중앙 한계 정리 대 다수의 법칙


14

중심 한계 정리는 이 무한대로 갈 때 iid 변수의 평균 이 정규 분포를 따릅니다.N

이것은 두 가지 질문을 제기합니다.

  1. 우리는 이것을 많은 수의 법칙으로 추론 할 수 있습니까? 많은 수의 법칙은 확률 변수의 값의 샘플의 평균은 실제 평균에 해당된다는 말한다면 으로 무한대 다음이 값이되고 있음 (중심 극한 말한대로) 그 말을 더 강해 보인다 여기서 \ sigma 는 표준 편차입니다. 그러면 중앙 제한이 많은 법칙을 암시한다고 말하는 것이 공정합니까?N N ( μ , σ ) σμNN(μ,σ)σ
  2. 중심 한계 정리가 변수의 선형 조합에 적용됩니까?

5
"중앙 한계 정리는 N 이 무한대로 진행됨에 따라 iid 변수의 평균 이 정규 분포 를 따른다는 것을 나타냅니다"라는 주장 이 잘못되었습니다. 비슷한 문제를 일으키는 이 최근 질문에 대한 내 대답을 참조하십시오 . 그 질문에 대한 또 다른 답변이 게시되었지만 그 후 곧 삭제되었으며, 그 답변에 따른 토론도 이제 사라졌습니다.
Dilip Sarwate

1
왜 모집단 평균의 샘플 평균 수렴 (A)에 샘플 평균 수렴보다 약한 결과 샘플 A로부터 분포? N ( μ , σ )μN(μ,σ)
Dilip Sarwate

@DilipSarwate 신고 해 주셔서 감사합니다. 귀하의 의견은 IMO가 질문에 대한 오해를 충분히 밝히고 합리적인 답변이 나타난 것입니다.

답변:


10

OP는 말합니다

중심 한계 정리는 N이 무한대로 갈 때 iid 변수의 평균이 정규 분포를 따릅니다.

I 그것이 OP 믿음임을 의미이 걸릴 것이다 IID 랜덤 변수 평균이 및 표준 편차 누적 분포 함수 의 는 의 누적 분포 함수 , 즉 평균 및 표준 편차 정규 랜덤 변수 수렴됩니다 . 또는 OP는이 공식의 사소한 재배치, 예를 들어 분포가 분포 또는 분포로 수렴한다고 생각합니다. μ σ F Z n ( a ) Z n = 1XiμσFZn(a)N(μ,σ)μσZn-μN(0,σ)(Znμ)/σN(0,1)P{| ZN-μ| >σ}=1FZn(μ+σ

Zn=1ni=1nXi
N(μ,σ)μσZnμN(0,σ)(Znμ)/σ표준 정규 랜덤 변수 의 분포로 수렴 합니다. 이 문장들이 으로서 .N(0,1)n
P{|Znμ|>σ}=1FZn(μ+σ)+FZn((μ+σ))1Φ(1)+Φ(1)0.32
n

OP는 계속해서 말합니다

이것은 두 가지 질문을 제기합니다.

  1. 우리는 이것을 많은 수의 법칙으로 추론 할 수 있습니까? 큰 수의 법칙에 따라 임의의 변수 값 샘플의 평균이 N이 무한대로 갈 때 실제 평균 μ와 같다고 말하는 경우 (중앙 한계에서 알 수 있듯이) 값이 N ( μ, σ) 여기서 σ는 표준 편차입니다.

많은 수의 약한 법은 말한다 IID 확률 변수에 대한 유한 평균이 주어진, , 표준 편차가 유한하다고 가정 할 필요는 없습니다. μ ϵ > 0 P { | Z N - μ | > ε } 0 으로서 N .Xiμϵ>0

P{|Znμ|>ϵ}0  as n.

OP의 질문에 대답하기 위해

  • OP에 명시된 중앙 제한 정리 는 많은 수의 약한 법칙을 암시하지 않습니다 . 로 , 정리가 말한다 중심 극한의 OP의 버전 약한 법이 있다고하면서P { | Z N - μ | > σ } 0.317 P { | Z N - μ | > σ } 0nP{|Znμ|>σ}0.317P{|Znμ|>σ}0

  • 중심 한계 정리 의 정확한 진술로부터, 유한 평균 및 표준 편차를 갖는 랜덤 변수에 적용되는 많은 수의 약한 법칙의 제한된 형태만을 최상으로 추론 할 수있다. 그러나 많은 수의 약한 법칙은 유한 수단이지만 무한 표준 편차를 갖는 파레토 랜덤 변수와 같은 랜덤 변수에도 적용됩니다.

  • 표본 평균 이 0이 아닌 표준 편차 로 정규 랜덤 변수에 수렴한다고 말하는 것이 표본 평균이 모집단 평균에 수렴한다고 말하는 것보다 더 강한 진술인 이유를 이해하지 못합니다 (또는 표준 편차 가 0 인 임의 변수) 너는 좋아한다).


내 대답을 공감 한 사람이 내가 말한 것에 대해 불쾌감을 주거나 잘못한 것이 무엇인지 궁금합니다.
Dilip Sarwate

7

큰 수의 법칙의 경우, 모든 확률을 동일한 확률 공간에 정의해야합니다 (대수의 법칙은 모든 대해 의해 결정된 이벤트 확률에 대한 설명 이므로 ). 분포의 수렴의 경우 확률 확률이 서로 다를 수 있으며 증거의 여러 측면을 단순화합니다 (예 : 중첩 공간 증가, 다양한 삼각 배열 증명에 매우 일반적). 그러나 그것은 또한 과 의 공동 분포에 관한 진술을 할 수 없다는 것을 의미합니다 . 따라서 모든 변수에 대해 공통 확률 공간이 없다면 분포의 수렴이 많은 수의 법칙을 의미하지는 않습니다.n ˉ X n ˉ X n+1X¯nnX¯nX¯n+1


(+1) 당신이 말하는 것은 사실이며 매우 중요한 포인트입니다. 삼각 배열을 사용하면 각 "행"의 변수가 이전 행과 다른 확률 공간에있을 수 있습니다. 반면에, 우리가 iid 랜덤 변수의 시퀀스를 고려하고 있다고 선험적으로 말하면, 독립 개념이 많은 의미를 갖기 위해 공통 기본 공간에 존재해야합니다.
추기경

@ cardinal : 모든 것을 동일한 공간에 정의하는 "간단한"경우에 내가 올바르게 이해하면 중심성이 많은 수의 법칙을 암시하는 경우입니까? 아니면 아니?
user9097

@ user9097 우리가 지금 좋은 정보의 영역에 들어가기 때문에 에 대해 질문되고있는 많은 수의 법칙? 약한 법 또는 강한 법?
Dilip Sarwate

그 시점에만 해당됩니다 많은 수의 강력한 법 하지 않는, 약한 법
할보 르센 kjetil B

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)).

다시 말해, 랜덤 변수의 선형 조합은 CLT 하에서 하나의 법선 인 법선의 선형 조합으로 수렴되지 않습니다. 임의 변수의 선형 조합은 CLT를 직접 적용 할 수있는 다른 임의 변수 일 뿐이므로 이치에 맞습니다.


1
X¯n=i=1nwniXiwni=1/ni=1,,n, 우리가 물을 수있는 당연한 질문은 이러한 "균일 한"무게를 다른 (더 임의적 인) 무게로 대체 할 때 어떤 일이 발생하는지입니다. CLT는 언제받을 수 있습니까? Lindeberg의 CLT를 사용하여이 질문에 답할 수 있습니다.
추기경

j=1nwnjXjwnj=wj/nwjwjwjXwn

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

01
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.