다음과 같은 중앙 제한 정리의 매우 간단한 버전
다음과 같은 중앙 제한 정리의 매우 간단한 버전
답변:
좋은 질문 (+1) !!
독립 랜덤 변수 와 Y의 경우 , V a r ( X + Y ) = V a r ( X ) + V a r ( Y ) 및 V a r ( a ⋅ X ) = a 2 ⋅ V a r ( X ) . 따라서 ∑ n i = 1 X i 의 분산 은 이고 ˉ X = 1 의 분산는nσ2/n2=σ2/n입니다.
이것은 분산을 위한 것 입니다. 랜덤 변수를 표준화하려면 표준 편차로 나눕니다. 아시다시피 의 예상 값 은 μ 이므로 변수는
는 값 0과 분산 1을 예상했습니다. 따라서 가우스 경향이있는 경우 표준 가우스N(0,
두 번째 요점과 관련하여 위에서 설명한 방정식은 √가 아닌 로 나눠야한다고 설명합니다. 왜 사용을 설명하는 방정식을 표준화하기의N(의 추정σ)하지 √ .
추가 : @whuber는 √로 스케일링 의 이유 를 논의 할 것을 제안합니다. . 그는거기에서 해냈지만 답이 너무 길기 때문에 나는 그의 논거의 본질을 포착하려고 노력할 것입니다.
당신은 많은 수의 추가하는 경우 + 1과 -1의의를, 당신은 합이 될 확률에 근접 할 수 J 초등학교 계산에 의해합니다. 이 확률의 로그에 비례 - J 2 / N . 따라서 n 이 커질 때 위의 확률이 상수로 수렴 되도록하려면 O 에서 정규화 인자를 사용해야합니다 ( √.
최신 (post de Moivre) 수학적 도구를 사용하여, 검색된 확률이
우리는 스털링 공식에 의해 대략적으로
랜덤 변수의 합의 분포를 제한 할 수있는 분포의 종류에 대한 좋은 이론이 있습니다. 좋은 자료는 Petrov 의 다음 책 입니다. 개인적으로 엄청나게 즐겼습니다.
당시에는 많은 수학이 진행되고 있으며,이 이론은 한계에서 일어나는 일을 완전히 특징 짓는 몇 가지 이론으로 귀결됩니다. 그러한 이론 중 하나는 Feller 때문입니다.
과
필요하고 충분하다
과
이 정리는 모양에 대한 아이디어를 제공합니다 .
이 책의 일반적인 이론은 규범 상수가 어떤 식 으로든 제한되는 방식으로 구성되었지만 필요하고 충분한 조건 을 제공하는 최종 이론 은 이외의 상수를 규명 할 여지를 남기지 않습니다 .
s 은 표본 평균에 대한 표본 표준 편차를 나타냅니다. s 는 표본 평균에 대한 표본 분산이며 S / n 과 같습니다 . 여기서 S 는 모집단 분산의 표본 추정치입니다. s = S / √n이므로 √n이 첫 번째 공식에서 어떻게 나타나는지 설명합니다. 한계가 있다면 분모에 σ가있을 것입니다.
N (0,1)이지만 한계는 N (0, σ )로 지정됩니다. S의 때문에 이 한계 취출 σ에 secnd 식에서 이용 σ 일관된 추정치이다.
직관적으로, 일부 대해 이면 은 대략 와 같습니다. 나는 그것이 일반적으로 필요하다고 생각하지 않지만 꽤 합리적인 기대처럼 보입니다. 첫 번째 표현식에서 의 이유 는 의 분산이 과 같이 이되고 이 분산을 팽창시켜 표현식이 단지 동일한 분산을 갖기 때문입니다. . 두 번째 표현식에서 이라는 용어 는분자의 분산은 과 같이 커지 므로 전체 표현식의 분산은 상수입니다 ( 이 경우 ).
본질적으로, 우리는 의 분포와 함께 "흥미로운"무언가가 일어나고 있다는 것을 알고 있지만, 우리가 올바르게 중심을 하지 않으면 그것을 볼 수 없습니다. 나는 이것이 때때로 현미경을 조정할 필요가 있다고 들었습니다. 만약 우리가 의해 를 폭파시키지 않으면 우리는 약한 법칙에 의해 을 갖게 됩니다; CLT만큼 유익하지는 않지만 그 자체의 흥미로운 결과. 이 지배 하는 인자 을 팽창 , 여전히 을 얻는 반면, 어떤 인자 은 을 지배합니다 an( ˉ X n−μ)→0an √ an( ˉ X n−μ)→∞ √제공 . 그것은 밝혀 ; 거의 확실 융합에 대한 흥미 확대의 또 다른 수준이 상승을 제공하는 여기에 모든 집중 분포입니다 : 딱 맞는 배율 (주이 경우에 무슨 일이 일어나고 있는지 볼 수있을 것입니다 반복 로그의 법칙에 따라).