中心极限定理的仿真实验
目的：模拟投掷一枚骰子出现的点数的试验，重复进行104次，统计出现的点数和，并将数据标准化处理后，画出频率直方图，通过观察比较验证数据的正态性。
所用的软件：Microsoft EXCEL
步骤如下：
1 打开excel软件,在A2格子中输入=INT(6*RAND())+1，按回车就会产生一个1-6中的某一个随机整数，并且出现1-6中每一个整数的概率是相同的。
2鼠标点击A2格子，并移动到格子的右下角，出现”+”后往下拖动鼠标直到出现A501时停下来，这样就得到了500个随机数据，都是在1-6中随机取值的。（当然你越往下拖，产生的随机整数越多，试验效果越好）
3 在第二列重复第1步和第2步，第三列，第四列……直到CZ列都和第二列同样操作，这样产生了104列随机数据。
4 在DB列分别求出每行数据的和，用的函数是“SUM”，接着依次求出500行数据的和。
5 复制DB列到DC列，注意值复制数值。
6 对DC列数据进行排序，
7对DC列数据进行标准化处理，即每个数据减去平均值再除以标准差（均值函数为average,样本方差函数为var）
8处理后的数据放在DE列。根据最大值和最小值，把数据分到20个区间，这里数据范围从-2.7到2.7，故每个区间长度为0.27，这样得到（-2.7，-2.43],……,(2.43,2.7)共20个区间(也可以分15个区间，这时区间长度为0.36）。
9统计每个区间里的数据个数，用函数countif(区域，条件），详见EXCEL文件。
10 画出频率直方图，大家可以看到，投掷104次骰子后出现的点数和数据标准化后出现标准正态分布的特征。
请大家按照以上方法，产生200列数据，每列1000个数据，按照以上步骤做好中心极限定理的仿真实验。按个步骤写出实验过程，并将计算结果或图标截图后放在每个步骤后面，完整一份实验报告。
青岛农业大学本科生课程论文 题目：中心极限定理及其应用姓名： 学院： 专业： 班级： 学号： 指导教师： 2012 年06 月27 日
青岛农业大学课程论文任务书 论文题目中心极限定理及其应用 要求完成时间 2012年 07 月 02 日 论文内容（需明确列出研究的问题）：研究中心极限定理的目的就是为了更深入的了解中心极限定理，更好的了解中心极限定理的作用，更好地使用它解决现实生活中的问题。 资料、数据、技术水平等方面的要求论文要符合一般学术论文的写作规范，具备学术性、科学性和一定的创造性。文字要流畅、语言要准确、论点要清楚、论据要准确、论证要完整、严密，有独立的观点和见解。内容要理论联系实际，计算数据要求准确，涉及到他人的观点、统计数据或计算公式等要标明出处，结论要写的概括简短。参考文献的书写按论文中引用的先后顺序连续编码。 指导教师签名：年月日
中心极限定理及其应用 信息与计算科学专业（学生姓名） 指导教师（老师姓名） 摘要：中心极限定理在概率论与数理统计中占有重要地位，本文阐述了中心极限定理的内容并简单介绍了它在实际中的应用。 关键词：中心极限定理；正态分布；随机变量
Central limit theorem and its application Student majoring in Information and Computing Science Specialty （学生英文名） Tutor （老师英文名） Abstract:The central limit theorem in probability theory and mathematical statistics plays an important role,this paper expounds the content of the central limit theorem and briefly introduces its application in practice. Key words: Central limit theorem Normal distribution Random variable
实验十三二项分布的计算与中心极限定 [实验目的] 1.研究用Poisson逼近与正态逼近进行二项分布近似计算的条件 2.检验中心极限定理 §1 引言 二项分布在概率论中占有很重要的地位。N次Bernoulli实验中正好出现K次成功的概 率有下式给出b k;n,p C n k p k1p n k ,k=0,1,2,……..n.二项分布的 值有现成的表可查，这种表对不同的n及p给出了b(k;n.p)的数值。在实际应用中。通常可用二项的Poisson逼近与正态逼近来进行二项分布的近似计算。在本实验中，，我们来具体地研究在什么条件下，可用Poisson逼近与正态逼近来进行二项分布的近似计算。 在概率论中，中心极限定理是一个很重要的内容，在本实验中，我们用随即模拟的方法来检验一个重要的中心极限定理——Liderberg-Levi中心极限定理。 §2 实验内容与练习 1．1二项分布的Poisson逼近 用Mathematica软件可以比较方便地求出二项分布的数值。例如n=20;p=0,1;Table[Binomial[n,k]*p^k*(1-p)(n-k),{k,0,20}]给出了b(k;20,0.1)(k=0,1,2,…..,20)的值。 联系 1 用Mathematica软件给出了b(k;20,0.1),b(k;20,0.3)与 b (k;20,0.5)(k=0,1,2,…..,20)的值。 我们可用Mathematica软件画出上述数据的散点图，下面的语句给出了b(k;20.0.1)的（连线）散点图（图13。1）： LISTpOLT[table[Binomi al[20,k]*0.1^k*0.9^(20-k), {k,0,20}],PlotJoined->True] 图13.1 b(k;20,0.1) b k;n,p C n k p k1p n k (k=1,1,2,……,20)的散点图 练习2绘出b(l;20,0.3)与b(k;20,0.5)(k=0,1,2,…,20)的散点图 根据下面的定理，二项分布可用Poisson分布来进行近似计算。 定理13。1 在Bernoulli实验中，以P n 代表事件A在试验中出现的概率，它与试验总数有关. 如果np n→→λ，则当n→∞时，b k;n,p k k e 。 由定理13，1在n很大，p很小，而λ=np大小适中时，有 b k;n.p c k n p k1p n k k k e
中心极限定理 中心极限定理（Central Limit Theorems） 什么是中心极限定理 大数定律揭示了大量随机变量的平均结果，但没有涉及到随机变量的分布的问题。而中心极限定理说明的是在一定条件下，大量独立随机变量的平均数是以正态分布为极限的。 中心极限定理是概率论中最著名的结果之一。它提出，大量的独立随机变量之和具有近似于正态的分布。因此，它不仅提供了计算独立随机变量之和的近似概率的简单方法，而且有助于解释为什么有很多自然群体的经验频率呈现出钟形(即正态)曲线这一事实，因此中心极限定理这个结论使正态分布在数理统计中具有很重要的地位，也使正态分布有了广泛的应用。 中心极限定理的表现形式 中心极限定理也有若干个表现形式，这里仅介绍其中四个常用定理： （一）辛钦中心极限定理 设随机变量相互独立，服从同一分布且有有限的数学期望a和方差σ2，则 随机变量，在n无限增大时，服从参数为a和的正态分布即n→∞时， 将该定理应用到抽样调查，就有这样一个结论：如果抽样总体的数学期望a和方差σ2是有限的，无论总体服从什么分布，从中抽取容量为n的样本时，只要n足够大，其样本平均数的分布就趋于数学期望为a，方差为σ2 / n的正态分布。 （二）德莫佛——拉普拉斯中心极限定理 设μ n是n次独立试验中事件A发生的次数，事件A在每次试验中发生的概率为P，则当n 无限大时，频率设μ n / n趋于服从参数为的正态分布。即：
该定理是辛钦中心极限定理的特例。在抽样调查中，不论总体服从什么分布，只要n充分大，那么频率就近似服从正态分布。 （三）李亚普洛夫中心极限定理 设是一个相互独立的随机变量序列，它们具有有限的数学期望和方 差：。 记，如果能选择这一个正数δ>0，使当n→∞时， ，则对任意的x有： 该定理的含义是：如果一个量是由大量相互独立的随机因素影响所造成的，而每一个别因素在总影响中所起的作用不很大，则这个量服从或近似服从正态分布。 （四）林德贝尔格定理 设是一个相对独立的随机变量序列，它们具有有限的数学期望和方差满足林德贝尔格条件，则当n→∞时，对任意的x，有 。 中心极限定理案例分析 案例一：中心极限定理在商业管理中的应用 水房拥挤问题：假设西安邮电学院新校区有学生5000人，只有一个开水房，由于每天傍晚打开水的人较多，经常出现同学排长队的现象，为此校学生会特向后勤集团提议增设水龙头。假
中心极限定理的内涵和应用 在概率论与数理统计中，中心极限定理是非常重要的一节内容，而且是概率论与数理统计之间承前启后的一个重要纽带。中心极限定理是概率论中讨论随机变量和的分布以正态分布为极限的一组定理。这组定理是数理统计学和误差分析的理论基础，指出了大量随机变量之和近似服从于正态分布的条件。故为了深化同学们的理解并掌握其重要性，本组组员共同努力，课外深入学习，详细地介绍了中心极限定理的内涵及其在生活实践中的应用。 一、独立同分布下的中心极限定理及其应用 在对中心极限定理的研究中，我们不妨由浅入深地来学习，为此我们先来研究一下在独立同分布条件下的中心极限定理，即如下的定理1： 定理l （林德伯格-勒维中心极限定理）设{}n X 是独立同分布的随机变量序列，且0)(,)(2>==σμi i X Var X E 存在，若记 n n X Y n i i n σμ-= ∑=1 则对任意实数y ，有 {}?∞--∞→=Φ=≤y t n n t y y Y P .d e π21)(lim 22 （1） 证明：为证明(1)式，只须证}{n Y 的分布函数列弱收敛于标准正态分布。由定理可知：只须证}{n Y 的特征函数列收敛于标准正态分布的特征函数。为此,设μ-n X 的特征函数为)(t ?，则n Y 的特征函数为 n Y n t t n ??????=)()(σ?? 又因为E(μ-n X )=0，Var(μ-n X )=2σ,所以有()0?'=0，2)0(σ?-=''。 于是，特征函数)(t ?有展开式 )(2 11)(2)0()0()0()(22222t o t t o t t +-=+''+'+=σ???? 从而有 =??????+-=+∞→+∞→n n Y n n t o n t t n )(21lim )(lim 22?22t e - 而22 t e -正是N(0,1)分布的特征函数，定理得证。
中心极限定理及其应用 [摘要] 在中心极限定理的基础上，通过实例介绍它的应用。 [关键词] 中心极限定理随机变量应用 中心极限定理是棣莫佛在18世纪首先提出的，至今其内容已经非常丰富。它不仅是概率论中的重要内容，而且还是数理统计中大样本统计推断的理论基础。一种随机现象可能会受到许多不确定因素的影响,如果这些彼此之间没有什么依存关系,且谁也没有特别突出的影响,那么,这些影响的“累积效应”将会使现象近似地服从正态分布。中心极限定理在很一般的情况下证明了，无论随机变量服从什么分布，个随机变量的和当时的极限分布是正态分布。因此，它不仅提供了计算独立随机变量之和的近似概率的简单方法，而且有助于解释在现实中为什么很多数量指标都服从或近似服从正态分布这一事实。在中心极限定理的教学中，通过列举一些用中心极限定理解决问题的实例，能使学生较深地理解中心极限定理的理论与实用价值。 一、两个常用的中心极限定理 根据不同的假设条件，有多个中心极限定理。这里只介绍两个常用的中心极限定理。 定理1 列维—林德伯格（Levy-Lindeberg）定理（独立同分布的中心极限定理） 设随机变量相互独立，服从同一分布，且具有数学期望和方差.则随机变量 的分布函数Fn（x）对于任意x满足 （5.7） 从定理1的结论可知，当n充分大时，有 或者说，当n充分大时，有 如果用表示相互独立的各随机因素。假定它们都服从相同的分布（不论服从什么分布），且都有有限的期望与方差（每个因素的影响有一定限度）。则（5.8）式说明，作为总和这个随机变量，当n充分大时，便近似地服从正态分布。 定理2（棣莫佛-拉普拉斯(De Moivre Laplace)定理） 设随机变量X服从参数为n，p （0＜p＜1）的二项分布，即，则
中心极限定理 从总体中抽取容量为n的一个样本时，当样本容量足够大时，样本均值x的抽样分布近似服从于正态分布。 eg:用R从0-10的均匀分布中产生100个样本量为n=2的随机样本，对每个样本计算，并画出100个的频数分布，对于n=5,10,30,50,重复这一个过程。 a=matrix(rep(0,200),nrow=100,byrow=T) set.seed(200) for(i in 1:100) a[i,]=runif(2,0,10) b=matrix(rep(0,100),nrow=100) for(t in 1:100) b[t]=b[t]+mean(a[t,]) hist(b,freq=FALSE,density=20,main="100 个样本量n=2的随机样本",xlab="x的均值") sd=sd(b) mean=mean(b) x=seq(min(b),max(b),by=0.1) y=dnorm(x,mean,sd) lines(x,y,col="red",lwd=2) a=matrix(rep(0,1000),nrow=100,byrow=T) set.seed(1000) for(i in 1:100) a[i,]=runif(10,0,10) b=matrix(rep(0,100),nrow=100) for(t in 1:100) b[t]=b[t]+mean(a[t,]) hist(b,freq=FALSE,density=20,main="100个样本量n=10的随机样本",xlab="x的均值") sd=sd(b) mean=mean(b) x=seq(min(b),max(b),by=0.1) y=dnorm(x,mean,sd) lines(x,y,col="red",lwd=2) a=matrix(rep(0,3000),nrow=100,byrow=T) set.seed(3000) for(i in 1:100) a[i,]=runif(30,0,10) b=matrix(rep(0,100),nrow=100) for(t in 1:100) b[t]=b[t]+mean(a[t,]) hist(b,freq=FALSE,density=20,main="100个样本量n=30的随机样本",xlab="x的均值") sd=sd(b) mean=mean(b) x=seq(min(b),max(b),by=0.1) y=dnorm(x,mean,sd) lines(x,y,col="red",lwd=2) a=matrix(rep(0,5000),nrow=100,byrow=T) set.seed(3000) for(i in 1:100) a[i,]=runif(50,0,10) b=matrix(rep(0,100),nrow=100) for(t in 1:100) b[t]=b[t]+mean(a[t,]) hist(b,freq=FALSE,density=20,main="100个样本量n=50的随机样本",xlab="x的均值") sd=sd(b) mean=mean(b) x=seq(min(b),max(b),by=0.1) y=dnorm(x,mean,sd) lines(x,y,col="red",lwd=2)
验证大数定理： 1、实验原理： 证明大数定理即证明样本均值趋近于总体均值。 2、实验步骤： ①在excel中，用公式 =RAND( )*9+1 生成2000个1到10之间的随机数。 ②选择样本的前50个，前100个，前150个…前2000个，分别求出均值。 ③利用excel作出上述求出值的样本均值折线图（图一）和总体均值折线图（图二）： 图一 图二 从图一和图二中可以看出样本均值最终趋于水平，即趋于总体均值，大数定理得证。
验证中心极限定理： 1、实验原理： 证明中心极限定理即证明N个独立同分布的随机变量和的极限分布为正态分布。本次实验采用独立同分布于0-1分布B(1,0.5)的随机变量序列E k，k=1,2,3······来验证中心极限定理。因为E k， k=1,2,3······之间是独立同分布，所以 )5.0, ( ~ E n 1 k k n B ∑ =。由中心极 限定理可知，当n的取值足够大时，∑ = n 1 k k E 这一随机变量的分布与正太分 布具有很好的近似，下面用MATLAB软件分别画出n取不同值时∑ = n 1 k k E 的分 布及对应的正太分布的图像，通过对比这两条曲线的相似度来验证中心极限定理。 2、实验步骤： ①当n=10时，对应正态分布为N（5，2.5）。 MATLAB结果图：
MATLAB源程序： MATLAB结果图：
MATLAB源程序： MATLAB结果图：
MATLAB源程序： MATLAB结果图：
MATLAB源程序： ⑤观察得出，当N足够大时，其密度函数服从正态分布，即满足 中心极限定理。
中心极限定理的涵和应用 在概率论与数理统计中，中心极限定理是非常重要的一节容，而且是概率论与数理统计之间承前启后的一个重要纽带。中心极限定理是概率论中讨论随机变量和的分布以正态分布为极限的一组定理。这组定理是数理统计学和误差分析的理论基础，指出了大量随机变量之和近似服从于正态分布的条件。故为了深化同学们的理解并掌握其重要性，本组组员共同努力，课外深入学习，详细地介绍了中心极限定理的涵及其在生活实践中的应用。 一、独立同分布下的中心极限定理及其应用 在对中心极限定理的研究中，我们不妨由浅入深地来学习，为此我们先来研究一下在独立同分布条件下的中心极限定理，即如下的定理1： 定理l （林德伯格-勒维中心极限定理）设{}n X 是独立同分布的随机变量序列，且0)(,)(2>==σμi i X Var X E 存在，若记 n n X Y n i i n σμ-= ∑=1 则对任意实数y ，有 {}?∞--∞→=Φ=≤y t n n t y y Y P .d e π21)(lim 22 （1） 证明：为证明(1)式，只须证}{n Y 的分布函数列弱收敛于标准正态分布。由定理可知：只须证}{n Y 的特征函数列收敛于标准正态分布的特征函数。为此,设μ-n X 的特征函数为)(t ?，则n Y 的特征函数为 n Y n t t n ??????=)()(σ?? 又因为E(μ-n X )=0，Var(μ-n X )=2σ,所以有()0?'=0，2)0(σ?-=''。于是，特征函数)(t ?有展开式 )(2 11)(2)0()0()0()(22222t o t t o t t +-=+''+'+=σ???? 从而有 =??????+-=+∞→+∞→n n Y n n t o n t t n )(21lim )(lim 22?22t e - 而22 t e -正是N(0,1)分布的特征函数，定理得证。
重庆三峡学院毕业设计（论文）大数定律与中心极限定理及其应用 分院数学与统计学院 专业数学与应用数学（师范） 班级 10数本1班 学号201006034109 姓名张永东 指导教师陈飞翔 (讲师) 2014年5月10日
目录 摘要.................................................................................................................................................. I ABSTRACT. ..................................................................................................................................II １大数定律的应用 .. (3) 1.1引言 (3) 1.2预备知识 (3) 1.2.1相关定义 (3) 1.2.2切比雪夫不等式及其应用 (4) 1.3几类重要的大数定律的应用 (4) 1.3.1切比雪夫大数定律及其在测绘方面的应用 (4) 1.3.2伯努利大数定律及其在重复事件方面的应用 (6) 1.3.3辛钦大数定律及其在数学分析方面的应用 (6) 1.4大数定律的意义 (8) 2 中心极限定理的应用 (8) 2.1前言 (8) 2.2几类重要的中心极限定理的应用 (9) 2.2.1林德伯格定理及其在保险方面的应用 (9) 2.2.2列维定理及其在极限求解方面的应用 (10) 2.2.3棣莫弗-拉普拉斯定理及其在实际生活方面的应用 (11) 2.2.4 李雅普诺夫中心极限定理及其在具体分布方面的应用 (14) 3 大数定律和中心极限定理的比较应用 (15) 3.1大数定律和中心极限定理的比较应用 (15) 结论 (16) 致谢 (17) 参考文献 (18)
中心极限定理的创立和发展 1141010113 万帅 关键词：中心极限定理，创立，严格证明，新的发展，三阶段。 引言：这组定理是数理统计学和误差分析的理论基础，指出了大量随机变量近似服从正态分布的条件。该定理为人们用正态分布来描述和解决大量的概率问题提供了坚实的理论基础。 中心极限定理，是概率论中讨论随机变量和的分布以正态分布为极限的一组定理。这组定理是数理统计学和误差分析的理论基础，指出了大量随机变量近似服从正态分布的条件。该定理为人们用正态分布来描述和解决大量的概率问题提供了坚实的理论基础。 “中心极限定理”这一名称的来源有两种说法。波利亚认为这个定理十分重要，在概率论中具有中心地位，所以他加上了“中心”这一名称，于1920年引入这一术语。另一种说法是，现代法国概率论学派认为极限定理描述了分布函数中心的情况，而不是尾部的情况。 历史上有不少数学家对中心极限定理的研究做出了贡献。中心极限定理的发展主要分为三个阶段。 创立阶段：1733-----1853年 人们通常认为，法国数学家隶莫弗在1733年首次证明了，二项发布近似正态分布。然而，当时正态发布的概念，隶莫弗并不知道自己本质上证明了“中心极限定理” 法国数学家拉普拉斯写了很多论文，想推广棣莫弗的工作。他意识到需要一种新的数学技巧，并在1785年成功地发明了这个技巧：特征函数的简单形式和反演公式。拉普拉斯把他的两个主要研究方向结合起来得到了这个方法-----母函数和积分的监禁展开。通过把母函数中的t换成it e ，就得到了特征函数。然而，直到1810年他才发表了特征函数与反演公示的一般理论，并证明了中心极限定理。他之所以推迟到1810年，有一种解释是，从1786年开始，他就专注于《天体力学》的写作，这本书1805年才完成。1810年，拉普拉斯证明了中心极限定理，先是服从均匀发布的连续随机变量的情形，接着是服从任意分布的随机变量。拉普拉斯的证明显然对独立有界的随机变量和成立，证明过程使用了现在所谓的特征函数，或傅里叶变换，即itXEe(t为实数）。在1812年，他先后考虑了对称的、离散的均匀分布，对称的连续分布，任意分布情形。最后，拉普拉斯在他的名著《概率的分析理论》中对任意的p证明了如下中心极限定理：【1】 泊松完善和推广了拉普拉斯关于中心极限定理的证明。在所有考虑的情况里，都假设随机变量是独立的。泊松证明了服从相同分布的随机变量的情况，还推广到服从不同分布的随机变量的情况。1824年，泊松证明了连续随机变量的中心极限定理，并给出了三个反例，其中包括服从柯西分布的随机变量和，这时中心极限定理不成立。受当时传统的影响，泊松没有明确阐明中心极限定理成立的条件。但是，从他的证明和例子中，可以看到，他假设每个变量的方差都是有界的，且不等于零。其他数学家也做了这方面工作，比如贝塞尔和柯西。拉普拉斯等人给出证明的前提假设是，和的分布是有限的，因此所有的矩都存在。他们把结果推广到无限情形，但没有给出证明，并隐含假定了矩的存在。以现在的观点来看，只要沿着拉普拉斯的方向继续下去，法国数学家们是可以给出中心极限定理的严格证明的，比如柯西，他知道特征函数和稳定率。 从当时环境来看，大约1870年代，概率学家还处于心理上的劣势，苦于自己的研究领
2006年4月第29卷第2期北京邮电大学学报 Journal of Beijing U niv ersity of Posts and T elecommunications Apr.2006Vo l.29N o.2 文章编号:1007 5321(2006)02 0110 04 AWGN 信道仿真数据量研究 梁 栋, 林家儒 (北京邮电大学信息工程学院,北京100876) 摘要:研究了蒙特卡罗仿真原理和仿真结果置信度;结合A WGN (加性白高斯噪声)信道特点,甄选出3个合适的参量,即误码个数、置信概率和仿真结果最大相对误差;提出了A WGN 信道下仿真数据量选取的一般性结论,即误码个数正比于置信区间上分位点的平方、反比于最大相对误差的平方.仿真结果验证了所提结论在AWG N 信道各种信噪比下均有效;同时对于无线通信或移动通信的时变多径衰落信道,如采用OF DM (正交频分复用)、分集、均衡、交织等技术,能将信道改造为AWG N 信道,该结论依然有效.关 键 词:加性白高斯噪声;蒙特卡罗仿真;仿真数据量;置信概率中图分类号:T P391 9 文献标识码:A Investigation on Simulation Number in AWGN Channel LIANG Dong, LIN Jia ru (S chool of Information Engineering,Beijing University of Posts and Telecommunicati ons,Beijing 100876,China) Abstract :Investigations on principle of Monte Carlo simulation was made w hen considering characteri stics of AWGN (additive w hite Gaussian noise)channel and the affects of three suitable parameters:error number,confidence probability and max relative error of simulation result.And common conclu sion w as reached:error number would present direct ratio to square of confidence upper limit,on the other hand,inverse ratio to square of max relative error.The result of computer simulation demon strates that the conclusion is effective under conditions of AWGN channel.U nder conditions of fading multipath channel,if some techniques such as OFDM (orthogonal frequency division m ultiplex ing),diversity,equalization,and interleaving w ere used to turn channel into AWGN channel,the conclusion w ill be also effective. Key words :additive w hite Gaussian noise;Monte Carlo simulation;simulation number;confidence probability 收稿日期:2005 03 30 基金项目:国家 863计划 项目(2001AA123016);国家自然科学基金项目(60372099)作者简介:梁 栋(1981!),男,博士生,E mail:ldumufeng@https://www.doczj.com/doc/7f17326973.html,. 为检测通信系统的通信能力,通常需要通过蒙特卡罗仿真分析设计的通信系统是否达到预想的效果.然而在通信仿真中,针对不同的信道环境,仿真数据量应该如何选取是一个既复杂又实际的问题,仿真量选取不够,仿真结果的可信度低,与真实结果的偏差大;仿真量选取过大,将浪费大量时间和物力.然而遗憾的是,在不同信道环境下如何合理地选取仿真量,至今没有全面完善的回答.本文针对 通信中最常见的AWGN 信道应该如何选择仿真数据量进行了理论分析和仿真,获得了既简洁又具一般性的结论. 1 蒙特卡罗仿真原理及仿真结果置信 度分析 对于随机变量X ,设E (X )=u <+?,D(X )= 2<+?,取X 的M 个独立同分布的样本
题目：中心极限定理及意义 课程名称：概率论与数理统计 专业班级： 成员组成： 联系方式： 2012年5月25日 摘要： 本文从随机变量序列的各种收敛与他们的关系谈起，通过对概率经典定理——中心极限定理在独立同分布和不同分布两种条件下的结论做了比较系统的阐述，揭示了随机现象最根本的性质——平均结果的稳定性。经过对中心极限定理的讨论，给出了独立随机变量之和的分布用正态分布来表示的理论依据。同样中心极限定理的内容也从独立分布与独立不同分布两个角度来研究。同时通过很多相关的正反例题，进行说明这些定理所给出的条件是否是充要条件；签掉在实际问题中灵活的应用和辨别是否服从我们给出的定理条件。最后了解一些简单简便的中心极限定理在数理统计、管理决策、仅是计算以及保险业务等方面的应用，来进一步的阐明了中心极限定理分支学课中的中重要作用和应用价值。
关键词： 随机变量，独立随机变量，特征函数，中心极限定理 引言： 在客观实际中有许多随机变量，他们是由大量的相互独立的随机因数的综合 影响所形成的，而其中每一个别因数在总的影响中所起的作用都是渺小的，这种随机变量往往近似地服从正态分布，这种现象就是中心极限定理的客观背景。 中心极限定理自提出至今，其内容已经非常丰富。在概率论中，把研究在什么条件下，大量独立随机变量和的分布以正态分布为极限的这一类定理称为中心极限定理。但其中最常见、最基本的两个定理是德莫佛-拉普拉斯中心极限定理和林德贝格-勒维中心极限定理。 一、三个重要的中心极限定理 1.独立同分布的中心极限定理 设随机变量??????,,,,21n X X X 相互独立，服从统一分布，具有数学期望和方差 ()()) ,2,1(0,2???=>==k X D X E k k σμ，则随机变量之和 ∑=n k k X 1 的标准化变量， σ μ n n X X D X E X Y n k k n k k n k k n k k n -=?? ? ????? ??-=∑∑∑∑====1 111 的分布函数)(x F n 对于任意x 满足， ()x dt e x n n X P x F t x n k k n n n Φ==????????? ?? ??? ≤-=-∞-=∞→∞→?∑2/1221lim )(lim πσμ 2.李雅普诺夫定理 设随机变量??????,,,,21n X X X 相互独立，它们具有数学期望和方差 ()()) ,2,1(0,2???=>==k X D X E k k k k σμ，
中心极限定理及其意义
————————————————————————————————作者：————————————————————————————————日期：
题目：中心极限定理及意义 课程名称：概率论与数理统计 专业班级： 成员组成： 联系方式： 2012年5月25日 摘要： 本文从随机变量序列的各种收敛与他们的关系谈起，通过对概率经典定理——中心极限定理在独立同分布和不同分布两种条件下的结论做了比较系统的阐述，揭示了随机现象最根本的性质——平均结果的稳定性。经过对中心极限定理的讨论，给出了独立随机变量之和的分布用正态分布来表示的理论依据。同样中心极限定理的内容也从独立分布与独立不同分布两个角度来研究。同时通过很多相关的正反例题，进行说明这些定理所给出的条件是否是充要条件；签掉在实际问题中灵活的应用和辨别是否服从我们给出的定理条件。最后了解一些简单简便的中心极限定理在数理统计、管理决策、仅是计算以及保险业务等方面的应用，来进一步的阐明了中心极限定理分支学课中的中重要作用和应用价值。
关键词： 随机变量，独立随机变量，特征函数，中心极限定理 引言： 在客观实际中有许多随机变量，他们是由大量的相互独立的随机因数的综合 影响所形成的，而其中每一个别因数在总的影响中所起的作用都是渺小的，这种随机变量往往近似地服从正态分布，这种现象就是中心极限定理的客观背景。 中心极限定理自提出至今，其内容已经非常丰富。在概率论中，把研究在什么条件下，大量独立随机变量和的分布以正态分布为极限的这一类定理称为中心极限定理。但其中最常见、最基本的两个定理是德莫佛-拉普拉斯中心极限定理和林德贝格-勒维中心极限定理。 一、三个重要的中心极限定理 1.独立同分布的中心极限定理 设随机变量??????,,,,21n X X X 相互独立，服从统一分布，具有数学期望和方差 ()()) ,2,1(0,2???=>==k X D X E k k σμ，则随机变量之和 ∑=n k k X 1 的标准化变量， σ μ n n X X D X E X Y n k k n k k n k k n k k n -=?? ? ????? ??-=∑∑∑∑====1 111 的分布函数)(x F n 对于任意x 满足， ()x dt e x n n X P x F t x n k k n n n Φ==????????? ?? ??? ≤-=-∞-=∞→∞→?∑2/1221lim )(lim πσμ 2.李雅普诺夫定理 设随机变量??????,,,,21n X X X 相互独立，它们具有数学期望和方差 ()()) ,2,1(0,2???=>==k X D X E k k k k σμ，
本科生毕业论文（设计） 题目大数定律与中心极限定理的 关系及应用 姓名学号 院系数学科学学院 专业数学与应用数学 指导教师职称 2013年4 月16 日 曲阜师范大学教务处制
目录 摘要 (3) 关键词 (3) Abstract (3) Key words (3) 引言 (3) 1 大数定律与中心极限定理的关系 (4) 1.1预备知识 (4) 1.1.1大数定律 (4) 1.1.2中心极限定理 (5) 1.2大数定律与中心极限定理的关系 (6) 1.2.1服从大数定律不服从中心极限定理的例子 (7) 1.2.2服从中心极限定理不服从大数定律的例子 (8) 1.2.3大数定律与中心极限定理均不服从的例子 (9) 2 大数定律与中心极限定理在实际生活中的应用 (10) 2.1 在误差分析中的应用 (10) 2.2 在数学分析中的应用 (11) 2.3 在近似计算中的应用 (13) 2.4 在保险业中的应用 (14) 2.5 在企业管理方面的应用 (15) 结论 (16) 致谢 (16) 参考文献 (17)
大数定律与中心极限定理的 关系及应用 摘要：本文通过对大数定律与中心极限定理在独立同分布和不同分布两种情况下的结论作了比较系统的阐述，揭示了随机现象最根本的性质——平均结果的稳定性。经过对中心极限定理的讨论，给出了独立随机变量之和的分布可以用正态分布来表示理论依据。另外，叙述了大数定律与中心极限定理之间的关系，同时通过举出很多相关的反例说明二者的关系。最后给出了一些简便的大数定律与中心极限定理在误差分析、数学分析、近似计算、保险业及企业管理等几个方面的应用,来进一步地阐明了大数定律与中心极限定理在各分支学科中的重要作用和应用价值。 关键词：大数定律中心极限定理随机变量应用 Relationship and Applications between the Law of Large Number and Central Limit Theorem Student majoring in mathematics and applied mathematics Bai Yanfei Tutor Liu Li Abstract: Based on the law of large numbers and central limit theorem in the independent distribution with the different distribution of both cases, it makes more systematic exposition, and reveals the phenomenon of the random nature of the most fundamental an average of the results of the Stability. Through the central limit theorem discussion, it gives out the random variables and the distribution of the normal distribution. At the same time, it demonstrates the relationship between the two aspects through lots of anti-related examples. Finally, it gives out several aspects of applications of a number of simple law of large numbers and the central limit theorem in error analysis, mathematical analysis, the approximate calculation, the insurance industry and business management to further clarify the law of large numbers and the central limit theorem in all branches of the important role and value. Key words: Laws of large number; Central-limit theorem; Random variables; Applications 引言概率论与数理统计是研究随机现象的统计规律的一门学科,而随机现象的统计规律性只有在相同条件下进行大量重复试验或观察才呈现出来。在随机事件的大量重复出现中，往往呈现几乎必然的规律，这个规律就是大数定律。大数定律是概率论中一个非常重要的课题，而且是概率论与数理统计之间一个承前启后的重要纽带。大数定律阐明了大量随机现象平均结果具有稳定性，证明了在大样本条件下，样本平均值可以看作总体平均值,它是“算数平均值法则”的基本理论，通俗地说，这个定理就是在试验不变的条件下，重复试验多次，随机事件的频率以概率为稳定值。在现实生活中经常可以见到这一类型的数学模型，比如，我们向上抛一枚硬币，硬币落下后哪一面朝上本来是偶然的，但当我们向上抛硬币的次数足够多时，达到上万次甚至几十万几百万次之后，我们会发现，硬币向上的次数约占总次数的二分之一，偶然中包含着必然。 而中心极限定理是概率论中讨论随机变量序列部分和的分布渐近于正态分
中心极限定理的仿真实验 目的：模拟投掷一枚骰子出现的点数的试验，重复进行104次，统计出现的点数和，并将数据标准化处理后，画出频率直方图，通过观察比较验证数据的正态性。 所用的软件：Microsoft EXCEL 步骤如下： 1 打开excel软件,在A2格子中输入=INT(6*RAND())+1，按回车就会产生一个1-6中的某一个随机整数，并且出现1-6中每一个整数的概率是相同的。 2鼠标点击A2格子，并移动到格子的右下角，出现”+”后往下拖动鼠标直到出现A501时停下来，这样就得到了500个随机数据，都是在1-6中随机取值的。（当然你越往下拖，产生的随机整数越多，试验效果越好） 3 在第二列重复第1步和第2步，第三列，第四列……直到CZ列都和第二列同样操作，这样产生了104列随机数据。 4 在DB列分别求出每行数据的和，用的函数是“SUM”，接着依次求出500行数据的和。 5 复制DB列到DC列，注意值复制数值。 6 对DC列数据进行排序， 7对DC列数据进行标准化处理，即每个数据减去平均值再除以标准差（均值函数为average,样本方差函数为var）
8处理后的数据放在DE列。根据最大值和最小值，把数据分到20个区间，这里数据范围从-2.7到2.7，故每个区间长度为0.27，这样得到（-2.7，-2.43],……,(2.43,2.7)共20个区间(也可以分15个区间，这时区间长度为0.36）。 9统计每个区间里的数据个数，用函数countif(区域，条件），详见EXCEL文件。 10 画出频率直方图，大家可以看到，投掷104次骰子后出现的点数和数据标准化后出现标准正态分布的特征。 请大家按照以上方法，产生200列数据，每列1000个数据，按照以上步骤做好中心极限定理的仿真实验。按个步骤写出实验过程，并将计算结果或图标截图后放在每个步骤后面，完整一份实验报告。
均匀分布中心极限定律的实现： clc clear n=200000; %/* ???′′?êy*/ k=100; %/* ?ù±???êy*/ mu=0; u=0; sigma=1/12; population=0:0.001:1; for i=1:n y = randsample(population,k,1); mu=[mu,mean(y)]; end mu=(mu-0.5)/(sqrt(sigma)/sqrt(k)); %hist(mu(2:end),1000) [f, x1] = ksdensity(mu(2:end)); plot(x1, f) hold on plot(x1,normpdf(x1,0,1),'r') hold off %%%%%%%%%%%%%%%%%%%%%%%% 两点分布的实现： clc clear n=10000; %/* ???′′?êy*/ k=100; %/* ?ù±???êy*/ mu=0; u=0; p=0.5; sigma=p*(1-p); population=0:1; for i=1:n y = randsample(population,k,1); mu=[mu,mean(y)]; end mu=(mu-p)/(sqrt(sigma)/sqrt(k)); %hist(mu(2:end),1000) [f, x1] = ksdensity(mu(2:end)); plot(x1, f) hold on plot(x1,normpdf(x1,0,1),'r') hold off %%%%%%%%%%%%%%%%%%%%%%%%%%%%% 两点分布1以概率0.4发生
第八章 系统仿真结果分析 采用统计方法来估计系统的性能，利用统计分析方法要求样本数据具有统计独立性，但实际上在很多情况下这个条件并不能满足。 解决这一难题的途径无非两条：一是对样本序列进行处理，使之尽量满足统计独立性条件；二是在经典统计方法的基础上进行修正使之适合于处理相关的样本序列。 终态仿真是指仿真实验在某个持续事件段上运行。 稳态仿真则是通过系统的仿真实验，希望的得到一些系统性能测度指标在系统达到稳态时的估计值。 有必要采用方差减小技术，即在相同的仿真运行次数下获得较小方差的仿真输出结果。 §8.1终态仿真的结果分析 8.1.1 重复运行法 所谓重复运行方法是指选用不同的独立随机数序列，采用相同的参数、初始条件以及用相同的采样次数n 对系统重复进行仿真运行。 对于一终态仿真的系统，由于每次运行是相互独立的，因此可以认为每次仿真运行结果()n i X i ,,2,1???=是独立同分布的随机变量，是服从正态分布的随机变量。随机变X 量的期望值E (X )地估计值μ为： n n S t X n j n j n /)(2 1 1,11 2 ∑ =--±= α μ (8.1)
其中， ()[]()1/)(2 1 2--= ∑=n X n X n S n j j (8.2) ∑ == n j j n X X 1 1 (8.3) α为置信水平。 根据中心极限定理，若产生的样本点X j 越多，即仿真运行的次数越多，则X j 越接近于正态分布，因此在终态仿真中使用仿真方法运行的重复次数n 不能选取得太小。 8.1.2序贯程序法 在终态仿真结果分析得重复运行法中，通过规定次数得仿真 可以得到随机变量取值的置信区间，置信区间的长度与仿真次数的平方根成反比。显然，若要缩小置信区间的长度就必然增加仿真次数n 。这样就产生了另一个方面的问题，即在一定的精度要求下，规定仿真结果的置信区间，无法确定能够达到精度要求的仿真次数。这样就可以对置信区间的长度进行控制，避免得出不适用的结论。 一般说来，在同样精度要求下，采用序贯程序法得出的仿真重复运行次数比利用解析法得到的次数要少。 由式(8.1)可知，样本X 的100(1-α)%置信区间的半长为： () X t n σβα?=-2 /,1 (8.4) 式中 ()n S X /= σ (8.5) S 为样本的标准差，n 为重复运行次数。设给定一准确的临界值ε，即限定置信区间的长度为[]εε+-X X ,，并给定精度(1-α)。为了达到此精度要求，需要取足够大的仿真运行次数n ，使之满足：