中心极限定理证明

1、中心极限定理证明一、例子高尔顿钉板试验.图中每一个黑点表示钉在板上的一颗钉子.每排钉子等距排列，下一 排的每个钉子恰在上一排两相邻钉子之间.假设有排钉子，从入口中处放 入小圆珠.由于钉板斜放，珠子在下落过程中碰到钉子后以的概率滚向左 边,也以的概率滚向右边.如果较大，可以看到许多珠子从处滚到钉板底端 的格子的情形如图所示，堆成的曲线近似于正态分布.如果定义：当第次碰到钉子后滚向右边，令;当第次碰到钉子后滚向左 边，令.则是独立的，且那么由图形知小珠最后的位置的分布接近正态 .可以想象，当越来越 大时接近程度越好.由于时，.因此，显然应考虑的是的极限分布.历史上德 莫佛第一个证明了二项分布的极限

2、是正态分布.研究极限分布为正态分布的极限定理称为中心极限定理.二、中心极限定理设是独立随机变量序列，假设存在，若对于任意的，成立称服从中心极限定理.设服从中心极限定理，则服从中心极限定理，其中为数列.解:服从中心极限定理，则表明其中.由于，因此故服从中心极限定理三、德莫佛-拉普拉斯中心极限定理在重贝努里试验中，事件在每次试验中出现的概率为为次试验中事件出现的次数，则用频率估计概率时的误差估计.由德莫佛一拉普拉斯极限定理，由此即得第一类问题是已知，求，这只需查表即可.第二类问题是已知，要使不小于某定值，应至少做多少次试验这时利 用求出最小的.第三类问题是已知，求.解法如下:先找，使得.那么，即.

3、若未知，则利用，可得如下估计:.抛掷一枚均匀的骰子，为了至少有的把握使出现六点的概率与之差不超过，问需要抛掷多少次解:由例4中的第二类问题的结论，.即.查表得.将代入，便得.由此可见, 利用比利用契比晓夫不等式要准确得多.已知在重贝努里试验中，事件在每次试验中出现的概率为为次试验中事件出现的次数，则服从二项分布：的随机变量.求.解：因为很大，于是所以利用标准正态分布表，就可以求出的值.某单位内部有260架电话分机，每个分机有的时间要用外线通话，可 以认为各个电话分机用不用外线是是相互独立的，问总机要备有多少条外线才能以的把握保证各个分机在使用外线时不必等候.解:以表示第个分机用不用外线，若使用

4、，则令;否则令.则.如果260架电话分机同时要求使用外线的分机数为，显然有.由题意 得，查表得，故取.于是取最接近的整数，所以总机至少有16条外线，才能有以上的把握保 证各个分机在使用外线时不必等候.根据孟德尔遗传理论，红黄两种番茄杂交第二代结红果植株和结黄 果植株的比率为3:1，现在种植杂交种400株,试求结黄果植株介于83和 117之间的概率.解:将观察一株杂交种的果实颜色看作是一次试验，并假定各次试验 是独立的.在400株杂交种中结黄果的株数记为，则.由德莫佛一拉普拉斯极限定理，有其中，即有四、林德贝格-勒维中心极限定理若是独立同分布的随机变量序列，假设，则有证明:设的特征函数为，则的特

5、征函数为又因为，所以于是特征函数的展开式从而对任意固定的，有而是分布的特征函数.因此，成立.在数值计算时，数用一定位的小数来近似，误差.设是用四舍五入法得 到的小数点后五位的数，这时相应的误差可以看作是上的均匀分布.设有个数，它们的近似数分别是，令用代替的误差总和.由林德贝格一一勒维定理，以，上式右端为，即以的概率有设为独立同分布的随机变量序列，且互相独立 淇中，证明：的分布函 数弱收敛于.证明:为独立同分布的随机变量序列，且互相独立，所以仍是独立同分 布的随机变量序列，易知有由林德贝格一一勒维中心极限定理，知的分布函数弱收敛于，结论得 证.作业:p222ex32,33,34,35五、林德贝尔

6、格条件设为独立随机变量序列，又令，对于标准化了的独立随机变量和的分布当时，是否会收敛于分布除以外，其余的均恒等于零，于是.这时就是的分布函数.如果不是正 态分布，那么取极限后，分布的极限也就不会是正态分布了.因而，为了使得成立，还应该对随机变量序列加上一些条件.从例题中看出，除以外，其 余的均恒等于零，在和式中，只有一项是起突出作用.由此认为，在一般情 形下，要使得收敛于分布，在的所有加项中不应该有这种起突出作用的加 项.因为考虑加项个数的情况，也就意味着它们都要均匀地斜.设是独立随机变量序列，又,，这时(1)若是连续型随机变量，密度函数为，如果对任意的，有(2)若是离散型随机变量，的分布列为

7、如果对于任意的，有则称满足林德贝尔格条件.以连续型情形为例，验证:林德贝尔格条件保证每个加项是均匀地斜.证明:令，则于是从而对任意的，若林德贝尔格条件成立，就有这个关系式表明，的每一个加项中最大的项大于的概率要小于零 ，这 就意味着所有加项是均匀地斜.六、费勒条件设是独立随机变量序列，又，称条件为费勒条件.林德贝尔格证明了林德贝尔格条件是中心极限定理成立的充分条件，但不是必要条件.费勒指出若费勒条件得到满足，则林德贝尔格条件也 是中心极限定理成立的必要条件.七、林德贝尔格-费勒中心极限定理引理1对及任意的，证明:记，设，由于因此，淇次，对，用归纳法即得.由于，因此，对也成立.引理2对于任意满足

8、及的复数，有证明:显然因此，由归纳法可证结论成立.引理3若是特征函数，则也是特征函数，特别地证明定义随机变量其中相互独立，均有特征函数，服从参数的普哇松分布，且与诸独立 不难验证的特征函数为，由特征函数的性质即知成立.林德贝尔格-费勒定理定理设为独立随机变量序列，又.令，则(1)与费勒条件成立的充要条件是林德贝尔格条件成立.证明:(1)准备部分记(2)显然(3)(4)以及分别表示的特征函数与分布函数，表示的分布函数，那么(5)这时因此林德贝尔格条件化为：对任意，(6)现在开始证明定理.设是任意固定的实数.为证(1)式必须证明(7)先证明，在费勒条件成立的假定下，(7)与下式是等价的：事实上，由

9、(3)知,又因为故对一切，把在原点附近展开彳导到因若费勒条件成立，则对任意的，只要充分大，均有(9)这时(10)对任意的，只要充分小，就可以有(11)因止匕由引理3,引理2及(10),(11)只要充分大，就有(12)因为可以任意小，故左边趋于0,因止匕证得(7)与(8)的等价性.(2)充分性先证由林德贝尔格条件可以推出费勒条件.事实上，(13)右边与无关，而且可选得任意小；对选定的，由林德贝尔格条件(6)知 道第二式当足够大时，也可以任意地小，这样,费勒条件成立.其次证明林德贝尔格条件能保证(1)式成立.注意到(3)及(4)，可知，当时，当时，因此(14)对任给的，由于的任意性，可选得使，对选

10、定的，用林德贝尔格条件知 只要充分大，也可使.因此，已证得了(8)，但由于已证过费勒条件成立，这时 (8)与(7)是等彳的，因而(7)也成立.(3)必要性由于(1)成立,因此相应的特征函数应满足(7).但在费勒条件成立时 这又推出了,因此，(15)上述被积函数的实部非负，故而且(16)因为对任意的，可找到，使,这时由(15),(16)可得故林德贝尔格条件成立.八、李雅普诺夫定理设为独立随机变量序列，又.令,若存在，使有则对于任意的，有一，大数定律的证明二，中心极限定理的证明中心极限定理我们曾特别强调了正态分布在概率论与数理统计中的地位与作用为什么客观实际中许多随机变量服从正态分布是经验猜测还是

11、确有科 学的理论依据，下面我们就来解释这一问题.我们已经知道，炮弹的弹着点射击误差服从正态分布，我们来分 析其原因.要知道误差是什么样的随机变量，有必要研究一下造成误差 的原因是什么每次射击后，炮弹会因为震动而造成很微小的偏差x1,炮弹外形细小的差别而引起空气阻力不同而出现的误差x2,炮弹前进时遇到的空气流的微小扰动而造成的误差x3, 等等，有许多原因，每种原因引起一个微小的误差都是随机的，而弹着点的总误差x是许多随机误差的总和，即x=xk而且xk之间可以看成是相互独立的，因此 要讨论x的分布就要讨论这些相互独k立的随机变量之和的分布.在概率论中，我们把研究在一定条件下，大量独立随机变量和的

12、极限分布是正态分布的那些定理通常叫做中心极限定理.本节只介绍两个条件简单，也较常用的中心极限定理.定理4 (同分布中心极限定理)设随机变量 x1, x2,xn 相互独 立，服从同一分布，且具有有限的数学期望和方差， e(xk)=,d(xk)=(k=1,2,则随机变量2xk-nk=1n的分布函数对任意的x,满足nnxk-nk=1nx12e-xt22dt中心极限定理及其应用【摘要】中心极限定理的产生具有一定的客观背景，最常见的是 德莫佛-拉普拉斯中心极限定理和林德贝格-勒维中心极限定理。它们表 明了当n充分大时，方差存在的n个独立同分布的随机变量和近似服 从正态分布，在实际中的应用相当广泛。本文讨

13、论了中心极限定理的 内容、应用与意义。【关键词】：中心极限定理正态分布随机变量一、概述概率论与数理统计是研究随机现象、统计规律性的学科。随机现 象的规律性只有在相同条件下进行大量重复的实验才会呈现出来，而 研究大量的随机现象常常采用极限的形式，由此导致了对极限定理的 研究。极限定理的内容很广泛，中心极限定理就是其中非常重要的一 部分内容。中心极限定理主要描述了在一定条件下，相互独立的随机 变量序列x1、x2 , xn ,的部分和的分布律：当 n00时的极限符合 正态分布。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，也使得中心极限定理有了广泛的应用。二、定理及应用1、定理一

14、(林德贝格一勒维定理)若k1, =a,2, 是一列独立同分布的随机变量，且 edk=kx2(20),k=1,2,贝U有limp(k1nnnax)nn12et22dt。当n充分大时，k1knan-n (0,1) , k1nkn (na,n) 22、定理二(棣莫弗一拉普拉斯中心极限定理)在n重伯努利试验中，事件a在每次试验中出现的概率为错误！未 找到引用源。，错误！未找到引用源。为n次试验中事件a出现的次数，则limp(nnnpnpqx)21xet22dt其中q1p。这个定理可以简单地说成二项分布渐近正态分布，因此当n充分大时，可以利用该定理来计算二项分布的概率。同分布下中心极限定理的简单应用独立

15、同分布的中心极限定理可应用于求随机变量之和sn落在某区间的概率和已知随机变量之和 sn取值的概率，求随机变量的个数。例1:设各零件的重量都是随机变量，它们相互独立且服从相同的 分布，其数学期望为，均方差为，问 5000只零件的总重量超过2510kg 的概率是多少解：设xi(i=1, 2,，5000)表示第i个零件的重量 x1, x2,， x5000 独立同分布且 e(xi)=, d(xi)=。由独立同分布的中心极限定理可知3=i-()()=例2: 一生产线生产的产品成箱包装，每箱的重量是随机的且同分 布，设每箱平均重50kg,标准差为5kg,若用最大载重为50吨的汽车 承运，每辆车最多可以装多

16、少箱才能保证不超载的概率大于解：设xi(i=1, 2,，n)是装运第i箱的重量，n为所求箱数。由 条件可把x1, x2,，xn看作独立同分布的随机变量，而 n箱的总重 量为tn=x1+x2+-+xn是独立同分布的随机变量之和。由 e(xi)=50、d(xi)=52 得：e(tn)=50n, d(tn)=52n根据独立同分布的中心极限定理：3即最多可以装98箱例3:报名听心理学课程的学生人数 k是服从均值为100的泊松分布的随机变量，负责这门课的教授决定，如果报名人数不少于120,就分成两班，否则就一班讲授。问该教授讲授两个班的概率是多少分析：该教授讲授两个班的情况出现当且仅当报名人数x不少于1

17、20,精确解为p (x120 =e-100100i/i!很难求解，如果利用泊松分布的可加性，想到均值为100的泊松分布随机变量等于100个均值为1的独立泊松分布随机变量之和，即 x=xi,其中每个xi具有参数1的泊松分布，则我们可利用中心极限定理求近似解。2解：可知 e(x)=100, d(x)=100教授讲授两个班的概率是。例4:火炮向目标不断地射击，若每次射中目标的概率是0、1。(1)求在400次射击中击中目标的次数在区间30, 50内的概率。(2)问最少要射击多少次才能使击中目标的次数超过10次的概率不小于分析：显然火炮射击可看作是伯努利实验。1即我们知道，正态分布可近似于二项分布，而且

18、泊松分布可近似于二项分布，当二项分布 b(n, p), n较大、p较小时可用泊松分布估计近似值。如果p接近1,有q=l-p很小，这时也可用泊松分布计算；但是当n较大，p不接近0或1时，再用泊松分布估计二项分布的概率就 不够精确了，这时应采用拉普拉斯定理来计算。解：(1)设在射击中击中目标的次数为yn,所求概率(30yn0 使得：也就是说，无论各个随机变量 xi服从什么分布，只要满足李雅普诺夫条件，当 n很大时，它们的和 近似服从正态分布。由于在大学本科阶段接触的不同分布的样本较 少，本文对它的应用将不举例说明。中心极限定理以严格的数学形式阐明了在大样本条件下，不论总 体的分布如何，样本均值总是

19、近似地服从正态分布。正是这个结论使 得正态分布在生活中有着广泛的应用。四、中心极限定理的意义首先，中心极限定理的核心内容是只要n足够大，便可以把独立同分布的随机变量和的标准化当作正态变量，所以可以利用它解决很 多实际问题，同时这还有助于解释为什么很多自然群体的经验频率呈 现出钟形曲线这一值得注意的事实，从而正态分布成为概率论中最重 要的分布，这就奠定了中心极限定理的首要功绩。其次，中心极限定 理对于其他学科都有着重要作用。例如数理统计中的参数（区间）估 计、假设检验、抽样调查等；进一步，中心极限定理为数理统计在统 计学中的应用铺平了道路，用样本推断总体的关键在于掌握样本特征值的抽样分布，而中心

20、极限定理表明只要样本容量足够地大，得 知未知总体的样本特征值就近似服从正态分布。从而，只要采用大量 观察法获得足够多的随机样本数据，几乎就可以把数理统计的全部处 理问（更多内容请访问好范文网）题的方法应用于统计学，这从另一个方 面也间接地开辟了统计学的方法领域，其在现代推断统计学方法论中 居于主导地位。参考文献1邓永录着应用概率及其理论基础.清华大学出版社。2魏振军着概率论与数理统计三十三讲.中国统计出版社。3程依明等着概率论与数理统计习题与解答.高等数学出版社。中心极限定理中心极限定理（centrallimittheorems ）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

21、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着名的结果之一。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

22、a和方差（2,贝! J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-s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0 2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（r2/n的正态分布。（二）德莫佛一一拉普拉斯中心极限定理设wn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wn/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差：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O记，如果能选择这一个正数 8 0使当ns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ns时，对任意的x,有O中心极限定理案例分析案例一：中