } = p k (k = 1, 2, …),如果收敛, 定义X 的数学期望1||k k k x p ∞=∑1()k k k E X x p ∞==∑一、数学期望2. 连续型随机变量的数学期望定义2设X 是连续型随机变量,()()d E X x f x x∞−∞=∫收敛, 定义X 的数学期望||()d x f x x ∞−∞∫其密度函数为f (x ), 如果苏保河主讲4. 数学期望的性质1.设C 是常数, 则E (C ) = C .4.设X , Y 独立, 则E (XY ) = E (X )E (Y ).2.若k 是常数, 则E (kX ) = kE (X ).3.E (X 1 + X 2) =E (X 1) + E (X 2).条件: X 1,X 2, …, X n 相互独立.11()().n n i i i i i i E C X C E X ===∑∑推广:11()().n n i i i i E X E X ===∏∏推广:苏保河主讲3. 方差的性质1)设a 是常数, 则D (a ) = 0.2)若a 是常数, 则D (aX ) = a 2D (X ).4)若X 1 与X 2相互独立, 则D (X 1±X 2) = D (X 1) + D (X 2).推广：若X 1, X 2, …, X n 相互独立, 则11[](),n ni i i i D X D X ===∑∑211[]().n n i i i i i i D C X C D X ===∑∑3)若a , b 是常数, 则D (aX + b ) = a 2D (X ).苏保河主讲4. 协方差的定义定义对于二维随机变量(X, Y),称E{[X-E(X)][Y-E(Y)]} 为X与Y 的协方差, 记为Cov(X, Y), 即Cov(X, Y) = E{[X-E(X)][Y-E(Y)]}.5. 协方差的计算公式Cov(X,Y)=E(XY)–E(X)E(Y)推论: 若X 与Y 独立, 则Cov(X,Y) = 0.苏保河主讲6. 协方差的性质(1)Cov(X,Y)=Cov(Y,X)(2)Cov(aX,bY)=ab Cov(X,Y), a,b是常数(3)Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y)苏保河主讲若X 1, X 2, …, X n 两两独立, 则D (X +Y ) = D (X )+D (Y )+2Cov(X , Y )7. 随机变量和的方差与协方差的关系11()().n ni i i i D X D X ===∑∑11()()2Cov(,)n ni i i j i i i j D X D X X X ==<=+∑∑∑苏保河主讲9. 相关系数的性质2)|| 1.XY ρ≤0,XY ρ=1) X 和Y 独立时但其逆不真.定义对于随机变量X , 如果E (X k )( k = 1, 2, …) 存在, 则称它为X 的k 阶原点矩或k 阶矩.10. 矩和中心矩如果E {[X -E (X )]k } ( k = 1, 2, …) 存在, 则称它为X 的k 阶中心矩.苏保河主讲三、切比雪夫不等式与大数定理1. 马尔科夫不等式2. 切比雪夫不等式3. 切比雪夫大数定理4. 独立同分布下的大数定理5. 伯努利大数定理苏保河主讲用X 表示n 重伯努利试验中事件A 出现(成功)的次数, 其分布律称r.v. X 服从参数为n 和p 的二项分布, 注当n = 1 时, 称X 服从参数为p 的伯努利分布，或0-1 分布.1. 二项分布{}(1),k k n k n P X k C p p −==−0,1,,k n ="记作X ~ B (n , p ).苏保河主讲四、几个重要的随机变量苏保河主讲(),()(1).E X np D X np p ==−如果X ~ B (n , p ),结论：{}(1),k k n k n P X k C p p −==−0,1,,,k n ="2. 超几何分布定义将N个元素分为2 类, M个属于第一类, N－M个属于第二类, 从中按不放回抽样随机取n个元素. 令X表示这n 个元素中第一类元素的个数, 则称X服从超几何分布, 记为X h n N M~(,,)苏保河主讲。
中心极限定理
∫
b − x2 / 2 e dx a
中心极限定理(3) 中心极限定理(3)
例 2.1
解
掷一粒骰子 1200,求点 6 发生的次数为181 ~ 210 次的概率.
p = 1/ 6 , q = 5 / 6 , n = 1200 .
ESn = np → ∞ , DSn = npq → ∞ ,
故要“缩少尺度”.
若缩为 S n / n ,则 D ( S n / n ) = pq / n → 0 ,也不好研究.
故 “缩少尺度”要适当.通常的方法是 “标准化” Sn ,即通过适 当的线性变换把 Sn 变为一个均值为 0,方差为 1 的随机变量
中心极限定理(1) 中心极限定理(1)
贝努利大数定律: 贝努利大数定律 : 设 X1 , X 2 ,L 是独立的随机变量序列,对每一 k
P 有 X k ~ B (1, p ) , Sn = X1 + ⋅⋅⋅ + X n .则 Sn / n p . →
考虑当 n → ∞ 的时候, Sn 的分布.因为
第十二周作业
• 补充习题 • 补50，补51，补52，补53 习题4 • 2*，8*
4
以 S12000 记点 6 出现的次数,则 S1200 ~ B (1200,1/ 6) .这时
于是由积分极限定理知
P (180 < S1200
180 − np S1200 − np 210 − np ≤ 210) = P ( < ≤ ) npq npq npq
S1200 − np 1 1 2 = P ( − 15 < ≤ 15) ≈ 5 5 npq 2π
统计学中心极限定理的含义
统计学中心极限定理的含义
中心极限定理（central limit theorem）是统计学中的一个重要
定理，它描述了随机变量和其样本均值之间的关系。
中心极限定理的含义是，当随机变量满足一定条件时，其样本均值的分布会收敛于一个正态分布。
简单来说，无论原始随机变量的分布是什么，只要样本容量足够大，样本均值的分布就会趋近于正态分布。
具体来说，中心极限定理有以下几个关键点：
1. 独立性：样本之间应该是独立同分布的，也就是每个样本点之间是相互独立的。
2. 同分布性：每个样本点应该来自于同一个总体分布。
3. 样本容量：随着样本容量的增加，样本均值的分布会趋近于正态分布。
中心极限定理的重要性在于，它使得我们可以利用正态分布的知识和性质来研究和推断总体的特征。
当我们的样本容量足够大时，我们可以使用正态分布的统计方法进行假设检验、置信区间估计等统计推断工作。
无论总体分布是什么，只要样本容量够大，就可以使用中心极限定理来大致估计总体分布的特征。
总的来说，中心极限定理告诉我们，当样本容量足够大时，样本均值会趋近于正态分布，这为统计推断提供了重要依据。
中心极限定理几个
中心极限定理几个
中心极限定理是概率论中非常重要的一个定理，它可以帮助我们
理解随机现象背后的规律性。
该定理表明，随机变量的和或均值在一
定条件下，随着随机变量个数的增多，其分布趋近于正态分布，从而
更容易进行概率推断。
其中，最为著名的包括以下几个中心极限定理：
1. 切比雪夫定理：当一个随机变量的期望和方差都存在时，任何
一个k倍于标准差的差异的概率都不会超过1/k^2。
这个定理可以帮助我们衡量随机变量的离散程度，从而更好地理解样本总体的性质。
2. 中心极限定理：对于任意独立随机变量的序列，它们的和在一
定条件下服从正态分布。
这个定理是概率论中最著名的定理之一，它
告诉我们，大多数随机现象都可以用正态分布来近似，这对于实际问
题的解决有着重要意义。
3. 林德伯格-列维定理：对于一组独立同分布的随机变量，均值
的标准化值（即均值与总体均值的差除以标准误差）在一定条件下会
趋向于标准正态分布。
这个定理可以帮助我们通过样本均值来推断总
体的性质，进而做出概率性的决策。
总之，中心极限定理是概率论中最为重要的一个定理之一，从中
我们可以看到随机现象的规律性，这对科学研究和决策的制定都有着
非常重要的意义。
中心极限定理
= Φ (1.83) = 0.966
练习：237页1、2
3、李雅普诺夫（独立不同分布） 、
设随机变量 X 1 , X 2 ,L, X n ,L相互独立 , 它 们具有数学期望 和方差： 和方差： E ( X k ) = µ k , D( X k ) = σ k ≠ 0 ( k = 1,2,L),
2 n
中心极限定理
林德贝格—勒维（独立同分布定理） 棣莫弗—拉普拉斯（二项分布的正态近似） 李雅普诺夫（独立不同分布）
一.依分布收敛
为随机变量序列， 为随机变量， 设{Xn}为随机变量序列，X为随机变量，其 对应的分布函数分别为F 若在F(x) 对应的分布函数分别为Fn(x), F(x). 若在F(x) 的连续点， 的连续点，有 则称{F (x)}弱收敛于 弱收敛于F(x). 则称{Fn(x)}弱收敛于F(x). 可记为
由中心极限定理, 由中心极限定理,结论得证
记
2 2 Bn = ∑ σ k , k =1
若存在正数 δ , 使得当 n → ∞ 时, 1
2 Bn +δ
E {| X k − µ k |2+δ } → 0, ∑
k =1
n
则随机变量之和的标准化变量 n n n n ∑ X k − E ∑ X k ∑ X k − ∑ µk k =1 = k =1 k =1 Z n = k =1 Bn n D ∑ X k k =1 的分布函数 Fn ( x ) 对于任意 x 满足 n n ∑ X k − ∑ µk k =1 k =1 lim Fn ( x ) = lim P ≤ x n→ ∞ n→ ∞ Bn 2 t x 1 −2 e dt = Φ ( x ). =∫ −∞ 2π
中心极限定理课件
期值来检验总体的假设。
在金融数学中的应用
1 2
资产收益率分估投资组合的风险。
风险评估
中心极限定理可以用来评估投资组合的风险，通 过计算资产收益率的方差和相关性。
3
资本资产定价模型（CAPM）
中心极限定理是资本资产定价模型的基础，用于 评估资产的预期收益率和风险。
详细描述
当独立同分布的随机变量数量趋于无 穷时，这些随机变量的平均值的分布 趋近于正态分布，不论这些随机变量 的分布本身是什么。
弱收敛和依概率收敛
总结词
这是中心极限定理的两种收敛方式，弱收敛强调的是分布函数之间的收敛，而依概率收敛则关注事件发生的概率 。
详细描述
弱收敛是指当独立同分布的随机变量数量趋于无穷时，这些随机变量的平均值的分布函数趋近于正态分布函数。 依概率收敛则是指当独立同分布的随机变量数量趋于无穷时，这些随机变量的平均值以概率1趋近于某个常数。
05 中心极限定理的扩展和展 望
中心极限定理的推广和改进
推广到多元分布
将中心极限定理从一元分布推广到多元分布，研究多维随机变量 的分布性质。
考虑非独立随机变量
研究非独立随机变量的中心极限定理，探索它们之间的依赖关系对 极限分布的影响。
考虑不同收敛速度
研究不同收敛速度下的中心极限定理，以更准确地描述随机变量的 分布特性。
资产配置。
人口统计学
中心极限定理用于研究人口增长、 人口普查数据的分布等，帮助科学 家了解人口变化的规律。
生物学和医学
中心极限定理用于研究生物变异、 遗传基因频率的变化以及医学中的 临床试验和流行病学调查等。
02 中心极限定理的数学表述
独立同分布的中心极限定理
总结词
第二节--中心极限定理
四、拉普拉斯中心极限定理
例3 100台车床独立工作，每台实际工作时间占全部 工作时间的80%. 求任一时刻有70至86台车床工作的 概率.
解：设
Xi
0, 1,
第i台床不工作 第i台床工作
i 1, 2,
,100
则 Xi B(1, 0.8)
100
100
依题意， E( X ) E( Xi ) E( Xi ) 80
设随机变量序列{ Xi }(i 1, 2, )独立同分布，
EXi , DXi 2 , i 1, 2, ，则
lim
n
P
n i 1
n
Xi E( Xi )
i 1
n
D( Xi )
i 1
x
lim P n
n i 1
Xi n n 2
x
1
x t2
e 2 dt ( x)
2
设随机变量序列{ Xi }(i 1, 2, )独立同0-1分布，即
n
Xi B(1, p), EXi p, DX i pq, i 1, 2, ， X i nA，
i 1
n
n
lim n
P
i 1
Xi E( Xi )
i 1
n
D( Xi )
i 1
x
lim
n
P
nA np npq
x
近似
Xi N (n，n 2 ),
i 1
X
1 n
n
近似
X i N (， 2
i 1
n)
n
近似
~ Xi独立同0 - 1分布 Xi nA N (np，npq)
i 1
大数定律与中心极限定理
§5.3 中心极限定理
80 − 10 P ( 20000 × 8 ≤ 2000 X ) = 1 − P ( X ≤ 80) = 1 − Φ( ) 9.995 = 1 − Φ( 22.1) = 0
(2)应求概率 应求概率
20 − 10 P ( 20000 × 8 − 2000 X > 12000) = P ( X ≤ 20) = Φ( ) 9.995 = Φ( 3.16) = 0.9993
X n = ∑ n =1 Yk ~ B( n, p ). k
又因为
E (Yk ) = p, D(Yk ) = pq ≠ 0, k = 1,2,L,
由(5.9)式得 式得
X n ~ N ( np, npq ).
则当n很大时 很大时, 推论 设随机变量X ~ B( n, p ), 则当 很大时 从而可得近似公式: 近似地有 X ~ N ( np, npq )， 从而可得近似公式
n i =1
记S n = ∑ X i，则
n i =1
S n = ∑ Xi ~ N(nµ, nσ 2 ), (2)
n i =1
•
X= ∑
1 n
n k =1
X i , 则得近似公式
X ~ N(µ,
σ2
n
) ，
(3)
它表明,不论 原来分布情况如何， 它表明 不论 X k 原来分布情况如何，其n σ2 项平均值 X 总是可以近似认为服从 N ( µ , )， 这在数理统计中是很有用处的.正因为如此正 这在数理统计中是很有用处的 正因为如此正 态分布在概率统计中占有极为重要的地位. 态分布在概率统计中占有极为重要的地位
(3)对于概率 P (a ≤ X < b ), P (a < X < b ), 对于概率 均可用(5.15)进行计算 因为 很大 进行计算,因为 P (a ≤ X ≤ b ) 均可用 进行计算 因为n很大 的值都很小,可以忽略不 时, P ( X = a ), P ( X = b) 的值都很小 可Yn实际上是随机变量 S n = ∑n=1 X i i 的标准化.(5.9)式亦可记成 式亦可记成 的标准化
中心极限定理
分布, 只要满足定理的条件, 那么它们的和 X k
k 1
当 n 很大时,近似地服从正态分布.
定理三(德莫佛－拉普拉斯中心极限定理)
设随机变量n (n 1,2,) 服从参数为n, p
(0 p 1)的二项分布, 则 对于任意x, 恒有
lim P n
n np
np(1 p)
x
x
1
t2
并假设各次试验是独立的,在90 000次波浪冲击中
纵摇角大于 3º的次数为 X,
则 X 是一个随机变量,
且
X
~
b 90000,
1 3
.
分布律为
P{ X
k}
90 000
1
k
2 90000k
,
k 3 3
k 1,,90000.
所求概率为
P{29500
X
30500}
k
30500
2.321
1 (2.321) 0.01 .
例4对于一个学生而言, 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为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. (1) 求参加会议的家长数
29501
90000 k
1 3
k
2 3
90000
k
.
直接计算很麻烦，利用德莫佛－拉普拉斯定理
P{29500 X 30500}
P
29500
np(1
np p)
X np np(1 p)
30500 np(1
中心极限定理
由中心极限定理, 随机变量 Z 近似服从正态分布 N (0,1) ,
上页
下页 返回
V 20 5 其中 Z 100 100 20 20 12 12 V 20 5 105 20 5 } P{V 105} P { 100 100 20 20 12 12
k 1
2
上页
下页
返回
四、例题选讲 例1
一加法器同时收到 20 个噪声电压 Vk
20
( k 1, 2, 20 ), 设它们是相互独立的随机变量 , 且都在区间 (0,10) 上服从均匀分布, 记 V Vk ,
k 1
求 P{V 105} 的近似值.
解
E (Vk ) 5,
100 D(Vk ) ( k 1,2,,2对x R, 有
1 lim P{ Z n x } e dt n 2
x
t2 2
则称随机序列{Xn}服从中心极限定理.
当 n , 随机变量序列 Z n 的分布函数收敛于 标准正态分布的分布函数.
上页
下页
返回
一、独立同分布的中心极限定理
定理一 设随机变量 X 1 , X 2 ,, X n ,独立同分布,
X k 400 1.1
k 1
400
400 0.19
X 400 1.1 400 0.19
近似服从正态分布 N (0, 1),
上页
下页 返回
于是 P{ X 450}
X 400 1.1 450 400 1.1 P 400 0.19 400 0.19 X 400 1.1 1 P 1.147 400 0.19
返回
中心极限定理 30个样本
中心极限定理 30个样本
中心极限定理（central limit theorem, CLT）是概率论中的一个重要定理，指的是当样本容量足够大时，一组独立同分布的随机变量的和的分布近似地服从正态分布。
具体来说，中心极限定理表明，对于一个独立同分布的随机变量序列X1, X2,..., Xn，其均值的分布（即样本均值）服从正态分布，即
lim(n->∞) P((X1+X2+...+Xn - nμ)/√(nσ^2)) ≤ x) =
Φ(x)
其中，μ是随机变量的期望，σ是随机变量的标准差，Φ(x)是标准正态分布的累积分布函数。
根据中心极限定理，当样本容量n足够大时，其样本均值的分布近似于正态分布。
这意味着，对于较大的样本量，即使原始数据并不服从正态分布，其样本均值的分布也会趋近于正态分布。
在中心极限定理中，并没有明确给出样本量需要达到多少才能满足近似正态分布的条件，一般认为当样本容量n大于30时，中心极限定理适用性较好。
因此，当我们有30个独立同分布的样本时，可以认为样本均值的分布近似服从正态分布。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2 D ξ σ (3)期望和方差都存在： Eξ i μ, i ( i 1,2,..., n,...) 2 (4)方差 σ 0 n n μ ξ i i 1 则对一切 x, 有 lim P 0 ( x ) x n nσ
当随机变量序列 ξ1 , ξ2 ,..., ξn ,... 满足定理 的条件时, 由极限
解 设箱内第 i 袋味精 的净重为 X克 i ( i 1,2,...,200) X1 , X 2 ,..., X 200 独立,同分布;
2
2
EX i 100 μ DX i 10 σ 200 200 P X i 20500 1 P X i 20500 i 1 i 1 200 X i 200 μ 20500 200 μ i 1 1 P 200 σ 200 σ 20500 200 μ 5 500 1 0 1 1 0 0 2 200σ 10 200
12
P X i 1202 1 P X i 1202 i 1 i 1 1200 X i1200 μ 12021200 μ i 1 1 P 1200 σ 1200 σ
解 设第 i个零件 的重量为 X公斤 ( i 1,2,...,1200) i X1 , X 2 ,..., X1200 独立,同分布; EX i 1 μ 2 2 0.1 1200 1200 DX i
ξ i nμ i lim P 1 n nσ
n
x 0 ( x )
当n充分大时,有
n 1 ξ μ ξ n μ i n i 1 i i 1 P 0 ( x ) P x 0 ( x ) x σ nσ n n nμ ξ i x nμ x nμ i 1 n P ξ i x P 0 nσ nσ i 1 nσ
n
例 用机器包装味精, 每袋味精的净重为随机变量, 期望值为100克,标准差为10克, 一箱内装有200袋 味精, 求一箱味精净重大于20500克的概 率. 的净重为 X i 克. 解 设箱内第 i袋味精 ( i 1,2,...,200) X1 , X 2 ,..., X 200 独立,同分布; ... X 200 2 2 X X 1 2 EX i 100 μ DX i 10
设一列随机变量 ξ1 , ξ2 ,..., ξn ,... 满足： (1) 相互独立; (2)服从同样的分布; 2 (3)期望和方差都存在： Eξ i μ, Dξ i σ (4)方差不等于0. 则
n
( i 1,2,..., n,...)
ξ μ nμ i 1 i 1 i 1
1 0 3.54 1 0.99980 0.0002
X1
X2
... X 200
例 用机床加工大小相同的零件, 标准重1公斤, 由于随机误差, 每个零件的重量 在 0.95, 1.05 上 均匀分布, 求制造1200个零件, 总重量大于1202 公斤的概率.
解 设第 i个零件 的重量为 X i 公斤.( i 1,2,...,1200) X1 , X 2 ,..., X1200 独立,同分布; EX i 1 μ 2 2 0.1 1200 1200 DX i
P X i 1202 1 P X i 1202 i 1 i 1 1200 X i 1200 μ 12021200 μ i 1 1 P 1200 σ 1200 σ 1 20 2 120 0 μ 2 1 0 1 0 0.1 1200σ 10 12 12 1 0 2 1 0.97725 0.02275
ξ nμ
i 1 i
n
i 1
~ 近似
nσ
N (0,1) ~ 近似
ξ i nμ P i 1 x 0 ( x ) nσ
n
定理3.11 (独立同分布 中心极限定理) 设随机变量序列 ξ1 , ξ2 ,..., ξn ,... 满足：
(1) 相互独立; (2)服从同样的分布;
n
n
~ 近似
2 n σ n μ , N
2 2 D ξ i Dξ i σ nσ i 1 i 1 i 1
n n
设一列随机变量 ξ1 , ξ2 ,..., ξn ,... 满足： (1) 相互独立; (2)服从同样的分布; 2 D ξ σ (3)期望和方差都存在： Eξ i μ, i ( i 1,2,..., n,...) (4)方差不等于0. n 2 ξ i N nμ, nσ 则