CLT가 특징적인 기능을 사용하지 않는 더 간단한 방법에 대한 증거가 있습니까?
아마 Tikhomirov 또는 Stein의 방법일까요?
자체적으로 포함 된 것이 대학생 (수학 또는 물리학의 첫 해)에게 설명 할 수 있고 한 페이지 미만을 차지합니까?
CLT가 특징적인 기능을 사용하지 않는 더 간단한 방법에 대한 증거가 있습니까?
아마 Tikhomirov 또는 Stein의 방법일까요?
자체적으로 포함 된 것이 대학생 (수학 또는 물리학의 첫 해)에게 설명 할 수 있고 한 페이지 미만을 차지합니까?
답변:
Stein의 방법으로 증명할 수 있지만 증거가 기본이라면 논쟁의 여지가 있습니다. Stein 방법의 장점은 본질적으로 무료로 약간 약한 형태의 Berry Esseen 경계를 얻는 것입니다. 또한 Stein의 방법은 흑 마법에 불과합니다! 이 링크의 섹션 6 에서 증명의 설명을 찾을 수 있습니다 . 링크에서 CLT의 다른 증거도 찾을 수 있습니다.
간략한 개요는 다음과 같습니다.
1) 부품과 정규 분포 밀도에 의한 간단한 통합을 사용하여 지속적으로 차별화 할 수있는 모든 iff 대한 이 분포 합니다. 보여주기가 더 쉽습니다 법선은 결과를 나타내며 대화를 표시하기가 조금 더 어려우나, 아마도 믿음으로 받아 들일 수 있습니다.A N ( 0 , 1 ) A
2)보다 일반적으로, 경계를 갖는 연속적으로 차별화 할 수있는 모든 대해 분포에서 은 으로 수렴합니다 . 여기서 증명은 몇 가지 트릭으로 부품별로 통합하는 것입니다. 구체적으로, 우리는 분포의 수렴이 모든 경계 연속 함수 대해 와 동일하다는 것을 알아야합니다 . 고정 하면 다음을 재구성하는 데 사용됩니다.f f , f ' X n N ( 0 , 1 ) E g ( X n ) → E g ( A ) g g
여기서 기본적인 ODE 이론을 사용하여 를 풀고 가 훌륭 하다는 것을 보여줍니다 . 따라서 우리가 그러한 멋진 찾을 수 있다면 , rhs는 0으로 가정하고 따라서 왼쪽도 마찬가지입니다.f f
3) 마지막으로 대한 중앙 한계 정리를 증명합니다 여기서 는 평균 0과 분산 1을 갖는 iid입니다. 모든 대해 다음과 같은 찾습니다 . Xigf
고등학교 때 어떻게합니까?
밀도가 인 확률 분포를 평균과 분산을 구하십시오 . 그런 다음 형식 의 랜덤 변수 를 사용하여 근사값을 구하십시오 . 여기서 는 Bernoulli 랜덤 변수 입니다 . 당신은 볼 수 있습니다 및 .μ (X) , σ (2) , X , Z , Z = μ X - σ X + 2 σ X ξ , ξ P = 1 / 2 μ Z = μ X σ 2 Z는 = σ 2 X
이제 합계
여기서 이항 분포를 인식 할 수 있습니다 : , 여기서 . 정규 분포의 형태로 수렴하는 것을 확인하기 위해 특성 함수가 필요하지 않습니다 .
따라서 어떤면에서 Bernoulli는 모든 분포에 대해 가장 정확한 근사치이며 심지어 정상으로 수렴한다고 말할 수 있습니다.
예를 들어 모멘트가 정상과 일치 함을 보여줄 수 있습니다. 변수를 살펴 보자 :
평균과 분산이 무엇인지 봅시다 : VR[Y]=σ 2 X VR[2η/N]N=4σ 2 X /NN(1/4)=σ 2 X
왜도 및 과잉 첨도는 로 0으로 수렴되며 , 이항에 대해 알려진 공식을 연결하면 쉽게 표시 할 수 있습니다.