การพิสูจน์ทฤษฎีบทขีด จำกัด กลางไม่ได้ใช้ฟังก์ชันลักษณะพิเศษ


11

มีข้อพิสูจน์ใด ๆ เกี่ยวกับ CLT ที่ไม่ได้ใช้ฟังก์ชั่นคุณสมบัติเป็นวิธีที่ง่ายกว่าหรือไม่

อาจจะเป็นวิธี Tikhomirov หรือสไตน์?

มีบางอย่างในตัวที่คุณสามารถอธิบายให้นักศึกษามหาวิทยาลัย (ปีแรกของคณิตศาสตร์หรือฟิสิกส์) และใช้เวลาน้อยกว่าหนึ่งหน้า


2
ผมร่างออกวิธีการประถมศึกษาดังกล่าวในstats.stackexchange.com/a/3904/919 เนื้อหาที่ใช้ฟังก์ชั่นการสร้าง cumulant เป็นวิธีที่ง่ายที่สุดที่เป็นไปได้: "เรียบง่าย" ของคุณอาจจะตั้งใจที่จะอ่าน "ระดับประถมศึกษาเพิ่มเติม"
whuber

2
ภายใต้เงื่อนไขที่ จำกัด มากขึ้นกว่าเมื่อใช้ฟังก์ชั่นลักษณะคุณสามารถใช้ฟังก์ชั่นสร้างช่วงเวลาแทน (แน่นอน CLT แรกที่ฉันเห็นเป็นรูปแบบนี้) - แต่การแสดงออกค่อนข้างคล้ายกัน
Glen_b -Reinstate Monica

@Glen_b ฉันก็คิดว่ามันจะง่ายขึ้นในช่วงเวลา อย่างไรก็ตามฉันจะปล่อยให้เปิดคำถามในกรณีที่ใครโพสต์การสาธิตที่แตกต่างกัน
skan

เป็นหลักฐานก็ไม่จริงได้ง่ายขึ้น (หลักฐานที่มี CFS สามารถเขียนในรูปแบบเดียวกับหลักฐานที่มี mgfs) แต่อาจจะดีกว่าสำหรับนักเรียนที่ไม่อาจมีพื้นหลังที่มีฟังก์ชั่นที่เกี่ยวข้องกับฉันนั่นคือคุณอาจบันทึกการแนะนำแนวคิดใหม่ แต่ถ้าพวกเขามีแนวคิดเหล่านั้นอยู่แล้วหลักฐานของคำสั่งที่สอดคล้องกับ cfs ไม่จริงยากที่จะทำ (แม้ว่ามันจะเป็นเรื่องทั่วไปมากขึ้น) ไม่ว่าจะดีกว่านี้ขึ้นอยู่กับนักเรียนที่คุณกำลังติดต่อด้วย i
Glen_b -Reinstate Monica

ฉันจำได้ว่าศาสตราจารย์สถิติระดับบัณฑิตศึกษาปีแรกของฉันแสดง "หลักฐาน" ของ CLT ด้วยการแสดงการแจกแจงตัวอย่างของค่าเฉลี่ยด้วยภายใต้โมเดลความน่าจะเป็นที่หลากหลาย ปกติของหลักสูตรมีแนวโน้มไม่ แต่ชี้แจง Bernoulli และการกระจายหนักนกต่างๆ "ปิดโค้งมน" เพื่อรูปร่างที่คุ้นเคยสายตาละเพิ่มขึ้นในnn=10,100,1000n
AdamO

คำตอบ:


6

คุณสามารถพิสูจน์ได้ด้วยวิธีการของสไตน์ แต่ก็เป็นที่ถกเถียงกันอยู่ว่าการพิสูจน์เป็นระดับประถมศึกษา ด้านบวกของวิธีการของสไตน์คือคุณได้รับรูปแบบที่อ่อนแอกว่าเล็กน้อยของขอบเขต Esseen Berry เป็นหลักฟรี นอกจากนี้วิธีการของสไตน์ก็ไม่มีอะไรขาดเวทมนต์ดำ คุณสามารถหาคำอธิบายได้ในส่วนที่ 6 ของลิงค์นี้ คุณจะพบหลักฐานอื่น ๆ ของ CLT ในลิงค์เช่นกัน

นี่เป็นโครงร่างสั้น ๆ :

1) พิสูจน์โดยใช้การบูรณาการที่เรียบง่ายโดยชิ้นส่วนและความหนาแน่นของการกระจายปกติที่สำหรับทุกอนุพันธ์ได้อย่างต่อเนื่อง IFF เป็นกระจาย มันง่ายกว่าที่จะแสดงปกติแสดงถึงผลลัพธ์และการแสดงสนทนาได้ยากขึ้นเล็กน้อย แต่บางทีมันอาจเกิดขึ้นได้จากศรัทธาEf(A)Xf(A)=0AN(0,1)A

2) โดยทั่วไปถ้าสำหรับทุกอนุพันธ์ได้อย่างต่อเนื่องกับกระโดดแล้วลู่ไปในการจัดจำหน่าย หลักฐานที่นี่เป็นอีกครั้งโดยบูรณาการโดยชิ้นส่วนกับเทคนิค โดยเฉพาะเราจำเป็นต้องรู้ว่าการบรรจบกันในการกระจายเทียบเท่ากับสำหรับการทำงานอย่างต่อเนื่องล้อมรอบทั้งหมดกรัมแก้ไขสิ่งนี้ถูกใช้เพื่อจัดรูปแบบใหม่:Ef(Xn)Xnf(Xn)0ff,fXnN(0,1)Eg(Xn)Eg(A)gg

Eg(Xn)Eg(A)=Ef(Xn)Xnf(Xn),

ที่หนึ่งแก้สำหรับโดยใช้ทฤษฎี ODE พื้นฐานแล้วแสดงเป็นสิ่งที่ดี ดังนั้นถ้าเราสามารถหาดีได้โดยสมมติว่า rhs ไปที่ 0 แล้วด้านซ้ายก็เช่นกันfff

3) ในที่สุดพิสูจน์ทฤษฎีบทขีด จำกัด กลางสำหรับโดยที่เป็น iid ที่มีค่าเฉลี่ย 0 และความแปรปรวน 1 นี่ใช้ประโยชน์จากเล่ห์เหลี่ยมในขั้นตอนที่ 2 อีกครั้ง สำหรับทุกเราพบเช่นนั้น:Yn:=X1++XnnXigf

Eg(Xn)Eg(A)=Ef(Xn)Xnf(Xn).

6

นี่คือวิธีที่ฉันจะทำถ้าฉันอยู่ในโรงเรียนมัธยม

ใช้การกระจายใด ๆ ที่มีความหนาแน่นของได้รับของค่าเฉลี่ยและความแปรปรวน 2 ถัดไปใกล้เคียงกับตัวแปรสุ่มซึ่งมีรูปแบบต่อไปนี้: ที่เป็นตัวแปรสุ่ม Bernoulliกับพารามิเตอร์2/1 คุณจะเห็นว่าและ 2f(x)μx,σx2z

z=μxσx+2σxξ,
ξp=1/2μz=μxσz2=σx2

ตอนนี้เราสามารถดูผลรวม

Sn=i=1nzi
=n(μxσx)+2σxi=1nξi

คุณสามารถรับรู้การกระจายทวินามที่นี่:ที่1/2) คุณไม่จำเป็นต้องลักษณะการทำงานจะเห็นว่ามันลู่เพื่อรูปร่างกระจายปกติη=i=1nξiηB(n,1/2)

ดังนั้นในบางกรณีคุณสามารถพูดได้ว่าเบอร์นูลลีนั้นเป็นค่าประมาณที่แม่นยำน้อยที่สุดสำหรับการแจกแจงใด ๆ และแม้กระทั่งมันกลับกลายเป็นปกติ

ตัวอย่างเช่นคุณสามารถแสดงให้เห็นว่าช่วงเวลาที่ตรงกับปกติ เรามาดูตัวแปร:y=(Sn/nμx)n

y=σx(1+2η/n)n

มาดูกันว่าค่าเฉลี่ยและความแปรปรวนคืออะไร:

μy=σx(1+2(n/2)/n)n=0
Var[y]=σx2Var[2η/n]n=4σx2/nn(1/4)=σx2

ความเบ้และความเกินส่วนเกินมาบรรจบกันเป็นศูนย์ด้วยมันง่ายที่จะแสดงโดยเสียบสูตรที่รู้จักสำหรับ Binomialn


น่าสนใจ เป็นไปได้ไหมที่จะเปลี่ยนความคิดนี้ในการพิสูจน์ที่สมบูรณ์?
Elvis

@ เอลวิสฉันพยายามคิดเหมือนตัวเองเมื่อหลายปีก่อนและฉันก็ไม่ได้พิสูจน์อะไรมากมาย สิ่งหนึ่งที่ฉันคิดคือการแสดงการกระจายอย่างต่อเนื่องเป็นการรวมกันของ bernoullis แต่ไม่แน่ใจว่าเป็นไปได้ไหม
Aksakal

สิ่งที่คุณเขียนด้านบนอาจดีกว่ามาก ไม่จำเป็นต้องประมาณการกระจายอย่างใกล้ชิด: การประมาณคร่าวๆโดยตัวแปรที่รับค่าสองค่าที่แตกต่างกันจะทำงานได้
Elvis

นั่นคือถ้าเป็นไปได้ที่จะได้รับขอบเขตความแม่นยำของการประมาณปกติ เช่นเดียวกับการประมาณปกติอย่างน้อยก็ดีสำหรับการแจกแจงแบบดั้งเดิมเพราะมันเป็นแบบ Bernoulli ที่ปรับขนาด หรืออาจเป็นสิ่งที่อ่อนแอกว่า แต่ก็ยังสามารถสรุป
Elvis
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.