为什么一个离散的分布会跟一个连续的分布扯上关系呢?这个结论最早由法国数学家棣莫弗在1738年证明,他发现,如果不断地抛一枚硬币,那么得到的正面次数服从二项分布,只要抛得次数够多,那最终将逼近正态分布。也就是说,假如赌博胜和负的概率是对半分的,那么赌博
次的盈亏最终就是上面这个分布。
棣莫弗( de 1667-1754)丨图片来源:维基百科
不过这一结论在当时并没有引起重视,毕竟并不是所有赌徒都能像梅雷一样交上帕斯卡这样的朋友。百年之后,拉普拉斯试图挽救这个定理的人气,依然没有成功。为了纪念这对“难兄难弟”,现在人们把这个定理称为棣莫弗-拉普拉斯定理。
这种逼近的本质究竟是什么呢?我们看到,不管是高尔顿板,还是多次赌博,二项分布拆成每一步都是简单的
概率事件。那么就可以说,二项分布是这样的一步一步“加”起来的。
如果是比
更复杂的分布,把它们大量加起来是否仍然有类似的性质呢?高斯等人在研究实验物理学时发现,如果对一个物理量进行多次测量,最终的测量误差总是像这样的:
误差演示丨作图
在物理学中,误差来自于无关因素的微小扰动。这些扰动加起来,就是整体的误差。这个整体误差虽然层次不齐,但形状与正态分布还是大致吻合的。从那以后,实验的误差一般都当作是正态分布。为了纪念高斯的贡献,也把正态分布称为高斯分布。
至此,我们已经大概能想象到,正态分布的逼近与这种“加”的性质有关,剩下证明就是数学家的事了。如今,我们把这一系列逼近正态分布的性质称为“中心极限定理”,结论从最初的二项分布,已经扩展到了任意分布(包括同分布和不同分布)的广阔天地。就如同上一段中的误差——即便我们对微观下的扰动一无所知,也能通过这种极限形式,了解大样本下的整体行为。
应用这一思想的最为经典的例子当属统计力学。假如有一大堆粒子,每个都杂乱无章地运动,我们自然无从知晓每一个粒子的运动状况。不过,如果把每一个粒子的动量当作是一个随机分布的话,那就可以把所有这些分布“加”起来当做整体的动量。如此一来,中心极限定理岂不是大有用处?
的确如此。如果对理想气体应用中心极限定理,得到的正是大名鼎鼎的麦克斯韦速度分布:
这正是均值为
,方差为
的正态分布。结论并不出乎意料,毕竟速度是矢量,并没有明显的方向取向,所以均值是
。方差的意义略微复杂一些,就此略过,不过可以直观地理解:对于温度越高,粒子质量越小的气体,其速度就越不稳定。
要想得到速率(速度大小)的分布,只需要考虑速度分布这个三维空间中的一个球壳就行了。即是说,在上面那个式子基础上乘
———END———
限 时 特 惠: 本站每日持续更新海量各大内部创业教程,永久会员只需109元,全站资源免费下载 点击查看详情
站 长 微 信: nanadh666