中心极限定理

所属章节:第5章 大数定律和中心极限定理

定理 4(列维 - 林德伯格定理) 假设 {Xn}(n=1,2,⋯ )\{X_n\}(n = 1, 2, \cdots) 是独立同分布的随机变量序列,如果

EXi=μ,DXi=σ2>0(i=1,2,⋯ )EX_i = \mu, \quad DX_i = \sigma^2 > 0 (i = 1, 2, \cdots)

存在,则对任意的实数 xx,有

lim⁡n→∞P{∑i=1nXi−nμnσ⩽x}=12π∫−∞xe−t22dt=Φ(x).\lim_{n \to \infty} P\left\{ \frac{\sum\limits_{i=1}^n X_i - n\mu}{\sqrt{n}\sigma} \leqslant x \right\} = \frac{1}{\sqrt{2\pi}} \int_{-\infty}^x \mathrm{e}^{-\frac{t^2}{2}} \mathrm{d}t = \varPhi(x) .

定理 5(棣莫弗 - 拉普拉斯定理) 假设随机变量 Yn∼B(n,p)(0<p<1,n⩾1)Y_n \sim B(n, p) (0 < p < 1, n \geqslant 1),则对任意实数 xx,有

lim⁡n→∞P{Yn−npnp(1−p)⩽x}=12π∫−∞xe−t22dt=Φ(x).\lim_{n \to \infty} P\left\{ \frac{Y_n - np}{\sqrt{np(1-p)}} \leqslant x \right\} = \frac{1}{\sqrt{2\pi}} \int_{-\infty}^x \mathrm{e}^{-\frac{t^2}{2}} \mathrm{d}t = \varPhi(x) .

关联知识

  • 大数定律:两者分别研究平均量的稳定性与标准化和的极限分布。
  • 正态分布:中心极限定理的标准化和趋于标准正态分布。
  • 方差与标准差:中心极限定理使用和的均值与标准差进行标准化。
  • 二项分布的概率近似:棣莫弗-拉普拉斯定理支持二项分布的正态近似。

原文:原笔记 · 5.3 中心极限定理 P128(原文件第 704–717 行)。

返回概率论导航