MathLabs
定理已证明

中心极限定理

命题陈述

设 X1,X2,…X_1, X_2, \dots 是具有有限均值 μ=E[X1]\mu = \mathbb{E}[X_1] 和有限正方差 σ2=Var⁡(X1)>0\sigma^2 = \operatorname{Var}(X_1) > 0 的独立同分布随机变量序列。对于标准化和 Zn=∑i=1nXi−nμσn=n(Xˉn−μ)σZ_n = \frac{\sum_{i=1}^n X_i - n\mu}{\sigma\sqrt{n}} = \frac{\sqrt{n}(\bar{X}_n - \mu)}{\sigma},有 lim⁡n→∞P(Zn≤z)=Φ(z)=12π∫−∞ze−t2/2 dt\lim_{n \to \infty} \mathbb{P}(Z_n \le z) = \Phi(z) = \frac{1}{\sqrt{2\pi}}\int_{-\infty}^z e^{-t^2/2}\,dt 对任意 z∈Rz \in \mathbb{R} 成立;即 ZnZ_n 依分布收敛于 N(0,1)\mathcal{N}(0,1)。

为什么成立?

当把许多微小且相互独立的随机效应累加在一起时,各个分布原有的特殊形态会被抹平,围绕均值的重标度涨落普遍趋向于钟形的高斯曲线 N(0,1)\mathcal{N}(0,1)——这正是测量误差、考试成绩与热噪声都近似服从正态分布的原因。

证明思路

令 Yi=Xi−μσY_i = \frac{X_i - \mu}{\sigma},则 E[Yi]=0\mathbb{E}[Y_i] = 0,Var⁡(Yi)=1\operatorname{Var}(Y_i) = 1,且 Zn=1n∑i=1nYiZ_n = \frac{1}{\sqrt{n}}\sum_{i=1}^n Y_i。设 φY(t)=E[eitY1]\varphi_Y(t) = \mathbb{E}[e^{itY_1}] 为 Y1Y_1 的特征函数。由于 E[Y12]=1<∞\mathbb{E}[Y_1^2] = 1 < \infty,在 t=0t = 0 处作二阶泰勒展开可得 φY(t)=1−t22+o(t2)\varphi_Y(t) = 1 - \frac{t^2}{2} + o(t^2)(当 t→0t \to 0 时)。由独立性,ZnZ_n 的特征函数为 φZn(t)=[φY(tn)]n=(1−t22n+o(1n))n→e−t2/2\varphi_{Z_n}(t) = \left[\varphi_Y\left(\frac{t}{\sqrt{n}}\right)\right]^n = \left(1 - \frac{t^2}{2n} + o\left(\frac{1}{n}\right)\right)^n \to e^{-t^2/2}(当 n→∞n \to \infty 时,对每个固定的 t∈Rt \in \mathbb{R})。因为 e−t2/2e^{-t^2/2} 是 N(0,1)\mathcal{N}(0,1) 的特征函数,由列维连续性定理即得 Zn→dN(0,1)Z_n \xrightarrow{d} \mathcal{N}(0,1)。

用到此定理的主题

相关定理

分步证明

该定理暂无分步证明。

参考文献

  1. Abraham de Moivre (1738). The Doctrine of Chances · DOI:10.1016/b978-044450871-3/50088-7
  2. Pierre-Simon Laplace (1812). Théorie analytique des probabilités
  3. Patrick Billingsley (1995). Probability and Measure