跳转至

中心极限定理

英文:Central limit theorem,简写:CLT。

很多实际问题中,有些随机变量是由大量相互独立的随机因素的综合影响而形成的,但其中每个个别因素在总的影响中起的作用是微小的,这种随机变量往往近似服从 正态分布

后面均假设 \(\{ X_n \}\)随机变量 序列。

Lindeberg-Lévy CLT

也叫独立同分布中心极限定理。

\(X_i\) 相互独立,同分布,\(EX_i=\mu\)\(DX_i=\sigma^2\)\(\forall x \in \mathbb{R}\),随机变量

\[ Y_n = \frac{\displaystyle\sum\limits_{i=1}^{n} X_i - E \left [ \displaystyle\sum\limits_{i=1}^{n} X_i \right ]}{\sqrt{D \left [ \displaystyle\sum\limits_{i=1}^{n} X_i \right ]}} = \frac{\displaystyle\sum\limits_{i=1}^{n} X_i - n\mu}{\sqrt{n}\sigma} \]

的分布函数 \(F_n(x)\) 满足

\[ \lim_{n \to \infty} F_n(x) = \lim_{n \to \infty} P \left ( \frac{\displaystyle\sum\limits_{i=1}^{n} X_i - n\mu}{\sqrt{n}\sigma} \le x \right ) = \int_{-\infty }^{x} \frac{1}{\sqrt{2\pi}} e^{-\frac{t^2}{2}} \mathrm{d}t = \Phi(x) \]

所以,当 \(n\) 充分大时,可以近似认为 \(\displaystyle\sum\limits_{i=1}^{n} X_i \sim N(n\mu, n\sigma^2)\)

De Moivre-Laplace CLT

由 Lindeberg-Lévy CLT 可以推出:若 \(X \sim B(n,p)\),当 \(n\) 充分大时,可以近似认为 \(X \sim N(np, np(1-p))\)

Lyapunov CLT

\(X_i\) 相互独立,\(EX_i=\mu_i\)\(DX_i=\sigma_i^2\),设 \(B_n^2 = \displaystyle\sum\limits_{i=1}^{n} \sigma_i^2\)。如果 \(\exists \delta > 0\),有

\[ \lim_{n \to \infty} \frac{1}{B_n^{2+\delta}} \sum_{i=1}^{n} E \left [ \left | X_i - \mu_i \right |^{2+\delta} \right ] = 0 \]

则当 \(n\) 充分大时,可以近似认为 \(\displaystyle\sum\limits_{i=1}^{n} X_i \sim N \left ( \displaystyle\sum\limits_{i=1}^{n} \mu_i, \displaystyle\sum\limits_{i=1}^{n} \sigma_i^2 \right )\)


相关文章