高等数学 / 系统课时

中心极限定理

中心极限定理

中心极限定理说明:许多独立随机因素叠加后,即使每个因素本身并不服从正态分布,其总和或平均值经过适当标准化,也常会接近正态分布。本课将建立这一结论的直觉、公式和使用边界。

学习目标

  • 理解随机变量之和趋近正态分布的核心结论
  • 掌握样本均值标准化的基本公式
  • 能判断何时可以使用正态近似

为什么总和常呈钟形

现实中的测量误差、生产波动和用户行为通常由许多小因素共同造成。每个因素可能偏高或偏低,叠加后极端组合较少,中间区域出现得更频繁,因此总和的分布会逐渐呈现对称的钟形。

中心极限定理描述的是分布形状的趋近,而不是样本平均数值趋近期望。它关注标准化后的随机波动如何分布。

不同总体分布的样本均值逐步接近正态分布

标准形式

设 X1,X2,…,XnX_1,X_2,\ldots,X_n 独立同分布,且

E(Xi)=μ,Var(Xi)=σ2<∞E(X_i)=\mu,\qquad Var(X_i)=\sigma^2<\infty

当 nn 足够大时,样本均值 Xˉn\bar{X}_n 近似服从

Xˉn≈N(μ,σ2n)\bar{X}_n\approx N\left(\mu,\frac{\sigma^2}{n}\right)

等价地,标准化变量

Z=Xˉn−μσ/nZ=\frac{\bar{X}_n-\mu}{\sigma/\sqrt{n}}

近似服从标准正态分布 N(0,1)N(0,1)。分母 σ/n\sigma/\sqrt{n} 称为样本均值的标准误,它随样本量增大而减小。

如何使用正态近似

应用时先确定研究对象是“和”还是“均值”,再写出它的期望与方差,最后进行标准化。若总体分布较平缓、没有极端长尾,几十个样本通常就可能得到较好的近似;若总体高度偏斜或存在大量异常值,则需要更大的样本量。

例如总体均值为 5050、标准差为 1212,抽取 n=36n=36 个独立样本,则样本均值的标准误为

1236=2\frac{12}{\sqrt{36}}=2

因此样本均值可近似看作 N(50,22)N(50,2^2),后续便能使用标准正态分布计算区间概率。

条件与边界

独立性是关键条件之一。若样本之间存在强相关,例如连续时间序列受同一趋势影响,直接使用经典形式可能低估波动。

有限方差同样重要。某些重尾分布可能没有有限方差,此时标准形式不再适用。还要注意,中心极限定理给出的是渐近近似,不意味着任意小样本都足够接近正态分布。

与大数定律的关系

大数定律说明 Xˉn\bar{X}_n 会靠近 μ\mu;中心极限定理说明它在 μ\mu 附近的偏差,经标准误缩放后近似服从什么分布。前者解决“落点”,后者刻画“波动形状”。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

中心极限定理

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通