ทฤษฎีบทกลาง จำกัด แบบง่ายมาก ซึ่งก็คือ Lindeberg – Lévy CLT ฉันไม่เข้าใจว่าทำไมมีทางด้านซ้ายมือ และ Lyapunov CLT บอกว่า แต่ทำไม ไม่ใช่ ? ทุกคนจะบอกฉันว่าเป็นปัจจัยเหล่านี้เช่นและ ? เราจะรับพวกเขาในทฤษฎีบทได้อย่างไร
ทฤษฎีบทกลาง จำกัด แบบง่ายมาก ซึ่งก็คือ Lindeberg – Lévy CLT ฉันไม่เข้าใจว่าทำไมมีทางด้านซ้ายมือ และ Lyapunov CLT บอกว่า แต่ทำไม ไม่ใช่ ? ทุกคนจะบอกฉันว่าเป็นปัจจัยเหล่านี้เช่นและ ? เราจะรับพวกเขาในทฤษฎีบทได้อย่างไร
คำตอบ:
เป็นคำถามที่ดี (+1) !!
คุณจะจำไว้ว่าสำหรับตัวแปรสุ่มอิสระและ ,และ(X) ดังนั้นความแปรปรวนของคือและความแปรปรวนของเป็น nY V a r ( X + Y ) = V a r ( X ) + V a r ( Y ) V a r ( a ⋅ X ) = a 2 ⋅ V a r ( X ) ∑ n ฉัน= 1 X i ∑ n i = 1 σ 2 = n σ 2 ˉnσ2/n2=σ2/n
นี้มีไว้สำหรับความแปรปรวน ในการสร้างมาตรฐานตัวแปรสุ่มคุณหารด้วยค่าเบี่ยงเบนมาตรฐาน อย่างที่คุณทราบค่าที่คาดหวังของคือดังนั้นตัวแปร μ
N(0,
เกี่ยวกับประเด็นที่สองของคุณฉันเชื่อว่าสมการที่แสดงด้านบนแสดงให้เห็นว่าคุณต้องหารด้วยไม่ใช่เพื่อสร้างมาตรฐานของสมการอธิบายว่าทำไมคุณใช้ (ตัวประมาณของและไม่{s_n}√ snσ) √
นอกจากนี้: @whuber แสดงให้เห็นเพื่อหารือเกี่ยวกับเหตุผลของการปรับขนาดโดย{n} เขาทำที่นั่นแต่เพราะคำตอบนั้นยาวมากฉันจะพยายามจับแก่นแท้ของการโต้เถียงของเขา (ซึ่งเป็นการสร้างความคิดของเดอโมเอฟร์ขึ้นมาใหม่)
หากคุณเพิ่มจำนวนมากของ +1 และ -1 คุณสามารถประมาณความน่าจะเป็นที่ผลรวมจะเป็นโดยการนับเบื้องต้น บันทึกการนี้น่าจะเป็นสัดส่วนกับ n ดังนั้นถ้าเราต้องการความเป็นไปได้ดังกล่าวข้างต้นจะมาบรรจบกันที่จะคงเป็นไปขนาดใหญ่เราต้องใช้ปัจจัย normalizing ใน{n})j - j 2 / n n O ( √
การใช้เครื่องมือทางคณิตศาสตร์ที่ทันสมัย (post de Moivre) คุณสามารถดูการประมาณดังกล่าวข้างต้นโดยสังเกตว่าความน่าจะเป็นที่ต้องการคือ
ซึ่งเราประมาณโดยสูตรของสเตอร์ลิง
มีทฤษฎีที่ดีว่าการแจกแจงแบบใดที่สามารถ จำกัด การกระจายของผลรวมของตัวแปรสุ่มได้ ทรัพยากรที่ดีคือหนังสือต่อไปนี้โดย Petrov ซึ่งฉันมีความสุขเป็นการส่วนตัว
ปรากฎว่าถ้าคุณกำลังตรวจสอบข้อ จำกัด ของประเภทนี้ โดยที่เป็นตัวแปรสุ่มอิสระการกระจายของข้อ จำกัด คือ การแจกแจงบางอย่างเท่านั้นX i
ในตอนนั้นมีคณิตศาสตร์จำนวนมากที่หลั่งไหลไปสู่ทฤษฎีบทหลายอย่างซึ่งอธิบายลักษณะของสิ่งที่เกิดขึ้นอย่างสมบูรณ์ หนึ่งในทฤษฎีบทนี้เกิดจาก Feller:
ทฤษฎีบทให้เป็นลำดับของตัวแปรสุ่มอิสระเป็นฟังก์ชันการแจกแจงของและ เป็นลำดับของค่าคงที่บวก ในลำดับที่V n ( x ) X n a n
และ
มีความจำเป็นและเพียงพอ
และ
ทฤษฎีนี้ทำให้คุณเข้าใจว่าควรมีลักษณะอย่างไร
ทฤษฎีทั่วไปในหนังสือเล่มนี้ถูกสร้างขึ้นในลักษณะดังกล่าวว่า norming คงถูก จำกัด ในทางใด ๆ แต่ทฤษฎีบทสุดท้ายที่ให้ที่จำเป็นและเพียงพอเงื่อนไขไม่ได้ออกจากห้องใด ๆ สำหรับ norming คงที่อื่นที่ไม่ใช่{n}
sแสดงถึงค่าเบี่ยงเบนมาตรฐานตัวอย่างสำหรับค่าเฉลี่ยตัวอย่าง sคือความแปรปรวนตัวอย่างสำหรับค่าเฉลี่ยตัวอย่างและมันเท่ากับ S / n โดยที่ Sเป็นค่าประมาณตัวอย่างของความแปรปรวนประชากร เนื่องจาก s = S / √nที่อธิบายถึงวิธีที่√nปรากฏในสูตรแรก โปรดทราบว่าจะมีσในตัวหารหากมีการ จำกัดn 2 n 2 n 2 n n
N (0,1) แต่ขีด จำกัด ถูกกำหนดเป็น N (0, σ ) เนื่องจาก Sเป็นการประมาณที่สอดคล้องกันของσมันถูกใช้ในสมการที่สองเพื่อนำσออกจากขีด จำกัดn
โดยสังหรณ์ใจถ้าสำหรับเราควรคาดหวังว่าเท่ากับคร่าวๆ ; ดูเหมือนว่าจะมีความคาดหวังที่สมเหตุสมผล แต่ฉันไม่คิดว่ามันจำเป็นโดยทั่วไป เหตุผลสำหรับในนิพจน์แรกคือความแปรปรวนของไปที่เช่นและดังนั้นกำลังขยายความแปรปรวนเพื่อให้นิพจน์มีความแปรปรวนเท่ากับ 2 ในนิพจน์ที่สองคำว่าถูกกำหนดให้เป็นσ 2 Var ( Z n ) σ 2 √ˉ X n-μ0 1 √ σ2sn √ ∑ n i = 1 Var(Xi)1ในขณะที่ความแปรปรวนของตัวเศษเพิ่มขึ้นเช่นดังนั้นเราจึงมีความแปรปรวนของนิพจน์ทั้งหมดเป็นค่าคงที่ (ในกรณีนี้)
โดยพื้นฐานแล้วเรารู้ว่ามีบางสิ่งที่ "น่าสนใจ" กำลังเกิดขึ้นกับการกระจายของแต่ถ้าเราไม่จัดกึ่งกลางและปรับขนาดอย่างเหมาะสมเราจะไม่สามารถมองเห็นได้ ฉันเคยได้ยินสิ่งนี้อธิบายบางครั้งว่าจำเป็นต้องปรับกล้องจุลทรรศน์ ถ้าเราไม่ระเบิด (เช่น)โดยจากนั้นเราก็มีการกระจายโดยกฎหมายที่อ่อนแอ ผลลัพธ์ที่น่าสนใจคือเป็นสิทธิ์ของตัวเอง แต่ไม่ได้ให้ข้อมูลเท่า CLT หากเราขยายปัจจัยซึ่งครอบงำโดยเรายังคงได้รับในขณะที่ปัจจัยซึ่งปกครอง ˉ X -μ√ˉ X n-μ→0an √ให้\ ปรากฎว่าเป็นเพียงการขยายที่ถูกต้องเพื่อให้สามารถมองเห็นสิ่งที่เกิดขึ้นในกรณีนี้ (หมายเหตุ: การบรรจบทั้งหมดที่นี่เป็นการแจกแจงมีอีกระดับของการขยายที่น่าสนใจสำหรับการลู่เข้าที่แน่นอน กฎหมายของลอการิทึมซ้ำแล้วซ้ำอีก)