中央極限定理(central limit theorem )指的是從一個獨立同分布(Independent and
identically distributed,
i.i.d)取出之變數數量趨近無限多時,其平均數(mean)將趨近常態分布(normal
distribution)。
回到「機率統計」頁面
目錄:
動差母函數(moment generating function)
動差母函數為機率密度函數(probability density fFunction,
PDF)及累積分佈函數(cumulative distribution function
CDF)之外,另一種描述機率分布模型的一種方式。
定義
MX(t) = E[etx]
而etx的泰勒級數(Taylor series)為
etx = 1 + tx + t2x2/2! + t3x3/3! + ...
則MX(t)的泰勒級數為
MX(t) = E[etx] = 1 + tE[x] + t2/2! E[x2] + t3/3! E[x3] + ...
因此,當t = 0時,以t取動差母函數m次微分,就可以找到其分布模型的第m動差。
特性
MX+Y(t) = E[et(x+y)] = E[etx+ty] = E[etxety] = E[etx] E[ety] = MX(t) MY(t)
常態分布的動差母函數
常態分布的動差母函數為
標準常態分布的動差母函數為
中央極限定理證明
只要兩個分布模型所有的動差相同,兩者就是同一種分布模型,舉例來說第1動差E[X]就是平均值,而E[X2]-E[X]2就是變異數,兩分布模型相同,它們的平均值及變異數一定相同,所以,只要持續找兩分布的動差並比較,就可以知道是否相同,換句花說,只要兩個分布模型有一點點不一樣,它們某個動差絕對不同。
因此,假設S =
(x1+x2+x3+...+xn) /
n,需要證明當n趨近無限大時,S及常態分布兩者的動差母函數完全相同。
結論
講白話一點,中央極限定理證明就是:
- 兩分布有相同動態母常數,則兩分布相同,若不同,必定找得到一動差不同。
- 任何一分布之抽樣平均,當抽樣數趨近無限大時,抽樣平均動差母常數將趨近某一標準分布之動差母常數,故抽樣平均遵循某一標準分布,此證。
中央極限定理模擬
中央極限定理應用
可參考:股票走勢模擬
留言
張貼留言