当前课程知识点:概率论与数理统计 > 第5章 极限定理 > 中心极限定理 > 拓展知识
一、历史注记
历史上最初的中心极限定理是讨论 \( n \) 重伯努利试验中,事件 \( A \) 出现的次数 \( \mu_{n} \) 渐近于正态分布的问题。记事件 \( A \) 出现的概率为 \( P(A)=p \), 1716年前后,棣莫弗对 \( p=1/2 \) 作了讨论,并发现了中心极限定理;随后,拉普拉斯就伯努利试验情形改进了棣莫弗的证明,并对一般的情形指出极限分布是正态分布,这就是棣莫弗-拉普拉斯定理(1901年,李雅普诺夫对拉普拉斯的结果给出了严格证明)。
随着特征函数的引入,中心极限定理的研究得到了迅速的发展。20世纪20年代,林德伯格(Jarl Waldemar Lindeberg,1876--1932,芬兰数学家,因其在中心极限定理方面的成就而著名)和列维证明了林德伯格-莱维定理,即独立同分布的中心极限定理,它在数理统计的大样本理论中有着重要的应用。1922年,``中心极限定理更一般的条件''的研究取得显著的进展,林德伯格提出著名的林德伯格条件。1935年,林德伯格和费勒又进一步解决了独立随机变量序列的中心极限定理的一般情形,即林德伯格-费勒定理。该定理指出,在独立随机变量序列情况下,林德伯格条件不仅是中心极限定理成立的充分条件,甚至在一定条件下还是必要的。林德伯格-费勒定理使长期以来作为概率论中心议题之一的中心极限定理得到根本解决,前述诸结果都是它的推论。
此后中心极限定理的研究基本上围绕几个方面进行:一是减弱对随机变量独立性的要求;二是讨论向标准正态密度函数收敛的问题;三是研究正态分布收敛的速度问题,等等。
中心极限定理的一个直观而不严格的解释:一个现实的量如果是由大量独立的而且均匀小的量叠加而成,那么它的分布近似于正态分布,这揭示了正态分布的重要性质。
二、中心极限定理与大数定律的关系
大数定律与中心极限定理的有关系吗?
设随机变量序列 \( {X_{n}} \) 独立同分布、期望存在、方差 \( DX_{n}=\sigma^2 \) 有界时,易得,大数定律与中心极限定理都成立。大数定律断定:
\[
\lim\limits_{n\rightarrow\infty}P\left\{|\bar{X}-\frac{\sum EX_{n}}{n}|\leq\varepsilon\right\}=1
\]
然而括号中事件的概率有多大?此定理未回答,但中心极限定理却给出了近似解答:
\[
P\left\{|\bar{X}-\frac{\sum EX_{n}}{n}|\leq\varepsilon\right\}=P\left\{|\frac{\sum(X_{n}- EX_{n})}{\sigma\sqrt n}|\leq \frac{\varepsilon \sqrt n}{\sigma}\right\}
\approx\frac{1}{\sqrt{2\pi}}\int_{|x|\leq\frac{\varepsilon \sqrt n}{\sigma}}e^{-\frac{x^2}{2}}dx
\]因而,在假设条件下,中心极限定理比大数定律更精确。
三、中心极限定理的应用
假设生产线上组装每件成品的时间服从指数分布。组装每件成品的平均时间为10分钟,假设组装各件成品的时间相互独立。
(1)试求组装100件成品需要15小时至20小时的概率;
(2)以95%的概率在16小时之内最多可以组装多少件成品?
解:(1)设 \( X_{i} \) 表示第 \( i \) 件成品组装时间,则 \( x_{1}\cdots,X_{100} \) 相互独立,且都服从指数分布 \( \Gamma(1,0.1) \),\( EX_{i}=10,DX_{i}=100,i=1,2,\cdots,100 \)。由中心极限定理知,
\begin{eqnarray}
P\left\{15\times60\leq\sum_{i}^{100}X_{i}\leq20\times60\right\}&=& P\left\{\frac{900-1000}{100}\leq\frac{\sum_{i}^{100}X_{i}-1000}{\sqrt{100\times100}}\leq\frac{1200-1000}{100}\right\} \\
&\approx& \Phi(2)-\Phi(-1)\\
&=&0.9772-(1-0.8413)\\
&=&0.8185
\end{eqnarray}
(2)设在16小时之内最多可以组装 \( n \) 件成品,
\[
P\left\{\sum_{i}^{n}X_{i}\leq16\times60\right\}=0.95
\]\[
\Phi(\frac{960-10n}{10\sqrt n})=0.95,\ \ \frac{960-10n}{10\sqrt n}=1.645
\tag{1}\]\[ n^2-194.706n+9216=0\]
解出 \( n_1\approx 81.18,n_2\approx 113.53 \),其中 \( n_2 \) 不满足(1)式,舍去。
故在16小时之内以概率0.95最多可以组装81或82件成品。
四、Galton钉板试验小球落点预测
在Galton钉板试验中,我们看到小球在槽中堆成的曲线近似正态曲线,这里我们依据棣莫弗拉普拉斯定理(D-L)来解释这一现象。定义 \( X_{k}=\left\{
\begin{array}{ll}
1&\text{若第k次碰钉后小球向右}; \\
-1& \text{若第k次碰钉后小球向左};
\end{array}
\right. \),则 \(
X_{k}=\left(\begin{array}{cc} -1 & 1 \\ 1/2 & 1/2\end{array}\right)
\),而第 \( n \) 次碰钉后球的位置 \( n \),根据D-L定理 \( \frac{Y_{n}-EY_{n}}{\sqrt {DY_{n}}}\overset{\text{近似}}\sim N(0,1) \),即 \( \frac{Y_{n}-0}{\sqrt {n}}\overset{\text{近似}}\sim N(0,1) \)。
这表明 \( \frac{Y_{n}}{\sqrt {n}} \) 的分布当 \( n \) 充分大时近似于 \( N(0,1) \),即 \( Y_{n} \) 的分布近似于 \( N(0,\sqrt n) \)。则
\[
P\{-l\leq Y_{n}\leq l\}=P\left\{\frac{-l}{\sqrt {n}}\leq \frac{Y_{n}}{\sqrt {n}}\leq\frac{l}{\sqrt {n}}\right\}\approx 2\Phi\left(\frac{l}{\sqrt {n}}\right)-1
\]设 \( n=16 \),则 \( P\{-l\leq Y_{16}\leq l\}\approx 2\Phi(\frac{l}{4})-1 \),如 \[ P\{-1\leq Y_{16}\leq 1\}\approx 2\Phi(\frac{1}{4})-1=0.1974 \]这意味着,若独立投掷60个小球,则大约有 \( 60\times 0.1974\approx 12 \) 个小球落在[-1,1]之间,此情形下总体预测列表如下:\[\begin{array}{|c|c|c|c|c|c|}
\hline\mbox{区间} & \mbox{近似概率} & \mbox{近似球数} & \mbox{区间} & \mbox{近似概率} & \mbox{近似球数} \\\hline
[-1,1] & 0.1974 & 12 & [-6,6] & 0.8664 & 52 \\\hline
[-2,2] & 0.3829 & 23 & [-7,7] & 0.9199 & 55 \\\hline
[-3,3] & 0.5467 & 33 & [-8,8] & 0.9545 & 57 \\\hline
[-4,4] & 0.6827 & 41 & [-9,9] & 0.9756 & 59 \\\hline
[-5,5] & 0.7887 & 47 & [-10,10] & 0.9876 & 60\\ \hline
\end{array}\]
-课程发展概况及概率的三要素
--讲义下载
--拓展知识
-第一章第一节测试题
-古典概率
--讲义下载
--拓展知识
-第一章第二节测试题
-几何概率
--讲义下载
--拓展知识
-第一章第三节测试题
-条件概率与乘法公式
--讲义下载
--拓展知识
-第一章第四节测试题
-全概率公式
--讲义下载
--拓展知识
-第一章第五节测试题
-贝叶斯公式
--讲义下载
--拓展知识
-第一章第六节测试题
-事件的独立性及应用
--讲义下载
--拓展知识
-第一章第七节测试题
-讨论
--“三门”问题
-第一章测试题
-随机变量及其分布
--讲义下载
--拓展知识
-第二章第一节测试题
-一类离散型随机变量的分布
--讲义下载
--拓展知识
-第二章第二节测试题
-泊松分布及泊松定理
--讲义下载
--拓展知识
-第二章第三节测试题
-均匀分布与指数分布
--讲义下载
--拓展知识
-第二章第四节测试题
-正态分布
--讲义下载
--拓展知识
-第二章第五节测试题
-连续型随机变量函数的分布
--讲义下载
--拓展知识
-第二章第六节测试题
-讨论
--分布之间关系
-第二章测试题
-多维随机变量及分布(一)
--讲义下载
--拓展知识
-第三章第一节测试题
-多维随机变量及分布(二)
--讲义下载
--拓展知识
-第三章第二节测试题
-边缘分布律和边缘密度
--讲义下载
--拓展知识
-第三章第三节测试题
-条件分布与随机变量的独立性
--讲义下载
--拓展知识
-第三章第四节测试题
-随机变量极值的分布
--讲义下载
--拓展知识
-第三章第五节测试题
-随机变量和的分布
--讲义下载
--拓展知识
-第三章第六节测试题
-数形结合求解函数的分布
--讲义下载
--拓展知识
-第三章第七节测试题
-讨论
--分布类的和不变性
-第三章测试题
-数学期望和方差的定义
--讲义下载
--拓展知识
-第四章第一节测试题
-数学期望和方差的应用
--讲义下载
--拓展知识
-第四章第二节测试题
-数学期望的线性性质及应用
--讲义下载
--拓展知识
-第四章第三节测试题
-方差的性质与协方差
--讲义下载
--拓展知识
-第四章第四节测试题
-标准化与相关系数
--讲义下载
--拓展知识
-第四章第五节测试题
-讨论
-第四章测试题
-大数定律
--课程讲义下载
--拓展知识
-第五章第一节测试题
-中心极限定理
--讲义下载
--拓展知识
-第五章第二节测试题
-讨论
--用电量的正态假设
-第五章测试题
-数理统计的基本概念
--讲义下载
--拓展知识
-第六章第一节测试题
-单样本均值统计量的分布
--讲义下载
--拓展知识
-第六章第二节测试题
-单样本方差统计量的分布
--讲义下载
--拓展知识
-第六章第三节测试题
-讨论
--保险损失分布
-第六章测试题
-什么是参数估计
--讲义下载
--拓展知识
-第七章第一节测试题
-矩估计
--讲义下载
--拓展知识
-第七章第二节测试题
-似然原理与似然函数
--讲义下载
--拓展知识
-第七章第三节测试题
-连续型分布的似然估计
--讲义下载
--拓展知识
-第七章第四节测试题
-一类离散总体的似然估计
--讲义下载
--拓展知识
-第七章第五节测试题
-区间估计
--讲义下载
--拓展知识
-第七章第六节测试题
-讨论
--湖中有多少条鱼?
-第七章测试题
-假设检验的基本原理
--讲义下载
--拓展知识
-第八章第一节测试题
-两类错误
--讲义下载
--拓展知识
-第八章第二节测试题
-正态总体均值的检验
--讲义下载
--拓展知识
-第八章第三节测试题
-正态总体方差的检验
--讲义下载
--拓展知识
-第八章第四节测试题
-卡方拟合检验
--讲义加载
--拓展知识
-第八章第五节测试题
-讨论
-第八章测试题
-一元线性回归(最小二乘估计)
--讲义下载
--拓展知识
-第九章第一节测试题
-一元线性回归(相关系数检验)
--讲义下载
--拓展知识
-第九章第二节测试题
-讨论
--火灾损失的因素
-第九章测试题