การกระจายตัวแบบปกติมาบรรจบกับการกระจายแบบสม่ำเสมอหรือไม่เมื่อค่าเบี่ยงเบนมาตรฐานเพิ่มขึ้นเป็นไม่สิ้นสุด


18

การกระจายตัวแบบปกติมาบรรจบกับการแจกแจงบางอย่างหรือไม่หากการเบี่ยงเบนมาตรฐานเติบโตโดยไม่มีขอบเขต? มันจะปรากฏขึ้นกับผมว่าไฟล์ PDF เริ่มต้นมองเช่นการกระจายชุดที่มีขอบเขตที่กำหนดโดยซิก] มันเป็นเรื่องจริงเหรอ?[2σ,2σ]


2
ไม่ แต่เพื่อที่จะตอบคำถามของคุณอย่างถูกต้องเราจำเป็นต้องรู้ว่าอะไรคือคำนิยามของการบรรจบกันของคุณ โปรดทราบว่าการสนทนาอย่างเป็นทางการจะเกิดขึ้นได้เฉพาะเมื่อด้านขวาไม่เปลี่ยนแปลง ดังนั้นคุณไม่สามารถสร้างคอนเวอร์เจนซ์ให้กับ Unifrom [ ] เพราะของคุณกำลังเปลี่ยนแปลง ค้นหาสูตรของ CLT เพื่อดูว่าฉันหมายถึงอะไรσ,σσ
Aksakal

เท่านั้นถ้าคุณตัดหรือตัดไปบางสิ่งบางo(σ) )
enthdegree

คำตอบ:


4

คำตอบอื่น ๆ อยู่ที่นี่แล้วทำหน้าที่ได้ดีในการอธิบายว่าทำไม RVs แบบเกาส์เซียนไม่เข้าหาอะไรเลยเมื่อความแปรปรวนเพิ่มขึ้นโดยไม่มีข้อผูกมัด แต่ฉันต้องการชี้ให้เห็นสมบัติที่เหมือนกันซึ่งคอลเล็กชั่น Gaussians เช่นนั้นไม่พอใจ พอเพียงให้ใครบางคนเดาว่าพวกเขากลายเป็นชุดยูนิฟอร์ม แต่กลับกลายเป็นว่าไม่แข็งแกร่งพอที่จะสรุปได้

พิจารณาคอลเลกชันของตัวแปรสุ่มที่2) ให้จะเป็นช่วงเวลาของความยาวคงที่แน่นอนและสำหรับบางกำหนดคือเป็นแต่ขยับตัวเพียงกว่าโดยคสำหรับช่วงเวลากำหนดจะเป็นความยาวของและทราบว่า(B)X nN ( 0 , n 2 ) A = [ a 1 , a 2 ] c R B = A + c B A c I = [ i 1 , i 2 ] len ( I ) = i 2 - i 1 I len ({X1,X2,}XnN(0,n2)A=[a1,a2]cRB=A+cBAcI=[i1,i2]len(I)=i2i1Ilen(A)=len(B)

ตอนนี้ฉันจะพิสูจน์ผลลัพธ์ต่อไปนี้:

ส่งผลให้เกิด : เป็น\|P(XnA)P(xnB)|0n

ฉันเรียกสิ่งนี้ว่าเครื่องแบบเหมือนกันเพราะมันบอกว่าการกระจายตัวของมากขึ้นมีช่วงเวลาคงที่สองเท่าของความยาวเท่ากันโดยมีความน่าจะเป็นเท่ากันไม่ว่าพวกมันจะห่างกันเท่าไหร่ นั่นเป็นคุณสมบัติที่เหมือนกันอย่างแน่นอน แต่อย่างที่เราจะเห็นว่าไม่ได้พูดอะไรเกี่ยวกับการกระจายตัวที่แท้จริงของบรรจบกันเป็นชุดที่เหมือนกันXnXn

Pf: โปรดทราบว่าโดยที่ดังนั้น ฉันสามารถใช้ขอบเขต (หยาบมาก) ที่เพื่อรับ X 1N ( 0 , 1 ) P ( X nA ) = P ( a 1n X 1a 2 ) = P ( a 1Xn=nX1X1N(0,1)=1

P(XnA)=P(a1nX1a2)=P(a1nX1a2n)
อี- x 2 / 21 1
=12πa1/na2/nex2/2dx.
อี-x2/21= len ( A )
12πa1/na2/nอี-x2/2dx12πa1/na2/n1dx
=len(A)n2π.

ฉันสามารถทำสิ่งเดียวกันกับที่เพื่อรับ P ( X nB ) len ( B )B

P(XnB)len(B)n2π.

การรวมเข้าด้วยกันฉันมี เป็น (ฉันใช้ความไม่เท่าเทียมกันของสามเหลี่ยมที่นี่)

|P(XnA)-P(XnB)|2len(A)nπ0
n

สิ่งนี้แตกต่างจากในการกระจายแบบสม่ำเสมออย่างไร ฉันเพิ่งพิสูจน์ว่าความน่าจะเป็นที่ได้รับจากช่วงเวลาคงที่สองช่วงใด ๆ ของความยาวอัน จำกัด เดียวกันนั้นเข้ามาใกล้กันมากขึ้นและใกล้ชิดยิ่งขึ้นซึ่งทำให้รู้สึกได้ว่าเมื่อความหนาแน่นนั้น "แบนออก" จากมุมมองของและXnAB

แต่เพื่อให้มาบรรจบกันในการกระจายตัวแบบสม่ำเสมอฉันต้องการเพื่อมุ่งหน้าไปสู่สัดส่วนกับสำหรับช่วงเวลาใด ๆ ของและนั่นเป็นสิ่งที่แตกต่างกันมากเพราะ ความต้องการนี้จะนำไปใช้ใด ๆไม่ได้เป็นเพียงหนึ่งในการแก้ไขในล่วงหน้า (และอื่น ๆ ตามที่กล่าวนี้ยังเป็นไปไม่ได้แม้กระทั่งสำหรับการจัดจำหน่ายด้วยการสนับสนุนมากมายก)XnP(Xnผม)len(ผม)ผมผม


ใช่คุณเกือบจะพูดได้ว่าพวกเขามาบรรจบกันในการกระจายยกเว้นว่าสิ่งที่พวกเขามาบรรจบกันคือการกระจายตัวที่ไม่เหมาะสม การบรรจบกันชนิดหนึ่งที่จะถูกนิยามไว้อย่างดีคือฉันคิดว่าคุณสามารถแสดงให้เห็นว่าตัวชี้วัด Wasserstein จะเข้าใกล้ศูนย์เป็น ? σ
หน้าผา AB

36

ความน่าจะเป็นที่ผิดพลาดโดยทั่วไปคือการคิดว่าการแจกแจงนั้นมีความเหมือนกันเพราะมันดูแบนเมื่อค่าทั้งหมดใกล้ศูนย์ นี่เป็นเพราะเรามักจะเห็นว่าและยังนั่นคือช่วงเวลาเล็ก ๆ รอบคือ 1,000 เท่า แนวโน้มกว่าขนาดเล็กทั่วช่วงปีf ( x ) / f ( y ) = 0.001 / 0.000001 = 1,000 x yf(x)=0.0010.000001=f(y)f(x)/f(y)=0.001/0.000001=1000xy

มันแน่นอนไม่สม่ำเสมอบนเส้นจริงทั้งในขีด จำกัด ที่ไม่มีการกระจายชุดบนinfty) นอกจากนี้ยังไม่ได้ประมาณเครื่องแบบซิก][ - 2 σ , 2 σ ](,)[2σ,2σ]

คุณสามารถดูหลังจากกฎ 68-95-99.7 ที่คุณคุ้นเคย ถ้ามันมีความสม่ำเสมอโดยประมาณในดังนั้นความน่าจะเป็นที่อยู่ในและควรเหมือนกันเนื่องจากสองช่วงเหมือนกัน ความยาว. แต่นี้เป็นกรณีที่ไม่:ยัง0.135[ 0 , σ ] [ σ , 2 σ ] P ( [ 0 , σ ] ) 0.68 / 2 = 0.34 P ( [ σ , 2 σ ] ) ( 0.95 - 0.68 ) / 2 = 0.135[2σ,2σ][0,σ][σ,2σ]P([0,σ])0.68/2=0.34P([σ,2σ])(0.950.68)/2=0.135

เมื่อดูทั่วทั้งเส้นจริงลำดับการแจกแจงปกตินี้จะไม่รวมเข้ากับการแจกแจงความน่าจะเป็นใด ๆ มีสองสามวิธีในการดูสิ่งนี้ เป็นตัวอย่าง cdf ของปกติที่มีค่าเบี่ยงเบนมาตรฐานคือและสำหรับทั้งหมดซึ่งไม่ใช่ cdf ของตัวแปรสุ่มใด ๆในความเป็นจริงมันไม่ใช่ cdf เลยσFσ(x)=(1/2)(1+erf(x/2σ)limσFσ(x)=1/2x

เหตุผลของการไม่ลู่เข้าสู่ "มวลขาดทุน" นี้คือขีด จำกัด ฟังก์ชั่น จำกัด ของการแจกแจงแบบปกตินั้นมีความเป็นไปได้ที่ "หายไป" (เช่นหนีไปไม่มีที่สิ้นสุด) สิ่งนี้เกี่ยวข้องกับแนวคิดของความรัดกุมของการวัดซึ่งให้เงื่อนไขที่จำเป็นสำหรับลำดับของตัวแปรสุ่มในการรวมเข้ากับตัวแปรสุ่มอื่น


1
ค่า "มัน" ไม่ถูกต้องคือ "ค่าทั้งหมดอยู่ใกล้ศูนย์" "มัน" ใน "มันเป็นข้อผิดพลาดทั่วไป" ถูกต้อง
สะสม

15

คำแถลงของคุณpdf เริ่มดูเหมือนการแจกแจงแบบเดียวกันกับขอบเขตที่กำหนดโดย[-2σ,2σ]ไม่ถูกต้องหากคุณปรับให้ตรงกับส่วนเบี่ยงเบนมาตรฐานที่กว้างขึ้นσ

พิจารณาแผนภูมินี้ของความหนาแน่นปกติสองค่าที่มีศูนย์เป็นศูนย์ เส้นโค้งสีแดงสอดคล้องกับค่าเบี่ยงเบนมาตรฐานและเส้นโค้งสีน้ำเงินเท่ากับส่วนเบี่ยงเบนมาตรฐานและแน่นอนว่ากรณีที่เส้นโค้งสีน้ำเงินเกือบราบกับ110[-2,2]

ป้อนคำอธิบายรูปภาพที่นี่

แต่สำหรับเส้นโค้งสีฟ้าที่มีเราควรจะจริงจะมองที่รูปร่างของมันบน[-20,20]การลดขนาดทั้ง -axis และ -axis ตามปัจจัยที่ให้พล็อตต่อไปนี้และคุณจะได้รูปร่างที่เหมือนกันสำหรับความหนาแน่นสีน้ำเงินในพล็อตต่อมานี้เป็นความหนาแน่นสีแดงในพล็อตก่อนหน้า σ=10[-20,20]xY10

ป้อนคำอธิบายรูปภาพที่นี่


2

σ=1μ=0,σ=σ[2σ,2σ]σ

μ=0,σ=σσ[2,2]

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