matlab中的中心极限定理

Question

我试图通过比较三个 RV 和正态分布的直方图来证明 matlab 中的 CLT。

这是我的代码：

clc;clear;
len = 50000;

%y0 : Exponential Distribution
lambda = 3;
y0=-log(rand(1,len))./lambda;


%y1 :  Rayleigh Distribution
mu = 0;
sig = 2;
var1 = mu + sig*randn(1,len);
var2 = mu + sig*randn(1,len);
t1 = var1 .^ 2;
t2 = var2 .^ 2;
y1 = sqrt(t1+t2);


% %y2: Normal Distribution
y2 =  randn(1,len);


%y3 : What result excpected to be:
mean0 = (sum(y0)+ sum(y1)+ sum(y2)) / (len * 3);%how do I calculate this?
var0 =  1;%how do I calculate this?
y3 = mean0 + var0*randn(1,len);
delta = 0.1;
x3 = min(y3):delta:max(y3);
figure('Name','Normal Distribution');
hist(y3,x3);


%Central Limit Theorem:
%what result is:
res = y0+y1+y2;
xn = min(res):delta:max(res);
figure('Name','Final Result');
hist(res,xn);

我有两个主要问题。

1. 如何计算 y3 的均值和方差（应该是什么结果）

2. 我的代码正确吗？

Answer 1

由于y0、y1 和y2 是行向量，你必须这样做：

mean0 = mean([y0 y1 y2]);
variance0 = var([y0 y1 y2]);

当您创建 [y0 y1 y2] 时，您正在创建一个大向量，其中所有之前的样本都在一个向量中（就好像它们是来自一个单一分布的样本一样）。

现在只需将其插入您想要的函数（均值和方差），如上所示。

---

关于统计部分：我认为你搞错了一些事情。 中心极限定理适用于按相同分布分布的变量之和。它确实可以是任何分布 D，但所有变量必须具有相同的分布 D。您正在尝试对不同的分布求和。

定理说：

我为根据指数分布分布的变量编写了一个示例。 运行它，你观察到当你增加 N 时，得到的分布趋向于预期的正态分布。对于 N=1，您有指数分布（与正态分布非常不同），但对于 N=100，您已经有一个非常接近预期正态分布的分布（您可以看到均值和方差基本相同）现在）。

用于 N=1 的指数的 CLT

用于 N=3 的指数的 CLT

用于 N=10 的指数的 CLT

用于 N=100 的指数的 CLT

预期正态分布（CLT的收敛分布）

clc;clear;
len = 50000;
lambda = 3;

%yA : Exponential Distribution A
yA=-log(rand(1,len))./lambda;

%yB : Exponential Distribution B
yB=-log(rand(1,len))./lambda;

%yC : Exponential Distribution C
yC=-log(rand(1,len))./lambda;

%yD : Exponential Distribution D
yD=-log(rand(1,len))./lambda;

%yE : Exponential Distribution E
yE=-log(rand(1,len))./lambda;

%yF : Exponential Distribution F
yF=-log(rand(1,len))./lambda;

%yG : Exponential Distribution G
yG=-log(rand(1,len))./lambda;

%yH : Exponential Distribution H
yH=-log(rand(1,len))./lambda;

%yI : Exponential Distribution I
yI=-log(rand(1,len))./lambda;

%yJ : Exponential Distribution J
yJ=-log(rand(1,len))./lambda;


%y1 : What result you expect it to be (centred Gaussian with same variation as exponential):
mean0 = 0;
var0 =  var(yA);
y1 = mean0 + sqrt(var0)*randn(1,len);
delta = 0.01;
x1 = min(y1):delta:max(y1);
figure('Name','Normal Distribution (Expected)');
hist(y1,x1);


%Central Limit Theorem:
%what result is:
res1 = (((yA)/1) - mean(yA))*sqrt(1);
res2 = (((yA+yB)/2) - mean(yA))*sqrt(2);
res3 = (((yA+yB+yC)/3) - mean(yA))*sqrt(3);
res4 = (((yA+yB+yC+yD)/4) - mean(yA))*sqrt(4);
res5 = (((yA+yB+yC+yD+yE)/5) - mean(yA))*sqrt(5);
res10 = (((yA+yB+yC+yD+yE+yF+yG+yH+yI+yJ)/10) - mean(yA))*sqrt(10);
delta = 0.01;
xn = min(res1):delta:max(res1);
figure('Name','Final Result for N=1');
hi  st(res1,xn);
xn = min(res2):delta:max(res2);
figure('Name','Final Result for N=2');
hist(res2,xn);
xn = min(res3):delta:max(res3);
figure('Name','Final Result for N=3');
hist(res3,xn);
xn = min(res4):delta:max(res4);
figure('Name','Final Result for N=4');
hist(res4,xn);
xn = min(res5):delta:max(res5);
figure('Name','Final Result for N=5');
hist(res5,xn);
xn = min(res10):delta:max(res10);
figure('Name','Final Result for N=10');
hist(res10,xn);

%for N = 100
y100=-log(rand(100,len))./lambda;
res100 = ((sum(y100)/100) - mean(yA))*sqrt(100);
xn = min(res100):delta:max(res100);
figure('Name','Final Result for N=100');
hist(res100,xn);