ทฤษฎีขีด จำกัด กลางกับกฎหมายจำนวนมาก


14

ทฤษฎีบทขีด จำกัด กลางระบุว่าค่าเฉลี่ยของตัวแปร iid เมื่อไปไม่มีที่สิ้นสุดจะแจกแจงแบบปกติN

สิ่งนี้ทำให้เกิดคำถามสองข้อ:

  1. เราสามารถอนุมานกฎของคนจำนวนมากได้หรือไม่? หากกฎหมายจำนวนมากกล่าวว่าค่าเฉลี่ยของกลุ่มตัวอย่างของค่าตัวแปรสุ่มที่เท่ากับที่แท้จริงหมายถึงเป็นไปที่อินฟินิตี้แล้วมันดูเหมือนว่าแข็งแกร่งยิ่งขึ้นที่จะบอกว่า (ขณะที่เซ็นทรัล จำกัด กล่าวว่า) ว่าค่าที่จะกลายเป็นโดยที่คือส่วนเบี่ยงเบนมาตรฐาน มันยุติธรรมแล้วหรือที่จะบอกว่าขีด จำกัด กลางแสดงถึงกฎหมายจำนวนมาก?μNN(μ,σ)σ
  2. ทฤษฎีขีด จำกัด กลางใช้กับชุดค่าผสมเชิงเส้นของตัวแปรหรือไม่?

5
การยืนยันของคุณว่า "ทฤษฎีบทขีด จำกัด กลางระบุว่าค่าเฉลี่ยของตัวแปร iid เมื่อไปไม่มีที่สิ้นสุดจะกระจายตัวตามปกติ" ไม่ถูกต้อง ดูคำตอบของฉันสำหรับคำถามล่าสุดซึ่งทำให้เกิดปัญหาที่คล้ายกัน อีกคำตอบสำหรับคำถามนั้นถูกโพสต์ แต่ถูกลบในไม่ช้าหลังจากนั้นและการอภิปรายตามคำตอบนั้นก็หายไปแล้วและได้อภิปรายปัญหาเหล่านี้ด้วย N
Dilip Sarwate

1
ทำไมค่าเฉลี่ยตัวอย่างที่รวมกันเป็นค่าเฉลี่ยประชากรเป็นผลลัพธ์ที่อ่อนแอกว่าค่าเฉลี่ยตัวอย่างที่รวมกันเป็นตัวอย่างจากการแจกแจง ? μN(μ,σ)
Dilip Sarwate

@DilipSarwate ขอบคุณสำหรับธง แต่ความคิดเห็นของคุณคือ IMO มากพอที่จะเปิดเผยความเข้าใจผิดในคำถามและคำตอบที่สมเหตุสมผลปรากฏขึ้น

คำตอบ:


10

OP กล่าว

ทฤษฎีบทขีด จำกัด กลางระบุว่าค่าเฉลี่ยของตัวแปร iid เมื่อ N ไปไม่มีที่สิ้นสุดจะแจกแจงแบบปกติ

ฉันจะใช้สิ่งนี้เพื่อหมายความว่ามันเป็นความเชื่อของ OP ว่าสำหรับตัวแปรสุ่ม iidมีค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานฟังก์ชันการแจกแจงสะสมของ ลู่กับฟังก์ชั่นการกระจายสะสมของซึ่งเป็นตัวแปรสุ่มปกติที่มีค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน\หรือผู้เชื่อเชื่อว่าการจัดเรียงสูตรย่อยเช่นการกระจายของจะรวมกับการกระจายของหรือการกระจายของXiμσFZn(a)

Zn=1ni=1nXi
N(μ,σ)μσZnμN(0,σ)(Znμ)/σลู่เข้าสู่การแจกแจงซึ่งเป็นตัวแปรสุ่มมาตรฐานแบบปกติ หมายเหตุเป็นตัวอย่างที่ข้อความเหล่านี้บอกเป็นนัยว่า เป็นN(0,1)
P{|Znμ|>σ}=1FZn(μ+σ)+FZn((μ+σ))1Φ(1)+Φ(1)0.32
n

OP กล่าวต่อไปว่า

สิ่งนี้ทำให้เกิดคำถามสองข้อ:

  1. เราสามารถอนุมานกฎของคนจำนวนมากได้หรือไม่? ถ้ากฏหมายของคนจำนวนมากบอกว่าค่าเฉลี่ยของตัวอย่างของค่าตัวแปรสุ่มเท่ากับค่าเฉลี่ยจริงμเมื่อ N ไปถึงอนันต์ดูเหมือนว่ายิ่งแข็งแกร่งกว่าที่จะบอกว่า (ตามที่ศูนย์กลาง จำกัด บอก) ว่าค่ากลายเป็น N ( μ, σ) โดยที่σคือค่าเบี่ยงเบนมาตรฐาน

กฎที่อ่อนแอของคนจำนวนมากบอกว่าสำหรับตัวแปรสุ่ม iid มีค่าเฉลี่ย จำกัดμ , ได้รับϵ > 0 , P { | Z n - μ | > ε } 0 เป็นn โปรดทราบว่าไม่จำเป็นต้องคิดว่าค่าเบี่ยงเบนมาตรฐานนั้น จำกัดXiμϵ>0

P{|Znμ|>ϵ}0  as n.

ดังนั้นเพื่อตอบคำถามของ OP

  • ทฤษฎีขีด จำกัด กลางตามที่ระบุไว้โดย OP ไม่ได้หมายความถึง กฎหมายที่อ่อนแอของจำนวนมาก ในฐานะที่เป็นรุ่นของ OP ของเซ็นทรัล จำกัด กล่าวว่าทฤษฎีบท P { | Z n - μ | > σ } 0.317 ในขณะที่กฎที่อ่อนแอบอกว่าP { | Z n - μ | > σ } 0nP{|Znμ|>σ}0.317P{|Znμ|>σ}0

  • จากคำแถลงที่ถูกต้องของทฤษฎีบทขีด จำกัด กลางหนึ่งสามารถอนุมานได้ดีที่สุดเพียงรูปแบบที่ จำกัด ของกฎหมายที่อ่อนแอของจำนวนมากที่ใช้กับตัวแปรสุ่มที่มีค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน แต่กฎที่อ่อนแอของคนจำนวนมากก็มีไว้สำหรับตัวแปรสุ่มเช่นตัวแปรสุ่มพาเรโตด้วยวิธี จำกัด แต่ส่วนเบี่ยงเบนมาตรฐานที่ไม่มีที่สิ้นสุด

  • ผมไม่เข้าใจว่าทำไมบอกว่าลู่เฉลี่ยตัวอย่างตัวแปรสุ่มปกติภัณฑ์ส่วนเบี่ยงเบนมาตรฐานเป็นคำสั่งที่แข็งแกร่งกว่าที่บอกว่าลู่เฉลี่ยตัวอย่างค่าเฉลี่ยประชากรซึ่งเป็นค่าคงที่ (หรือตัวแปรสุ่มที่มีศูนย์ส่วนเบี่ยงเบนมาตรฐานถ้า คุณชอบ).


ฉันสงสัยว่าคนที่ downvote คำตอบของฉันพบว่าไม่เหมาะสมหรือไม่ถูกต้องในสิ่งที่ฉันพูด
Dilip Sarwate

7

X¯nnX¯nX¯n+1, พูด. ดังนั้นไม่การรวมกันในการกระจายไม่ได้หมายความว่ากฎจำนวนมากยกเว้นว่าคุณมีพื้นที่ความน่าจะเป็นทั่วไปสำหรับตัวแปรทั้งหมด


(+1) สิ่งที่คุณพูดนั้นเป็นความจริงและเป็นจุดสำคัญมาก อาร์เรย์สามเหลี่ยมอนุญาตให้ตัวแปรต่าง ๆ ในแต่ละ "แถว" มีชีวิตอยู่ในช่องว่างความน่าจะเป็นที่แตกต่างจากแถวก่อนหน้า ในทางกลับกันถ้าเราพูดว่านิรนัยที่เรากำลังพิจารณาลำดับของตัวแปรสุ่มไอดด์จากนั้นโดยปริยายพวกมันจะต้องมีอยู่ในพื้นที่ที่มีการใช้ร่วมกันโดยทั่วไปเพื่อให้เห็นถึงความเป็นอิสระ
พระคาร์ดินัล

@ cardinal: ดังนั้นถ้าฉันเข้าใจอย่างถูกต้องในกรณี "ง่าย" ที่ทุกคนถูกกำหนดในพื้นที่เดียวกันเป็นกรณีที่เป็นศูนย์กลางที่แสดงถึงกฎหมายของจำนวนมาก? หรือไม่?
user9097

@ user9097 เนื่องจากตอนนี้เราเข้าสู่อาณาจักรของรายละเอียดที่ดีกฎหมายใดที่มีคนถามเป็นจำนวนมาก กฎหมายที่อ่อนแอหรือกฎหมายที่เข้มแข็ง?
Dilip Sarwate

ประเด็นนั้นเป็นจริงเฉพาะสำหรับกฎที่แข็งแกร่งของคนจำนวนมากไม่ใช่สำหรับกฎหมายที่อ่อนแอ
kjetil b halvorsen

4

n(X¯nEX)N(0,Var(X))X¯nX

XY

n(1nj=1n(aXj+Yj)E(aX+Y))N(0,Var(aX+Y))
na(X¯nEX)+n(Y¯nEY)N(0,a2Var(X)+Var(Y)).

กล่าวอีกนัยหนึ่งการรวมกันเชิงเส้นของตัวแปรสุ่มจะไม่รวมเข้ากับการรวมเชิงเส้นของบรรทัดฐานภายใต้ CLT เพียงหนึ่งปกติ สิ่งนี้สมเหตุสมผลเนื่องจากชุดค่าผสมเชิงเส้นของตัวแปรสุ่มเป็นเพียงตัวแปรสุ่มแบบอื่นที่ CLT สามารถนำไปใช้โดยตรง


1
X¯n=i=1nwniXiwni=1/ni=1,,nคำถามตามธรรมชาติที่คนอาจถามคือเกิดอะไรขึ้นเมื่อเราแทนที่น้ำหนัก "เครื่องแบบ" เหล่านี้กับน้ำหนักอื่น ๆ (โดยพลการมากกว่า) เมื่อใดที่เรายังคงได้รับ CLT CLT ของ Lindeberg สามารถใช้เพื่อรับคำถามนี้
พระคาร์ดินัล

j=1nwnjXjwnj=wj/nwjwjwjXwn

1
EX=0wjw1=1w2=0wjwj=0i=1jwi/j1/4i=1jwi/j1/2011/21/4

01
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.