中心极限定理证明

中心极限定理

X_1,X_2,...,X_n独立同分布,期望为\mu,标准差为\sigma,随机变量T_n=\frac{\sum_{k=1}^{n}{X_k}-n\mu}{\sigma\sqrt{n}}的分布函数为
\begin{aligned} \lim_{n\to\infty}{F_n(x)} &= P\left(\frac{\sum_{k=1}^{n}{X_k}-n\mu}{\sigma\sqrt{n}}\leq{x}\right) \\ &= \int_{-\infty}^{x}\frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}dt \end{aligned}
即,T=\lim_{n\to\infty}T_n服从正态分布,其概率密度函数为f(t)=\lim_{n\to\infty}f_n(t)

证明:
不妨设X_i的概率密度为g_i,令Q_k= \frac{{X_k}-\mu}{\sigma\sqrt{n}},这里可求出Q_k的概率密度,暂设为q_k
则,T_n=\sum_{k=1}^{n}Q_k
由下面第一小节知概率密度f_nq_k的卷积,利用卷积公式有f_n= {\mathcal{F}^{-1}}\prod_{k=1}^{n}{\mathcal{F}}(q_k)
由下面第二小节求得{\mathcal F}(q_k)=1-\frac{\omega^2}{2n}
在由下面三四小节,可得f(t)= \lim_{n\to\infty}f_n(t)= \frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}

1.U=X+Y的概率密度函数为f*g

对于独立随机变量X,Y,其联合分布概率密度h(x,y)=f(x)g(y),则U=X+Y的分布函数为
\begin{aligned} H(u) & = \iint_{}^{x+y\leq{u}}h(x,y)dxdy \\ & =\int_{-\infty}^{+\infty}\int_{-\infty}^{u-y}h(x,y)dxdy \\ & = \int_{-\infty}^{+\infty}\int_{-\infty}^{u}h(t-y,y)dtdy \\ & = \int_{-\infty}^{u} \left[ \int_{-\infty}^{+\infty}f(t-y)g(y)dy \right] dt \\ & = \int_{-\infty}^{u}(f*g)dt \end{aligned}
从而可知U=X+Y的概率密度函数为f*g

2.Q=\frac{X-\mu}{\sigma\sqrt{n}}的傅里叶变换1-\frac{ \omega^2 }{ 2n }

转化P\left(\frac{\sum_{k=1}^{n}{X_k}-n\mu}{\sigma\sqrt{n}}\le{x}\right)=P\left(\sum_{k=1}^{n}\frac{{X_k}-\mu}{\sigma\sqrt{n}}\le{x}\right)后,将每一项表示为Q=\frac{X-\mu}{\sigma\sqrt{n}},由Q(q)= P\left(\frac{X-\mu }{\sigma\sqrt{n}}\le{q}\right)=\int_{-\infty}^{\sigma\sqrt{n}{q+\mu}}f(t)dt=\int_{-\infty}^{q}\sigma\sqrt{n}f(\sigma\sqrt{n}{t+\mu})dt知每一项的概率密度函数q(t)= \sigma\sqrt{n}f(\sigma\sqrt{n}{t+\mu})。其傅里叶变换为
\begin{aligned} {\mathcal{F}}(\omega) & = \int_{-\infty}^{+\infty}\sigma\sqrt{n}f(\sigma\sqrt{n}{t+\mu})e^{-j\omega{t}}dt \\ & = \int_{-\infty}^{+\infty}f(x)e^{-j\omega\frac{x-\mu}{\sigma\sqrt{n}}}dx \\ & \approx \int_{-\infty}^{+\infty} f(x) \left( 1-j\omega\frac{x-\mu}{\sigma\sqrt{n}}+\frac{1}{2}(-j\omega\frac{x-\mu}{\sigma\sqrt{n}})^2 \right) dx \\ & = \int_{-\infty}^{+\infty} f(x) dx - \int_{-\infty}^{+\infty} f(x)j\omega\frac{x-\mu}{\sigma\sqrt{n}} dx + \int_{-\infty}^{+\infty} f(x)\frac{1}{2}(-j\omega\frac{x-\mu}{\sigma\sqrt{n}})^2 dx \\ & = 1-\frac{\omega^2}{2n} \\ \end{aligned}

3.\int_{-\infty}^{+\infty}e^{-\frac{x^2}{2}}dx=\sqrt{2\pi}

由标准正态分布\int_{-\infty}^{+\infty}\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}dx=1可得

4.T的概率密度函数

\begin{aligned} f(t) & = \lim_{n\to\infty}{ f_n(t)} \\ & = \lim_{n\to\infty}{\mathcal F}^{-1}({\mathcal F}^n(\omega)) \\ & = \frac{1}{2\pi}\int_{-\infty}^{+\infty}\lim_{n\to\infty}\left(1-\frac{\omega^2}{2n}\right)^ne^{jwt}d\omega \\ & = \frac{1}{2\pi}\int_{-\infty}^{+\infty}e^{-\frac{\omega^2}{2}}e^{jwt}d\omega \\ & = \frac{1}{2\pi}\int_{-\infty}^{+\infty}e^{\frac{(j\omega)^2+2jwt}{2}}d\omega \\ & = \frac{1}{2\pi}e^{-\frac{t^2}{2}}\int_{-\infty}^{+\infty}e^{\frac{(j\omega+t)^2}{2}}d\omega \\ \end{aligned}
又因为
\begin{aligned} \int_{-\infty}^{+\infty}e^{\frac{(j\omega+t)^2}{2}}d\omega & \xlongequal{ x=\frac{j\omega+t}{j}} \int_{-\infty}^{+\infty}e^{\frac{(jx)^2}{2}}d(x-\frac{t}{j}) \\ & = \int_{-\infty}^{+\infty}e^{-\frac{x^2}{2}}dx = \sqrt{2\pi} \\ \end{aligned}
从而得到f(t)=\frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}

附录:大数定律

\lim_{n\to\infty}{P(\frac{\sum{x_k}}{n}-\frac{\sum{Ex_k}}{n}\geq\epsilon)}=\int_{x-\mu\ge\epsilon}f(x)dx \leq \int{(\frac{x-\mu}{\epsilon})^2f(x)}dx=\frac{\sigma^2}{\epsilon^2}

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 205,132评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 87,802评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,566评论 0 338
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,858评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,867评论 5 368
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,695评论 1 282
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,064评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,705评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 42,915评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,677评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,796评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,432评论 4 322
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,041评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,992评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,223评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,185评论 2 352
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,535评论 2 343

推荐阅读更多精彩内容

  • 考试说明 注重基础知识和概念的理解,因此解题中的计算过程不会很复杂,但是会有推公式的过程。本课程的重点知识包括:贝...
    城市中迷途小书童阅读 1,170评论 0 0
  • 2017年考研数学一大纲原文 考试科目:高等数学、线性代数、概率论与数理统计 考试形式和试卷结构 一、试卷满分及考...
    SheBang_阅读 619评论 0 7
  • 考试形式和试卷结构一、试卷满分及考试时间 试卷满分为150分,考试时间为180分钟 二、答题方式 答题方式为闭卷、...
    幻无名阅读 745评论 0 3
  • 考试科目:高等数学、线性代数、概率论与数理统计 考试形式和试卷结构 一、试卷满分及考试时间 试卷满分为150分,考...
    Saudade_lh阅读 1,073评论 0 0
  • 考试说明 注重基础知识和概念的理解,因此解题中的计算过程不会很复杂,但是会有推公式的过程。本课程的重点知识包括:贝...
    艺术叔阅读 2,820评论 0 3