Centrální limitní věta

Z Wikipedie, otevřené encyklopedie

Centrální limitní věta v teorii pravděpodobnosti označuje tvrzení, podle něhož (za určitých podmínek diskutovaných níže) výběrový průměr po vhodné normalizaci blíží k normálnímu rozdělení. O náhodné veličině s uvedeným chováním říkáme, že má asymptoticky normální rozdělení.

Centrální limitní větu lze vyjádřit různými způsoby.

K důkazu se používají Čebyševovy nerovnosti.

[editovat] Moivreova-Laplaceova věta

Nejjednodušším vyjádřením centrální limitní věty je Moivreova-Laplaceova věta. Podle této věty platí, že pokud součtem $n$ nezávislých náhodných veličin $X i$ s alternativním rozdělením (s parametrem $π$ ) vytvoříme veličinu $X$ , která má binomické rozdělení s parametry $n$ a $π$ , pak pro normovanou náhodnou veličinu

$U = \frac{X-n\pi}{\sqrt{n\pi (1-\pi)}}$

platí vztah

$\lim_{n\to\infty} P(U<u) = \Phi(u)$

pro $-\infty<u<\infty$ , kde $Φ(u)$ je distribuční funkce normovaného normálního rozdělení $\operatorname{N}(0,1)$ .

Podle Moivreovy-Laplaceovy věty tedy při velkém počtu nezávislých pokusů konverguje binomické rozdělení k rozdělení normálnímu.

[editovat] Lévyho-Lindebergova věta

Moivreovu-Laplaceovu větu lze zobecnit na větu Lévyho-Lindebergovu. Pokud je podle této věty náhodná veličina $X$ součtem $n$ vzájemně nezávislých náhodných veličin $X 1, X 2,..., X n$ se shodným rozdělením libovolného typu, s konečnou střední hodnotou $\operatorname{E}(X_i)=\mu$ a konečným rozptylem $D (X i) = σ 2$ , pak pro normovanou náhodnou veličinu

$U = \frac{X-n\mu}{\sqrt{n\sigma^2}}$

platí opět vztah

$\lim_{n\to\infty} P(U<u) = \Phi(u)$

pro $-\infty<u<\infty$ , kde $Φ(u)$ je distribuční funkce normovaného normálního rozdělení $\operatorname{N}(0,1)$ . Veličina $U$ má tedy asymptoticky normální rozdělení.

Za obdobných podmínek má asymptoticky normální rozdělení také náhodná veličina $Y = \frac{X}{n} = \frac{\sum_{i=1}^n X_i}{n}$ .

[editovat] Ljapunovova věta

Nejobecnějším vyjádřením centrální limitní věty je věta Ljapunovova, která říká, že rozdělení součtu (i průměru) vzájemně nezávislých veličin $X i$ konverguje k [[normální rozdělení|normálnímu rozdělení] i tehdy, když veličiny $X i$ nemají stejný zákon rozdělení pravděpodobnosti.

Ljapunovova věta tedy říká, že pokud je náhodná veličina $X$ součtem vzájemně nezávislých veličin $X i$ , které mají konečné střední hodnoty $\operatorname{E}(X_i)$ a konečné rozptyly $D (X i)$ , pak pro normovanou náhodnou veličinu

$U = \frac{X - \sum_{i=1}^n \operatorname{E}(X_i)}{\sqrt{\sum_{i=1}^n D(X_i)}}$

platí vztah

$\lim_{n\to\infty} P(U<u) = \Phi(u)$

pro $-\infty<u<\infty$ , kde $Φ(u)$ je distribuční funkce normovaného normálního rozdělení $\operatorname{N}(0,1)$ .

Je-li navíc splněna tzv. Ljapunovova podmínka

$\lim_{n\to\infty} \frac{\sqrt[3]{\sum_{i=1}^n \operatorname{E}\left({\left|X_i-\operatorname{E}(X_i)\right|}^3\right)}}{\sqrt{\sum_{i=1}^n D(X_i)}} = 0$