Центральная предельная теорема

редактировать

В теории вероятностей, центральная предельная теорема (CLT ) устанавливает, что во многих ситуациях, когда добавляются независимые случайные величины, их правильно нормализованная сумма стремится к нормальному распределению (неформально колоколообразной кривой), даже если сами исходные переменные не распространяются нормально. Теорема является ключевым понятием в теории вероятностей, поскольку она подразумевает, что вероятностные и статистические методы, работающие для нормальных распределений, могут быть применимы ко многим задачам, связанным с другими типами распределений.

Если X 1, X 2,..., X n {\ textstyle X_ {1}, X_ {2},..., X_ {n}}{\ textstyle X_ {1}, X_ {2},..., X_ {n}} - это случайные выборки, каждая размером n {\ textstyle n}{\ textstyle n} взято из совокупности с общим средним μ {\ textstyle \ mu}{\ textstyle \ mu} и конечной дисперсией σ 2 {\ textstyle \ sigma ^ {2}}{\ textstyle \ sigma ^ {2}} , и если X ¯ {\ textstyle {\ bar {X}}}{\ textstyle {\ bar {X}}} является выборочным средним, то предельная форма распределения Z знак равно (Икс ¯ N - μ σ / √ n) {\ textstyle Z = \ left ({\ frac {{\ bar {X}} _ {n} - \ mu} {\ sigma / \ surd n}} \ right)}{\ textstyle Z = \ left ({\ frac {{\ bar {X}} _ {n} - \ mu} {\ sigma / \ surd n}} \ right)} as n → ∞ {\ textstyle n \ to \ infty}{\ textstyle п \ к \ infty} , является стандартным нормальным распределением.

Например, предположим, что Получена выборка, содержащая множество наблюдений, каждое наблюдение генерируется случайным образом, не зависящим от значений других наблюдений, и что среднее арифметическое наблюдаемых значений вычисляется. Если эта процедура выполняется много раз, центральная предельная теорема гласит, что распределение вероятностей среднего будет близко аппроксимировать нормальное распределение. Простым примером этого является то, что если один подбрасывает монету много раз, вероятность получить заданное количество орлов будет приближаться к нормальному распределению со средним значением, равным половине общего количества подбрасываний. В пределе бесконечного числа флипов это будет нормальное распределение.

Центральная предельная теорема имеет несколько вариантов. В обычном виде случайные величины должны быть одинаково распределены. В вариантах сходимость среднего к нормальному распределению также происходит для неидентичных распределений или для независимых наблюдений, если они соответствуют определенным условиям.

Самой ранней версией этой теоремы, согласно которой нормальное распределение может использоваться как приближение к биномиальному распределению, является теорема де Муавра – Лапласа.

Содержание

  • 1 Независимые последовательности
    • 1.1 Классический CLT
    • 1.2 Ляпуновский CLT
    • 1.3 Lindeberg CLT
    • 1.4 Многомерный CLT
    • 1.5 Обобщенная теорема
  • 2 Зависимые процессы
    • 2.1 CLT при слабой зависимости
    • 2.2 Мартингальная разница CLT
  • 3 Замечания
    • 3.1 Доказательство классической CLT
    • 3.2 Сходимость к пределу
    • 3.3 Связь с законом больших чисел
    • 3.4 Альтернативные формулировки теоремы
      • 3.4.1 Функции плотности
      • 3.4.2 Характеристические функции
    • 3.5 Вычисление дисперсии
  • 4 Расширения
    • 4.1 Произведения положительных случайных величин
  • 5 Вне классических рамок
    • 5.1 Выпуклое тело
    • 5.2 Лакунарные тригонометрические ряды
    • 5.3 Гауссовы многогранники
    • 5.4 Линейные функции ортогональных матриц
    • 5.5 Подпоследовательности
    • 5.6 Случайное блуждание по кристаллической решетке ice
  • 6 Приложения и примеры
    • 6.1 Простой пример
    • 6.2 Реальные приложения
  • 7 Регрессия
    • 7.1 Другие иллюстрации
  • 8 История
  • 9 См. также
  • 10 Примечания
  • 11 Ссылки
  • 12 Внешние ссылки

Независимые последовательности

Распределение, "сглаживаемое" посредством суммирования, показывающее исходную плотность распределения и три последующих суммирования; см. иллюстрацию центральной предельной теоремы для получения дополнительных сведений. Какой бы ни была форма распределения совокупности, распределение выборки стремится к гауссовскому, а его дисперсия определяется центральной предельной теоремой.

Классический CLT

Пусть {X 1,…, X n} {\ textstyle \ {X_ {1}, \ ldots, X_ {n} \}}{\ textstyle \ {X_ {1}, \ ldots, X_ {n} \}} будет случайная выборка размера n {\ textstyle n}{\ textstyle n} - то есть последовательность независимых и одинаково распределенных (iid) случайных величин, взятых из распределения. ожидаемого значения, заданного μ {\ textstyle \ mu}{\ textstyle \ mu} , и конечной дисперсии, заданного σ 2 {\ textstyle \ sigma ^ { 2}}{\ textstyle \ sigma ^ {2}} . Предположим, нас интересует выборочное среднее

X ¯ n: = X 1 + ⋯ + X nn {\ displaystyle {\ bar {X}} _ {n}: = {\ frac {X_ {1} + \ cdots + X_ {n}} {n}}}{\ displaystyle {\ bar {X}} _ {n}: = {\ frac {X_ {1} + \ cdots + X_ {n}} {n}}}

этих случайных величин. По закону больших чисел, выборочные средние сходятся по вероятности и почти наверняка к ожидаемому значению μ {\ textstyle \ mu}{\ textstyle \ mu} как n → ∞ {\ textstyle n \ to \ infty}{\ textstyle п \ к \ infty} . Классическая центральная предельная теорема описывает размер и форму распределения стохастических флуктуаций вокруг детерминированного числа μ {\ textstyle \ mu}{\ textstyle \ mu} во время этой сходимости. Точнее, в нем говорится, что по мере увеличения n {\ textstyle n}{\ textstyle n} распределение разницы между средним значением выборки X ¯ n {\ textstyle {\ bar {X}} _ {n}}{\ textstyle {\ bar {X}} _ {n}} и его предел μ {\ textstyle \ mu}{\ textstyle \ mu} , умноженный на коэффициент n {\ textstyle {\ sqrt {n}} }{\ textstyle {\ sqrt {n}}} (то есть n (X ¯ n - μ) {\ textstyle {\ sqrt {n}} ({\ bar {X}} _ {n} - \ mu)}{\ textstyle {\ sqrt {n}} ({\ bar {X}} _ {n} - \ mu)} ), аппроксимирует нормальное распределение со средним 0 и дисперсией σ 2 {\ textstyle \ sigma ^ {2}}{\ textstyle \ sigma ^ {2}} . Для достаточно большого n распределение X ¯ n {\ textstyle {\ bar {X}} _ {n}}{\ textstyle {\ bar {X}} _ {n}} близко к нормальному распределению со средним значением μ {\ textstyle \ mu}{\ textstyle \ mu} и дисперсия σ 2 / n {\ textstyle \ sigma ^ {2} / n}{\ textstyle \ sigma ^ {2} / n} . Полезность теоремы заключается в том, что распределение n (X ¯ n - μ) {\ textstyle {\ sqrt {n}} ({\ bar {X}} _ {n} - \ mu)}{\ textstyle {\ sqrt {n}} ({\ bar {X}} _ {n} - \ mu)} приближается к нормальному, независимо от формы распределения индивидуума X i {\ textstyle X_ {i}}{\ textstyle X_ {i}} . Формально теорему можно сформулировать следующим образом:

CLT Линдеберга – Леви. Предположим, что {X 1,…, X n} {\ textstyle \ {X_ {1}, \ ldots, X_ {n } \}}{\ textstyle \ {X_ {1}, \ ldots, X_ {n} \}} - это последовательность iid случайных величин с E ⁡ [X i] = μ {\ textstyle \ operatorname {E} [X_ {i}] = \ mu}{\ textstyle \ operatorname {E} [X_ {i}] = \ mu} и Var ⁡ [X i] = σ 2 < ∞ {\textstyle \operatorname {Var} [X_{i}]=\sigma ^{2}<\infty }{\ textstyle \ operatorname {Var} [X_ {i }] = \ sigma ^ {2} <\ infty} . Затем, когда n {\ textstyle n}{\ textstyle n} приближается к бесконечности, случайные величины n (X ¯ n - μ) {\ textstyle {\ sqrt {n}} ({\ bar {X }} _ {n} - \ mu)}{\ textstyle {\ sqrt {n}} ({\ bar {X}} _ {n} - \ mu)} сходятся по распределению к нормальному N (0, σ 2) {\ textstyle N (0, \ sigma ^ { 2})}{\ textstyle N (0, \ sigma ^ {2})} :

n (X ¯ n - μ) → d N (0, σ 2). {\ displaystyle {\ sqrt {n}} \ left ({\ bar {X}} _ {n} - \ mu \ right) \ \ xrightarrow {d} \ N \ left (0, \ sigma ^ {2} \ справа).}{\ displaystyle {\ sqrt {n}} \ left ({\ bar {X}} _ {n} - \ mu \ right) \ \ xrightarrow {d} \ N \ left (0, \ sigma ^ {2} \ right).}

В случае σ>0 {\ textstyle \ sigma>0}{\textstyle \sigma>0} , конвергенция в распределении означает, что кумулятивная функция распределения из n (X ¯ n) {\ textstyle {\ sqrt {n}} ({\ bar {X}} _ {n} - \ mu)}{\ textstyle {\ sqrt {n}} ({\ bar {X}} _ {n} - \ mu)} сходятся поточечно к cdf N (0, σ 2) {\ textstyle N (0, \ sigma ^ {2})}{\ textstyle N (0, \ sigma ^ {2})} распределение: для каждого действительного числа z {\ textstyle z}{\ textstyle z} ,

lim n → ∞ Pr [n (X ¯ n - μ) ≤ z] знак равно lim n → ∞ Pr [n (X ¯ n - μ) σ ≤ z σ] = Φ (z σ), {\ displaystyle \ lim _ {n \ to \ infty} \ Pr \ left [{\ sqrt {n}} ({\ bar {X}} _ {n} - \ mu) \ leq z \ right] = \ lim _ {n \ to \ infty} \ Pr \ left [{\ frac {{\ sqrt {n}} ({\ bar {X}} _ {n} - \ mu)} {\ sigma}} \ leq {\ frac {z} {\ sigma}} \ right] = \ Phi \ left ({\ frac {z} {\ sigma}} \ right),}{\ displaystyle \ lim _ {n \ to \ infty} \ Pr \ left [{\ sqrt {n}} ({\ bar {X}} _ {n} - \ mu) \ leq z \ right] = \ lim _ {n \ to \ infty} \ Pr \ left [{\ frac {{\ sqrt {n}}] ({\ bar {X}} _ {n} - \ mu)} {\ sigma}} \ leq {\ frac {z} {\ sigma}} \ right] = \ Phi \ left ({\ frac {z} {\ sigma}} \ right),}

где Φ (z) {\ textstyle \ Phi (z)}{ \ textstyle \ Phi (z)} - стандартный нормальный cdf, оцениваемый как z {\ textstyle z}{\ textstyle z} . Сходимость равномерна в z {\ textstyle z}{\ textstyle z} в том смысле, что

lim n → ∞ sup z ∈ R | Pr [n (X ¯ n - μ) ≤ z] - Φ (z σ) | Знак равно 0, {\ displaystyle \ lim _ {n \ to \ infty} \ sup _ {z \ in \ mathbb {R}} \ left | \ Pr \ left [{\ sqrt {n}} ({\ bar {X }} _ {n} - \ mu) \ leq z \ right] - \ Phi \ left ({\ frac {z} {\ sigma}} \ right) \ right | = 0,}{\ displaystyle \ lim _ {n \ to \ infty} \ sup _ {z \ in \ mathbb {R }} \ left | \ Pr \ left [{\ sqrt {n}} ({\ bar {X}} _ {n} - \ mu) \ leq z \ right] - \ Phi \ left ({\ frac {z } {\ sigma}} \ right) \ right | = 0,}

где sup {\ textstyle \ mathrm {sup}}{\ textstyle \ mathrm {sup}} обозначает наименьшую верхнюю границу (или supremum ) набора.

CLT Ляпунова

Теорема названа в честь русского математика Александра Ляпунова. В этом варианте центральной предельной теоремы случайные величины X i {\ textstyle X_ {i}}{\ textstyle X_ {i}} должны быть независимыми, но не обязательно одинаково распределенными. Теорема также требует, чтобы случайные величины | X i | {\ textstyle \ vert X_ {i} \ vert}{\ textstyle \ vert X_ {i} \ vert} иметь моменты некоторого порядка (2 + δ) {\ textstyle (2+ \ delta)}{\ textstyle ( 2+ \ delta)} , и что скорость роста этих моментов ограничена условием Ляпунова, приведенным ниже.

CLT Ляпунова. Предположим, что {X 1,…, X n} {\ textstyle \ {X_ {1}, \ ldots, X_ {n} \}}{\ textstyle \ {X_ {1}, \ ldots, X_ {n} \}} является последовательность независимых случайных величин, каждая из которых имеет конечное ожидаемое значение μ i {\ textstyle \ mu _ {i}}{\ textstyle \ mu _ {i}} и дисперсию σ i 2 {\ textstyle \ sigma _ {i} ^ {2}}{\ textstyle \ sigma _ {i} ^ {2}} . Определите

sn 2 = ∑ i = 1 n σ i 2 {\ displaystyle s_ {n} ^ {2} = \ sum _ {i = 1} ^ {n} \ sigma _ {i} ^ {2}}.s_ {n} ^ {2} = \ sum _ {i = 1} ^ {n} \ sigma _ {i} ^ {2}

Если для некоторого δ>0 {\ textstyle \ delta>0}{\textstyle \delta>0} , условие Ляпунова

lim n → ∞ 1 sn 2 + δ ∑ i = 1 n E ⁡ [| X i - μ i | 2 | + δ] = 0 {\ displaystyle \ lim _ {n \ to \ infty} {\ frac {1} {s_ {n} ^ {2+ \ delta}}} \ sum _ {i = 1} ^ {n} \ operatorname {E} \ left [| X_ {i} - \ mu _ {i} | ^ {2+ \ delta} \ right] = 0}{\ displaystyle \ lim _ {n \ to \ infty} {\ frac {1} {s_ {n} ^ {2+ \ delta}} } \ sum _ {i = 1} ^ {n} \ operatorname {E} \ left [| X_ {i} - \ mu _ {i} | ^ {2+ \ delta} \ right] = 0}

выполняется, тогда сумма X i - μ isn {\ textstyle {\ frac {X_ {i} - \ mu _ {i}} {s_ {n}}}}{\ textstyle {\ frac {X_ {i} - \ mu _ {i}} {s_ {n }}}} сходится по распределению к стандартной нормальной случайной величине, как n {\ textstyle n}{\ textstyle n} уходит в бесконечность:

1 sn ∑ i = 1 n (X i - μ i) → d N (0, 1). {\ displaystyle {\ frac {1} {s_ {n}}} \ sum _ {i = 1} ^ {n} \ left (X_ {i} - \ mu _ {i} \ right) \ {\ xrightarrow {d}} \ N (0,1).}{\ displaystyle {\ frac {1} {s_ {n}}} \ sum _ {i = 1} ^ {n} \ left (X_ {i} - \ mu _ {i} \ right) \ {\ xrightarrow {d}} \ N (0,1).}

На практике обычно проще всего проверить условие Ляпунова для δ = 1 {\ textstyle \ delta = 1}{\ textstyle \ delta = 1} .

Если последовательность случайных величин удовлетворяет условию Ляпунова, то она также удовлетворяет условию Линдеберга. Однако обратное утверждение неверно.

Lindeberg CLT

В тех же настройках и с теми же обозначениями, что и выше, условие Ляпунова может быть заменено следующим более слабым (из Lindeberg в 1920 г.).

Предположим, что для каждого ϵ>0 {\ textstyle \ epsilon>0}{\textstyle \epsilon>0}

lim n → ∞ 1 sn 2 ∑ i = 1 n E ⁡ [(X i - μ i) 2 ⋅ 1 {Икс я: | Икс я - μ я |>ε sn}] = 0 {\ displaystyle \ lim _ {n \ to \ infty} {\ frac {1} {s_ {n} ^ {2}}} \ сумма _ {i = 1} ^ {n} \ operatorname {E} \ left [(X_ {i} - \ mu _ {i}) ^ {2} \ cdot \ mathbf {1} _ {\ {\, X_ {i} \;: \; \ left | X_ {i} - \ mu _ {i} \ right | \,>\, \ varepsilon s_ {n} \, \}} \ right] = 0}{\displaystyle \lim _{n\to \infty }{\frac {1}{s_{n}^{2}}}\sum _{i=1}^{n}\operatorname {E} \left[(X_{i}-\mu _{i})^{2}\cdot \mathbf {1} _{\{\,X_{i}\;:\;\left|X_{i}-\mu _{i}\right|\,>\, \ varepsilon s_ {n} \, \}} \ right] = 0}

где 1 {…} {\ textstyle \ mathbf {1} _ {\ {\ ldots \}}}{\ textstyle \ mathbf {1} _ {\ {\ ldots \}}} - это индикаторная функция. Тогда распределение стандартных сумм

1 sn ∑ i = 1 n (X i - μ i) {\ displaystyle {\ frac {1} {s_ {n}}} \ sum _ {i = 1} ^ { n} \ left (X_ {i} - \ mu _ {i} \ right)}{\ frac {1} {s_ {n}}} \ sum _ {i = 1} ^ {n} \ left (X_ {i} - \ mu _ {i} \ right)

сходится к стандартному нормальному распределению N (0, 1) {\ textstyle N (0,1)}{\ textstyle N (0,1)} .

Многомерный CLT

Доказательства, использующие характеристические функции, могут быть расширены до случаев, когда каждый отдельный X i {\ textstyle \ mathbf {X} _ {i}}{\ textstyle \ mathbf {X} _ {i}} является случайный вектор в R k {\ textstyle \ mathbb {R} ^ {k}}{\ textstyle \ mathbb {R} ^ {k}} со средним вектором μ = E ⁡ [X i] {\ textstyle \ mu = \ operatorname {E} [\ mathbf {X} _ {i}]}{\ textstyle \ mu = \ operatorname {E} [\ mathbf {X} _ {i}]} и ковариационная матрица Σ {\ textstyle \ mathbf {\ Sigma}}{\ textstyle \ mathbf {\ Sigma}} (среди компонентов вектора), и эти случайные векторы независимы и одинаково распределены. Суммирование этих векторов производится покомпонентно. Многомерная центральная предельная теорема утверждает, что при масштабировании суммы сходятся к многомерному нормальному распределению.

Пусть

X i = [X i (1) ⋮ X i (k)] {\ displaystyle \ mathbf {X } _ {i} = {\ begin {bmatrix} X_ {i (1)} \\\ vdots \\ X_ {i (k)} \ end {bmatrix}}}{\ displaystyle \ mathbf {X} _ {i} = {\ begin {bmatrix} X_ {i (1)} \\\ vdots \\ X_ {я (к)} \ end {bmatrix}}}

быть k-вектором. Полужирный шрифт в X i {\ textstyle \ mathbf {X} _ {i}}{\ textstyle \ mathbf {X} _ {i}} означает, что это случайный вектор, а не случайная (одномерная) переменная. Тогда сумма случайных векторов будет

[X 1 (1) ⋮ X 1 (k)] + [X 2 (1) ⋮ X 2 (k)] + ⋯ + [X N (1) ⋮ Икс N (К)] = [∑ я = 1 N [Икс я (1)] ⋮ ∑ я = 1 N [X я (к)]] = ∑ я = 1 N Икс я {\ Displaystyle {\ begin {bmatrix} X_ {1 (1)} \\\ vdots \\ X_ {1 (k)} \ end {bmatrix}} + {\ begin {bmatrix} X_ {2 (1)} \\\ vdots \\ X_ {2 (k)} \ end {bmatrix}} + \ cdots + {\ begin {bmatrix} X_ {n (1)} \\\ vdots \\ X_ {n (k)} \ end {bmatrix} } = {\ begin {bmatrix} \ sum _ {i = 1} ^ {n} \ left [X_ {i (1)} \ right] \\\ vdots \\\ sum _ {i = 1} ^ {n } \ left [X_ {i (k)} \ right] \ end {bmatrix}} = \ sum _ {i = 1} ^ {n} \ mathbf {X} _ {i}}{\ displaystyle {\ begin {bmatrix} X_ {1 (1)} \\\ vdots \\ X_ {1 (k)} \ end {bmatrix}} + {\ begin {bmatrix} X_ {2 (1)} \\\ vdots \\ X_ {2 (k)} \ end {bmatrix}} + \ cdots + {\ begin {bmatrix} X_ {n (1)} \\\ vdots \\ X_ {n (k)} \ конец {bmatrix}} = {\ begin {bmatrix} \ sum _ {i = 1} ^ {n} \ left [X_ {i (1)} \ right] \\\ vdots \\\ sum _ {i = 1 } ^ {n} \ left [X_ {i (k)} \ right] \ end {bmatrix}} = \ sum _ {i = 1} ^ {n} \ mathbf {X} _ {i}}

и среднее значение равно

1 n ∑ i = 1 n X i = 1 n [∑ i = 1 n X i (1) ⋮ ∑ i = 1 n X i (k)] = [X ¯ i (1) ⋮ X ¯ i (к)] = Икс ¯ n {\ displaystyle {\ frac {1} {n}} \ sum _ {i = 1} ^ {n} \ mathbf {X} _ {i} = {\ frac {1} { n}} {\ begin {bmatrix} \ sum _ {i = 1} ^ {n} X_ {i (1)} \\\ vdots \\\ sum _ {i = 1} ^ {n} X_ {i ( k)} \ end {bmatrix}} = {\ begin {bmatrix} {\ bar {X}} _ {i (1)} \\\ vdots \\ {\ bar {X}} _ {i (k)} \ end {bmatrix}} = \ mathbf {{\ bar {X}} _ {n}}}{\ displaystyle { \ frac {1} {n}} \ sum _ {i = 1} ^ {n} \ mathbf {X} _ {i} = {\ frac {1} {n}} {\ begin {bmatrix} \ sum _ {i = 1} ^ {n} X_ {i (1)} \\\ vdots \\\ sum _ {i = 1} ^ {n} X_ {i (k)} \ end {bmatrix}} = {\ begin {bmatrix} {\ bar {X}} _ {i (1)} \\\ vdots \\ {\ bar {X}} _ {i (k)} \ end {bmatrix}} = \ mathbf {{\ бар {X}} _ {n}}}

и, следовательно,

1 n ∑ i = 1 n [X i - E ⁡ (X i)] = 1 n ∑ i = 1 n (X i - μ) = n (X ¯ n - μ). {\ displaystyle {\ frac {1} {\ sqrt {n}}} \ sum _ {i = 1} ^ {n} \ left [\ mathbf {X} _ {i} - \ operatorname {E} \ left ( X_ {i} \ right) \ right] = {\ frac {1} {\ sqrt {n}}} \ sum _ {i = 1} ^ {n} (\ mathbf {X} _ {i} - {\ boldsymbol {\ mu}}) = {\ sqrt {n}} \ left ({\ overline {\ mathbf {X}}} _ {n} - {\ boldsymbol {\ mu}} \ right).}{\ displaystyle {\ frac {1} {\ sqrt {n}}} \ sum _ {i = 1} ^ {n} \ left [ \ mathbf {X} _ {i} - \ operatorname {E} \ left (X_ {i} \ right) \ right] = {\ frac {1} {\ sqrt {n}}} \ sum _ {i = 1 } ^ {n} (\ mathbf {X} _ {i} - {\ boldsymbol {\ mu}}) = {\ sqrt {n}} \ left ({\ overline {\ mathbf {X}}} _ {n } - {\ boldsymbol {\ mu}} \ right).}

Многомерная центральная предельная теорема утверждает, что

n (X ¯ n - μ) → DN k (0, Σ) {\ displaystyle {\ sqrt {n}} \ left ({\ overline {\ mathbf {X}}} _ {n} - {\ boldsymbol {\ mu}} \ right) \ {\ stackrel {D} {\ rightarrow}} \ N_ {k} (0, {\ boldsymbol {\ Sigma}})}{\ displaystyle {\ sqrt {n}} \ left ({ \ overline {\ mathbf {X}}} _ {n} - {\ boldsymbol {\ mu}} \ right) \ {\ stackrel {D} {\ righta rrow}} \ N_ {k} (0, {\ boldsymbol {\ Sigma}})}

где ковариационная матрица Σ {\ displaystyle \ mathbf {\ Sigma}}\ mathbf {\ Sigma} равна

Σ = [Var ⁡ (X 1 (1)) Cov ⁡ ( X 1 (1), X 1 (2)) Cov ⁡ (X 1 (1), X 1 (3)) ⋯ Cov ⁡ (X 1 (1), X 1 (k)) Cov ⁡ (X 1 (2), X 1 (1)) Var ⁡ (X 1 (2)) Cov ⁡ (X 1 (2), X 1 (3)) ⋯ Cov ⁡ (X 1 (2), X 1 (k)) Cov ⁡ (X 1 (3), X 1 (1)) Cov ⁡ (X 1 (3), X 1 (2)) Var ⁡ (X 1 (3)) ⋯ Cov ⁡ (X 1 (3), X 1 ( к)) ⋮ ⋮ ⋮ ⋱ ⋮ Cov ⁡ (X 1 (k), X 1 (1)) Cov ⁡ (X 1 (k), X 1 (2)) Cov ⁡ (X 1 (k), X 1 (3)) ⋯ Var ⁡ (X 1 (k))]. {\ displaystyle {\ boldsymbol {\ Sigma}} = {\ begin {bmatrix} {\ operatorname {Var} \ left (X_ {1 (1)} \ right)} \ operatorname {Cov} \ left (X_ {1 (1)}, X_ {1 (2)} \ right) \ operatorname {Cov} \ left (X_ {1 (1)}, X_ {1 (3)} \ right) \ cdots \ operatorname {Cov } \ left (X_ {1 (1)}, X_ {1 (k)} \ right) \\\ operatorname {Cov} \ left (X_ {1 (2)}, X_ {1 (1)} \ right) \ operatorname {Var} \ left (X_ {1 (2)} \ right) \ operatorname {Cov} \ left (X_ {1 (2)}, X_ {1 (3)} \ right) \ cdots \ operatorname {Cov} \ left (X_ {1 (2)}, X_ {1 (k)} \ right) \\\ operatorname {Cov} \ left (X_ {1 (3)}, X_ {1 (1) } \ right) \ operatorname {Cov} \ left (X_ {1 (3)}, X_ {1 (2)} \ right) \ operatorname {Var} \ left (X_ {1 (3)} \ right) \ cdots \ operatorname {Cov} \ left (X_ {1 (3)}, X_ {1 (k)} \ right) \\\ vdots \ vdots \ vdots \ ddots \ vdots \\\ operatorname {Cov} \ left (X_ {1 (k)}, X_ {1 (1)} \ right) \ operatorname {Cov} \ left (X_ {1 (k)}, X_ {1 (2)} \ right) \ operatorname {Cov} \ left (X_ {1 (k)}, X_ {1 (3)} \ right) \ cdots \ operatorname {Var} \ left (X_ {1 (k)} \ right) \\\ end {bmatrix}}.}{\ displaystyle {\ boldsymbol {\ Sigma}} = {\ begin {bmatrix} {\ operatorname {Var } \ left (X_ {1 (1)} \ right)} \ operatorname {Cov} \ left (X_ {1 (1)}, X_ {1 (2)} \ right) \ operatorname {Cov} \ left (X_ {1 (1)}, X_ {1 (3)} \ right) \ cdots \ operatorname {Cov} \ left (X_ {1 (1)}, X_ {1 (k)} \ right) \ \\ operatorname {Cov} \ left (X_ {1 (2)}, X_ {1 (1)} \ right) \ operatorname {Var} \ left (X_ {1 (2)} \ right) \ operatorname { Cov} \ left (X_ {1 (2)}, X_ {1 (3)} \ right) \ cdots \ operatorname {Cov} \ left (X_ {1 (2)}, X_ {1 (k)} \ right) \\\ operatorname {Cov} \ left (X_ {1 (3)}, X_ {1 (1)} \ right) \ operatorname {Cov} \ left (X_ {1 (3)}, X_ { 1 (2)} \ right) \ operatorname {Var} \ left (X_ {1 (3)} \ right) \ cdots \ operat orname {Cov} \ left (X_ {1 (3)}, X_ {1 (k)} \ right) \\\ vdots \ vdots \ vdots \ ddots \ vdots \\\ operatorname {Cov} \ left (X_ {1 (k)}, X_ {1 (1)} \ right) \ operatorname {Cov} \ left (X_ {1 (k)}, X_ {1 (2)} \ right) \ operatorname { Cov} \ left (X_ {1 (k)}, X_ {1 (3)} \ right) \ cdots \ operatorname {Var} \ left (X_ {1 (k)} \ right) \\\ end { bmatrix}}.}

Скорость сходимости задается следующим Берри – Эсс een введите результат:

Теорема. Пусть X 1,…, X n {\ displaystyle X_ {1}, \ dots, X_ {n}}X_ { 1}, \ точки, X_ {n} будет независимым R d {\ displaystyle R ^ {d}}R ^ {d} -значные случайные векторы, каждый из которых имеет нулевое среднее значение. Запишите S = ∑ i = 1 n X i {\ displaystyle S = \ sum _ {i = 1} ^ {n} X_ {i}}{\ displaystyle S = \ sum _ {i = 1} ^ {n} X_ {i}} и положите Σ = Cov ⁡ [S] {\ displaystyle \ Sigma = \ operatorname {Cov} [S]}{\ displaystyle \ Sigma = \ operatorname {Cov} [S]} обратимо. Пусть Z ∼ N (0, Σ) {\ displaystyle Z \ sim N (0, \ Sigma)}{\ displaystyle Z \ sim N (0, \ Sigma)} будет a d {\ displaystyle d}d - размерный гауссовский с тем же средним и ковариационной матрицей, что и S {\ displaystyle S}S . Тогда для всех выпуклых множеств U ⊆ R d {\ displaystyle U \ substeq R ^ {d}}{\ displaystyle U \ substeq R ^ {d}} ,

| Pr [S ∈ U] - Pr [Z ∈ U] | ≤ C d 1/4 γ, {\ displaystyle | \ Pr [S \ in U] - \ Pr [Z \ in U] | \ leq Cd ^ {1/4} \ gamma,}{\ displaystyle | \ Pr [S \ in U] - \ Pr [Z \ in U] | \ leq Cd ^ {1/4} \ gamma,}

где C {\ displaystyle C}C - универсальная константа, γ = ∑ i = 1 n E ⁡ [‖ Σ - 1/2 X i ‖ 2 3] {\ displaystyle \ gamma = \ sum _ {i = 1} ^ {n} \ operatorname {E} [\ | \ Sigma ^ {- 1/2} X_ {i} \ | _ {2} ^ {3}]}{\ displaystyle \ gamma = \ sum _ {i = 1} ^ {n} \ operatorname {E} [\ | \ Sigma ^ {- 1/2} X_ {i} \ | _ {2} ^ {3}]} , и ‖ ⋅ ‖ 2 {\ displaystyle \ | \ cdot \ | _ {2}}\ | \ cdot \ | _ {2} обозначает евклидову норму на R d {\ displaystyle R ^ {d}}R ^ {d} .

Неизвестно, необходим ли множитель d 1/4 {\ textstyle d ^ {1/4}}{\ стиль текста d ^ {1/4}} .

Обобщенная теорема

Центральный предел Теорема утверждает, что сумма ряда независимых и одинаково распределенных случайных величин с конечной дисперсией будет стремиться к нормальному распределению по мере роста числа переменных. Обобщение, связанное с Гнеденко и Колмогоровым, утверждает, что сумма ряда случайных величин со степенным хвостом (Паретианским хвостом ) распределения уменьшается как | х | - a - 1 {\ textstyle {\ vert x \ vert} ^ {- a-1}}{\ textstyle {\ vert x \ vert} ^ {- a-1}} где 0 < α < 2 {\textstyle 0<\alpha <2}{\ textstyle 0 <\ alpha <2}(и, следовательно, с бесконечной дисперсией) будет стремиться к стабильному распределению f ( x; α, 0, c, 0) {\ textstyle f (x; \ alpha, 0, c, 0)}{\ textstyle f (x; \ alpha, 0, c, 0)} по мере увеличения количества слагаемых. Если α>2 {\ textstyle \ alpha>2}{\textstyle \alpha>2} , тогда сумма сходится к стабильному распределению с параметром стабильности, равным 2, то есть распределению Гаусса.

Зависимые процессы

CLT со слабой зависимостью

Полезным обобщением последовательности независимых, одинаково распределенных случайных величин является смешивание случайного процесса в дискретном времени; «смешивание» означает, грубо говоря, что случайные величины, удаленные друг от друга во времени, почти независимы. В эргодической теории и теории вероятностей используется несколько видов перемешивания. См., в частности, сильное перемешивание (также называемое α-смешиванием), определяемое как α (n) → 0 {\ textstyle \ alpha (n) \ to 0}{\ textstyle \ альфа (п) \ к 0} , где α (n) {\ textstyle \ alpha (n)}{\ textstyle \ alpha (n)} так называемый сильный коэффициент смешивания.

Упрощенная формулировка центрального предела Теорема при сильном перемешивании:

Теорема. Предположим, что {X 1,…, X n} {\ textstyle \ {X_ {1}, \ ldots, X_ {n} \}}{\ textstyle \ {X_ {1}, \ ldots, X_ {n} \}} является стационарным, а α {\ displaystyle \ alpha}\ alpha -смешивается с α n = O (n - 5) {\ textstyle \ alpha _ {n} = O ( n ^ {- 5})}{\ textstyle \ alpha _ {n} = O (n ^ {- 5})} и что E ⁡ [X n] = 0 {\ textstyle \ operatorname {E} [X_ {n}] = 0}{\ textstyle \ operatorname {E} [X_ {n}] = 0} и E ⁡ [X n 12] < ∞ {\textstyle \operatorname {E} [{X_{n}}^{12}]<\infty }{\ textstyle \ operatorname {E} [{X_ {n}} ^ {12}] <\ infty} . Обозначим S n = X 1 + ⋯ + X n {\ textstyle S_ {n} = X_ {1} + \ cdots + X_ {n}}{\ textstyle S_ {n} = X_ {1} + \ cdots + X_ {n}} , тогда предел

σ 2 знак равно lim n E ⁡ (S n 2) n {\ displaystyle \ sigma ^ {2} = \ lim _ {n} {\ frac {\ operatorname {E} \ left (S_ {n} ^ {2} \ right) } {n}}}{\ displaystyle \ sigma ^ {2} = \ lim _ {n} {\ frac {\ operatorname {E} \ left (S_ {n} ^ {2} \ right)} {n}}}

существует, и если σ ≠ 0 {\ textstyle \ sigma \ neq 0}{\ textstyle \ sigma \ neq 0} , то S n σ n {\ textstyle {\ frac {S_ {n}} {\ sigma {\ sqrt {n}}}}}{\ textstyle {\ frac {S_ {n}} {\ sigma {\ sqrt {n}}}}} сходится по распределению к N (0, 1) {\ textstyle N (0,1)}{\ textstyle N (0,1)} .

в факт,

σ 2 знак равно Е ⁡ (Икс 1 2) + 2 ∑ К знак равно 1 ∞ Е ⁡ (Икс 1 Икс 1 + К), {\ Displaystyle \ sigma ^ {2} = \ OperatorName {E} \ left (X_ {1} ^ {2} \ right) +2 \ sum _ {k = 1} ^ {\ infty} \ operatorname {E} \ left (X_ {1} X_ {1 + k} \ right),}{\ displaystyle \ sigma ^ {2} = \ operatorname {E} \ left (X_ {1} ^ {2} \ right) +2 \ sum _ {k = 1} ^ {\ infty} \ operatorname {E } \ left (X_ {1} X_ {1 + k} \ right),}

, где ряд абсолютно сходится.

Допущение σ ≠ 0 {\ textstyle \ sigma \ neq 0}{\ textstyle \ sigma \ neq 0} не может быть опущено, поскольку асимптотическая нормальность не выполняется для X n = Y n - Y n - 1 {\ textstyle X_ {n} = Y_ {n} -Y_ {n-1}}{\ textstyle X_ {n} = Y_ {n } -Y_ {n-1}} , где Y n {\ textstyle Y_ {n}}{\ textstyle Y_ {n}} - другое стационарная последовательность.

Существует более сильная версия теоремы: предположение E ⁡ [X n 12] < ∞ {\textstyle \operatorname {E} [{X_{n}}^{12}]<\infty }{\ textstyle \ operatorname {E} [{X_ {n}} ^ {12}] <\ infty} заменяется на E ⁡ [| X n | 2 + δ] < ∞ {\textstyle \operatorname {E} [{\vert X_{n}\vert }^{2+\delta }]<\infty }{\ textstyle \ operatorname {E} [{\ vert X_ {n} \ vert} ^ {2+ \ delta}] <\ infty} , и предположение α n = O (n - 5) {\ textstyle \ alpha _ {n} = O (n ^ {- 5})}{\ textstyle \ alpha _ {n} = O (n ^ {- 5})} является заменено на

∑ n α n δ 2 (2 + δ) < ∞. {\displaystyle \sum _{n}\alpha _{n}^{\frac {\delta }{2(2+\delta)}}<\infty.}\ sum _ {n} \ alpha _ {n} ^ {\ frac {\ delta} {2 (2+ \ delta)}} <\ infty.

Существование такого δ>0 {\ textstyle \ delta>0}{\textstyle \delta>0} обеспечивает вывод. Для энциклопедической обработки предельных теорем (см. Брэдли 2007).

Разница мартингейла CLT

Теорема . Пусть мартингейл M n {\ textstyle M_ {n}}{\ textstyle M_ {n}} удовлетворяет

  • 1 n ∑ k = 1 n E ⁡ ((M k - M k - 1) 2 | M 1,…, M k - 1) → 1 {\ displaystyle {\ frac {1 } {n}} \ sum _ {k = 1} ^ {n} \ operatorname {E} \ left (\ left (M_ {k} -M_ {k-1} \ right) ^ {2} | M_ {1 }, \ dots, M_ {k-1} \ right) \ до 1}{\ displaystyle {\ frac {1} {n}} \ sum _ {k = 1} ^ {n} \ operatorname {E} \ left (\ left (M_ {k} -M_ {k-1} \ right) ^ {2} | M_ {1}, \ dots, M_ {k-1} \ right) \ to 1 } по вероятности при n → ∞,
  • для любого ε>0, 1 n ∑ k Знак равно 1 N E ⁡ ((М К - М К - 1) 2; | М К - М К - 1 |>ε N) → 0 {\ displaystyle {\ frac {1} {n}} \ sum _ {k = 1} ^ {n} \ operat orname {E} \ left (\ left (M_ {k} -M_ {k-1} \ right) ^ {2}; | M_ {k} -M_ {k-1} |>\ varepsilon {\ sqrt {n }} \right) \ to 0}{\displaystyle {\frac {1}{n}}\sum _{k=1}^{n}\operatorname {E} \left(\left(M_{k}-M_{k-1}\right)^{2};|M_{k}-M_{k-1}|>\ varepsilon {\ sqrt {n}} \ right) \ to 0} при n → ∞,

M nn {\ textstyle {\ frac {M_ {n}} {\ sqrt {n }}}}{\ textstyle {\ frac {M_ {n}} {\ sqrt {n}}}} сходится по распределению к N (0, 1) {\ textstyle N (0,1)}{\ textstyle N (0,1)} как n → ∞ {\ textstyle n \ to \ infty}{\ textstyle п \ к \ infty} .

Внимание! E ⁡ [X; A] {\ textstyle \ operatorname {E} [X; A]}{\ textstyle \ operatorname {E} [X; A]} не следует путать с условным ожиданием E ⁡ [Икс ∣ A] = E ⁡ [X; A] P (A) {\ textstyle \ operatorname {E} [X \ mid A] = {\ frac {\ operatorname {E} [X; A]} {\ mathbf {P} (A)}}}{\ textstyle \ operatorname {E} [X \ mid A] = {\ frac {\ operatorname {E} [X; A]} {\ mathbf {P} (A)}}} .

Примечания

Доказательство классической CLT

Центральная предельная теорема имеет доказательство с использованием характерных функций. слабого) закона больших чисел.

Предположим, {X 1,…, X n} {\ textstyle \ {X_ {1}, \ ldots, X_ {n} \}}{\ textstyle \ {X_ {1}, \ ldots, X_ {n} \}} - независимые и одинаково распределенные случайные величины, каждая со средним значением μ {\ textstyle \ mu}{\ textstyle \ mu} и конечной дисперсией σ 2 {\ textstyle \ sigma ^ {2}}{\ textstyle \ sigma ^ {2}} . Сумма X 1 + ⋯ + X n {\ textstyle X_ {1} + \ cdots + X_ {n}}{\ textstyle X_ {1} + \ cdots + X_ { п }} имеет mean n μ {\ textstyle n \ mu}{\ textstyle n \ mu} и variance n σ 2 {\ textstyle n \ sigma ^ {2}}{\ textstyle n \ sigma ^ {2}} . Рассмотрим случайную реакцию

Z N = Икс 1 + ⋯ + X N - N μ N σ 2 = ∑ I = 1 N X I - μ N σ 2 = ∑ I = 1 N 1 N Y I, {\ Displaystyle Z_ {n} \ = \ {\ frac {X_ {1} + \ cdots + X_ {n} -n \ mu} {\ sqrt {n \ sigma ^ {2}}}} \ = \ \ sum _ {i = 1} ^ {n} {\ frac {X_ {i} - \ mu} {\ sqrt {n \ sigma ^ {2}}}} \ = \ \ sum _ {i = 1} ^ {n} {\ frac {1} {\ sqrt {n}}} Y_ {i},}{\ displaystyle Z_ {n} \ = \ {\ frac {X_ {1} + \ cdots + X_ {n} -n \ mu} {\ sqrt {n \ sigma ^ {2}}}} \ = \ \ sum _ {i = 1} ^ {n} {\ frac {X_ {i} - \ mu} { \ sqrt {n \ sigma ^ {2}}}} \ = \ \ sum _ {i = 1} ^ {n} {\ frac {1} {\ sqrt {n}}} Y_ {i},}

где на последнем шаге мы определили новые случайные величины Y i = X i - μ σ {\ textstyle Y_ {i} = {\ frac {X_ {i} - \ mu} {\ sigma}}}{\ textstyle Y_ {i} = {\ frac {X_ {i} - \ mu} {\ sigma}}} , каждый с нулевым средним и единичной дисперсией (var ⁡ (Y) = 1 {\ textstyle \ operatorname {var} ( Y) = 1}{\ textstyle \ operatorname {var} (Y) = 1} ). Характеристическая функция для Z n {\ textstyle Z_ {n}}{\ textstyle Z_ {n}} задается как

φ Z n (t) = φ ∑ i = 1 n 1 n Y я (T) знак равно φ Y 1 (tn) φ Y 2 (tn) ⋯ φ YN (tn) = [φ Y 1 (tn)] n, {\ displaystyle \ varphi _ {Z_ {n}} \! (t) \ = \ \ varphi _ {\ sum _ {i = 1} ^ {n} {{\ frac {1} {\ sqrt {n}}} Y_ {i}}} \! (t) \ = \ \ varphi _ {Y_ {1}} \! \! \ left ({\ frac {t} {\ sqrt {n}}} \ right) \ varphi _ {Y_ {2}} \! \! \ left ({\ frac {t} {\ sqrt {n}}} \ right) \ cdots \ varphi _ {Y_ {n}} \! \! \ left ({\ frac {t} {\ sqrt {n}}} \ right) \ = \ \ left [\ varphi _ {Y_ {1}} \! \! \ left ({\ frac {t} {\ sqrt {n}}} \ right) \ right] ^ {n},}{\ displaystyle \ varphi _ {Z_ {n}} \! (T) \ = \ \ varphi _ {\ sum _ {i = 1} ^ {n} {{\ frac {1} {\ sqrt {n}}} Y_ {i}}} \! (T) \ = \ \ varphi _ {Y_ {1}} \! \! \ Left ({\ frac {t} {\ sqrt {n}}} \ right) \ varphi _ {Y_ {2}} \! \! \ left ({\ frac {t} {\ sqrt {n}}} \ right) \ cdots \ varphi _ {Y_ {n }} \! \! \ left ({\ frac {t} {\ sqrt {n}}} \ right) \ = \ \ left [\ varphi _ {Y_ {1}} \! \! \ left ({\ frac {t} {\ sqrt {n}}} \ right) \ right ] ^ {n},}

где на последнем шаге мы использовали тот факт, что все Y i {\ textstyle Y_ {i}}{\ textstyle Y_ {i}} одинаково распределены. Характеристическая функция Y 1 {\ textstyle Y_ {1}}{\ textstyle Y_ {1}} согласно теореме Тейлора,

φ Y 1 (tn) = 1 - t 2 2 n + o (t 2 n), (TN) → 0 {\ Displaystyle \ varphi _ {Y_ {1}} \! \! \ left ({\ frac {t} {\ sqrt {n}}} \ right) \ = \ 1 - {\ frac {t ^ {2}} {2n}} + o \! \! \ left ({\ frac {t ^ {2}} {n}} \ right), \ quad {\ bigg (} {\ frac {t} {\ sqrt {n}}} {\ bigg)} \ rightarrow 0 }{\ displaystyle \ varphi _ {Y_ {1}} \! \! \ left ({\ frac {t} {\ sqrt {n}} } \ right) \ = \ 1 - {\ frac {t ^ {2}} {2n}} + o \! \! \ left ({\ frac {t ^ {2}} {n}} \ right), \ quad {\ bigg (} {\ frac {t} {\ sqrt {n}}} {\ bigg)} \ rightarrow 0}

где o (t 2 / n) {\ textstyle o (t ^ {2} / n)}{\ textstyle о (t ^ {2} / n)} - это «маленькая нотация » для некоторой функции t {\ textstyle t}{\ textstyle t} , которая стремится к нулю быстрее, чем t 2 / п {\ textstyle t ^ {2} / n}{\ textstyle t ^ {2} / n} . Пределом экспоненциальной функции (ex = lim (1 + xn) n {\ textstyle e ^ {x} = \ lim {(1 + {\ frac {x} {n})}) ^ {n}}}{\ textstyle e ^ {x} = \ lim {( 1 + {\ frac {x} {n}}) ^ {n}}} ), характерная функция Z n {\ displaystyle Z_ {n}}Z_ {n} равна

φ Z n (t) = (1 - т 2 2 п + о (т 2 п)) п → е - 1 2 т 2, п → ∞. {\ displaystyle \ varphi _ {Z_ {n}} (t) = \ left (1 - {\ frac {t ^ {2}} {2n}} + o \ left ({\ frac {t ^ {2}})) {n}} \ right) \ right) ^ {n} \ rightarrow e ^ {- {\ frac {1} {2}} t ^ {2}}, \ quad n \ rightarrow \ infty.}{\ displaystyle \ varphi _ {Z_ {n}} (t) = \ left (1 - {\ frac {t ^ {2}} {2n}} + o \ left ({\ frac {t ^ {2}) } {n}} \ right) \ right) ^ {n} \ rightarrow e ^ {- {\ frac {1} {2}} t ^ {2}}, \ quad n \ rightarrow \ infty.}

Все высшего качества исчезают в пределе n → ∞ {\ textstyle n \ to \ infty}{\ textstyle п \ к \ infty} . Правая часть следует характеристической функции стандартного нормального распределения N (0, 1) {\ textstyle N (0,1)}{\ textstyle N (0,1)} , из чего через теорему Леви о непрерывности что распределение Z n {\ textstyle Z_ {n}}{\ textstyle Z_ {n}} приблизится к N (0, 1) {\ textstyle N (0,1)}{\ textstyle N (0,1)} как п → ∞ {\ textstyle п \ к \ infty}{\ textstyle п \ к \ infty} . Следовательно, сумма X 1 + ⋯ + X n {\ textstyle X_ {1} + \ cdots + X_ {n}}{\ textstyle X_ {1} + \ cdots + X_ { п }} будет приближаться к сумме нормального распределения N (n μ, n σ 2) {\ textstyle N (n \ mu, n \ sigma ^ {2})}{\ textstyle N (n \ mu, n \ sigma ^ {2})} , и выборочное среднее

X ¯ n = X 1 + ⋯ + X nn {\ displaystyle {\ bar {X}} _ {n} = {\ frac {X_ {1} + \ cdots + X_ {n}} {n}}}{\ displaystyle {\ bar {X}} _ {n} = {\ frac {X_ {1} + \ cdots + X_ {n}} {n}}}

сходится к нормальному распределению N (μ, σ 2 n) {\ textstyle N (\ mu, {\ frac {\ sigma ^ {2}} {n}})}{\ textstyle N (\ mu, {\ frac {\ sigma ^ {2}} {n}})} , из которого следует центральная предельная теорема.

Сходимость к пределу

Центральная предельная теорема дает только асимптотическое распределение. В качестве приближения для конечного числа наблюдений оно обеспечивает разумное приближение только, когда оно близко к пику нормального распределения; для этого требуется очень большое количество наблюдений.

Сходимость в центральной предельной теореме равномерная, потому что предельная кумулятивная функция является непрерывной. Если третий центральный момент E ⁡ [(X 1 - μ) 3] {\ textstyle \ operatorname {E} [(X_ {1} - \ mu) ^ {3}]}{\ textstyle \ operatorname {E} [(X_ {1} - \ mu) ^ {3}]} существует и является конечным, тогда скорость сходимости по мере порядка 1 / n {\ textstyle 1 / {\ sqrt {n}}}{\ textstyle 1 / {\ sqrt {n}}} (см. теорема Берри - Эссина ). Метод Стейна можно использовать не только для доказательства центральной предельной теоремы, но и для определения границ скорости сходимости для выбранных показателей.

Сходимость к нормальному распределению монотонна, в том смысле, что энтропия для Z n {\ textstyle Z_ {n}}{\ textstyle Z_ {n}} увеличивается монотонно до нормального распределения.

Центральная предельная теорема применяют, в частности, к суммам независимых и одинаково распределенных дискретных случайных величин. Сумма дискретных случайных величин по-прежнему является дискретной случайной величиной, так что мы сталкиваемся с последовательностью дискретных случайных величин, чья кумулятивная функция вероятности распределения сходится к кумулятивная функция распределения вероятностей соответствующей непрерывной переменной (а именно функции нормального распределения ). Это означает, что если мы построим гистограмму реализаций суммы независимо идентичных дискретных чисел, кривая, соединяющая центры верхних граней прямоугольников, образующих гистограмму, сходится к гауссовой кривой, как n стремится к бесконечности, это соотношение как теорема де Муавра - Лапласа. В статье биномиальное распределение подробно рассматривается такое применение центральной предельной теоремы в простом описании дискретной переменной, принимающей только два значения.

Связь с законом больших чисел

Закон больших чисел, а также центральная предельная теорема являются частными решениями общих проблем: «Каково предельное поведение S n, когда n приближается к бесконечности ? "В математическом анализе асимптотические ряды являются одним из самых популярных инструментов, используемых для решения вопросов.

Предположим, у нас есть астотическое разложение f (n) {\ textstyle f ( n)}{\ textstyle f (n)} :

е (n) знак равно a 1 φ 1 (n) + a 2 φ 2 (n) + O (φ 3 (n)) (n → ∞). {\ displaystyle f (n) = a_ {1} \ varphi _ {1} (n) + a_ {2} \ varphi _ {2} (n) + O {\ big (} \ varphi _ {3} (n) {\ big)} \ qquad ( n \ rightarrow \ infty).}{\ displaystyle f (n) = a_ {1} \ varphi _ { 1} (n) + a_ {2} \ varphi _ {2} (n) + O {\ big (} \ varphi _ {3} (n) {\ big)} \ qquad (n \ rightarrow \ infty). }

Разделив обе части на φ 1 (n) и взяв предел, вы получите 1, коэффициент перед членом высшего порядка в разложении, представляет скорость, с которой f (n) изменяется в своем главном члене.

lim n → ∞ f (n) φ 1 (n) = a 1. {\ displaystyle \ lim _ {n \ to \ infty} {\ frac {f (n)} {\ varphi _ {1} (n)}} = a_ {1}.}\ lim _ {n \ to \ infty} {\ frac {f (n)} {\ varphi _ {1} (n)}} = a_ {1}.

Неформально можно сказать: «f (n) растет примерно как a 1φ1(n)». разница между f (n) и ее приближением и затем разделив на следующий член в разложении, мы приходим к более тонкому у тверждение о f (n):

lim n → ∞ f (n) - a 1 φ 1 (п) φ 2 (п) = а 2. {\ displaystyle \ lim _ {n \ to \ infty} {\ frac {f (n) -a_ {1} \ varphi _ {1} (n)} {\ varphi _ {2} (n)}} = a_ {2}.}\ lim _ {n \ to \ infty} {\ frac {f (n) -a_ {1} \ varphi _ {1 } (n)} {\ varphi _ {2} (n)}} = a_ {2}.

Здесь можно сказать, что разница между функция и ее приближением растет примерно как a 2φ2(n). Идея состоит в том, что разделение функций в соответствующих нормализующих функциях и рассмотрение ограничивающего поведения результата может многое рассказать об ограничивающем поведении самой исходной функции.

Неформально, что-то подобное происходит, когда сумма, S n, не одинаково распределенных случайных величин, X 1,…, X n, изучается в классической теории вероятностей. Если каждое X i имеет конечное среднее значение μ, то по закону больших чисел S n / n → μ. Если вдобавок каждый X i имеет конечную дисперсию σ, то по центральной предельной теореме

S n - n μ n → ξ, {\ displaystyle {\ frac {S_ {n} -n \ mu} { \ sqrt {n}}} \ rightarrow \ xi,}{\ frac {S_ { п} -n \ mu} {\ sqrt {n}}} \ rightarrow \ xi,

где ξ распределено как N (0, σ). Это дает значения первых двух констант в неформальном разложении

S n ≈ μ n + ξ n. {\ displaystyle S_ {n} \ приблизительно \ mu n + \ xi {\ sqrt {n}}.}{\ displaystyle S_ {n} \ приблизительно \ mu n + \ xi {\ sqrt {n}}.}

В случае, когда X i не имеют конечного среднего или дисперсии, сходимость смещенная и измененная сумма также может возникать с различными коэффициентами центрирования и масштабирования:

S n - anbn → Ξ, {\ displaystyle {\ frac {S_ {n} -a_ {n}} {b_ {n}}} \ rightarrow \ Xi,}{\ frac {S_ {n} -a_ {n}} {b_ {n}}} \ rightarrow \ Xi,

или неформально

S n ≈ an + Ξ bn. {\ displaystyle S_ {n} \ приблизительно a_ {n} + \ Xi b_ {n}.}{\ displaystyle S_ {n} \ приблизительно a_ {n} + \ Xi b_ {n}.}

Распределения Ξ, которые могут возникать таким образом, называются стабильными. Ясно, что нормальное распределение является стабильным, но существуют и другие стабильные распределения, такие как распределение Коши, для которых не определены среднее значение или дисперсия. Коэффициент масштабирования b n может быть пропорционален n для любого c ≥ 1/2; его также можно умножить на медленно меняющуюся функцию от n.

Закон повторного логарифма определяет, что происходит "между" законом больших чисел и центральной предельной теоремы. В частности, в нем говорится, что нормализующая функция √n log log n, промежуточная по размеру между n закона больших чисел и √n центральной предельной теоремы, обеспечивает нетривиальное предельное поведение.

Альтернативные утверждения теоремы

Функции плотности

плотность суммы двух или более независимых переменных - это свертка их плотности (если эти плотности существуют). Таким образом, центральную предельную теорему можно интерпретировать как утверждение о свойствах функций плотности при свертке: свертка ряда функций плотности стремится к нормальной плотности по мере неограниченного увеличения числа функций плотности. Эти теоремы требуют более сильных гипотез, чем приведенные выше формы центральной предельной теоремы. Теоремы этого типа часто называют локальными предельными теоремами. См. У Петрова конкретную локальную предельную теорему для сумм независимых и одинаково распределенных случайных величин.

Характеристические функции

Поскольку характеристическая функция свертки является произведением характеристики функциях рассматриваемых плотностей, центральная предельная теорема имеет еще одну переформулировку: произведение характеристических функций ряда функций плотности становится близким к характеристической функции нормальной плотности по мере неограниченного увеличения числа функций плотности при условиях указано выше. В частности, к аргументу характеристической функции должен применяться соответствующий коэффициент масштабирования.

Эквивалентное утверждение может быть сделано в отношении преобразований Фурье, поскольку характеристическая функция по существу является преобразованием Фурье.

Вычисление дисперсии

Пусть S n будет суммой n случайных величин. Многие центральные предельные теоремы предоставляют такие условия, что S n / √Var (S n) сходится по распределению к N (0,1) (нормальное распределение со средним 0, дисперсией 1) при n → ∞. В некоторых случаях можно найти постоянную σ и функцию f (n) такие, что S n / (σ√n⋅f (n)) сходится по распределению к N (0,1) как п → ∞.

Лемма. Предположим, что X 1, X 2,… {\ displaystyle X_ {1}, X_ {2}, \ dots}X_ {1}, X_ {2}, \ dots представляет собой последовательность действительных значений и строго стационарные случайные величины с E (X i) = 0 {\ displaystyle \ mathbb {E} (X_ {i}) = 0}{\ displaystyle \ mathbb {E} (X_ {i}) = 0} для всех i {\ displaystyle i}i, g: [0, 1] → R {\ displaystyle g: [0,1] \ rightarrow \ mathbb {R}}{\ displaystyle g: [0,1] \ rightarrow \ mathbb {R}} и S n = ∑ i = 1 нг (дюйм) Икс я {\ displaystyle S_ {n} = \ sum _ {i = 1} ^ {n} g ({\ tfrac {i} {n}}) X_ {i}}{\ displaystyle S_ {n} = \ sum _ {i = 1} ^ {n} g ({\ tfrac {i} {n}}) X_ {i}} . Построить

σ 2 знак равно E (X 1 2) + 2 ∑ i = 1 ∞ E (X 1 X 1 + i) {\ displaystyle \ sigma ^ {2} = \ mathbb {E} (X_ {1} ^ {2}) + 2 \ sum _ {i = 1} ^ {\ infty} \ mathbb {E} (X_ {1} X_ {1 + i})}{\ di splaystyle \ sigma ^ {2} = \ mathbb {E} (X_ {1} ^ {2}) + 2 \ sum _ {i = 1} ^ {\ infty} \ mathbb {E} (X_ {1} X_ { 1 + i})}
  1. Если ∑ i = 1 ∞ E (Икс 1 Икс 1 + я) {\ Displaystyle \ сумма _ {я = 1} ^ {\ infty} \ mathbb {E} (X_ {1} X_ {1 + i})}{\ displaystyle \ sum _ {i = 1} ^ {\ infty} \ mathbb {E} (X_ {1} X_ {1 + i})} абсолютно сходящийся, | ∫ 0 1 g (x) g ′ (x) d x | < ∞ {\displaystyle \left|\int _{0}^{1}g(x)g'(x)\,dx\right|<\infty }{\displaystyle \left|\int _{0}^{1}g(x)g'(x)\,dx\right|<\infty }и 0 < ∫ 0 1 ( g ( x)) 2 d x < ∞ {\displaystyle 0<\int _{0}^{1}(g(x))^{2}dx<\infty }{\ displaystyle 0 <\ int _ {0} ^ {1} (g (x)) ^ {2} dx <\ infty} , затем V ar (S n) / (n γ n) → σ 2 {\ displaystyle \ mathrm {Var} (S_ {n}) / (n \ gamma _ {n}) \ rightarrow \ sigma ^ {2}}{\ displaystyle \ mathrm {Var} (S_ {n}) / (n \ gamma _ {n}) \ rightarrow \ sigma ^ {2}} as n → ∞ {\ displaystyle n \ rightarrow \ infty}n \ rightarrow \ infty где γ n = 1 n ∑ i = 1 N (г (дюйм)) 2 {\ Displaystyle \ gamma _ {n} = {\ frac {1} {n}} \ sum _ {i = 1} ^ {n} (g ({\ tfrac {i}) {n}})) ^ {2}}{\ displaystyle \ gamma _ {n} = {\ frac {1} {n}} \ sum _ {i = 1} ^ {n} (g ({\ tfrac {i} {n}})) ^ {2}} .
  2. Если дополнительно σ>0 {\ displaystyle \ sigma>0}\sigma>0 и S n / V ar (S n) {\ displaystyle S_ {\ displaystyle S_ {\ displaystyle S_ {\ displaystyle S_) {\ sqrt {\ mathrm {Var} (S_ {n})}}}{\ displaystyle S_ {n} / {\ sqrt {\ mathrm {Var} (S_ {n})}}} сходится по распределению к N (0, 1) {\ displaystyle {\ mathcal {N}} (0, 1)}{\ displaystyle {\ mathcal {N}} (0,1)} как n → ∞ {\ displaystyle n \ rightarrow \ infty}n \ rightarrow \ infty затем S n / (σ n γ n) {\ displaystyle S_ {n } / (\ sigma {\ sqrt {n \ gamma _ {n}}})}{\ displaystyle S_ {n} / (\ sigma {\ sqrt {п \ гамма _ {п}}})} также сходится в распределении по N (0, 1) {\ displaystyle {\ mathcal {N}} (0,1)}{\ displaystyle {\ mathcal {N}} (0,1)} как n → ∞ {\ displaystyle n \ rightarrow \ infty}n \ rightarrow \ infty .

Расширения

Произведения положительных случайных величин

Логарифм произведения - это просто сумма логарифмов факторов. Следовательно, когда логарифм произведения случайных величин, принимающих только положительные значения, приближается к нормальному распределению, само произведение приближается к логнормальному распределению. Многие физические величины зависят от масштаба и не могут быть отрицательными продуктами различных случайных факторов, поэтому они подчиняются логнормальному распределению. Эту мультипликативную версию центральной предельной теоремы иногда называют законом Гибм.

В то время как центральная предельная теорема для сумм случайных величин требует условий конечной дисперсии, соответствующая теорема для необходимых условий требует соответствующих условий, что функция плотности должна быть квадратично-интегрируемо.

За пределами классических рамок

Асимптотическая нормальность, то есть сходимость к нормальному распределению после соответствующего сдвига и масштабирования, является явлением более общим, чем классическая структура, рассмотренная выше, а именно независимых случайных величин (или векторов). Время от времени появляются новые рамки; единой объединяющей основы пока нет.

Выпуклое

Теорема тело. Существует последовательность ε n ↓ 0, для выполнения выполняется следующее. Пусть n ≥ 1, и пусть случайные величины X 1,…, X n имеют лог-вогнутую плотность соединения f такую, что f (x 1,…, x n) = f (| x 1 |,…, | x n |) для все x 1,…, x n и E (X. k) = 1 для всех k = 1,…, n. Тогда распределение

Икс 1 + ⋯ + Икс nn {\ displaystyle {\ frac {X_ {1} + \ cdots + X_ {n}} {\ sqrt {n}}}}{\ frac {X_ {1} + \ cdots + X_ {n}} {\ sqrt {n}}}

равно ε n -ближе к N (0,1) на расстоянии полной вариации.

Эти два ε n -близких распределений плотности (фактически, логарифмически вогнутые плотности), таким образом, общая дисперсия расстояния между ними является интеграломломной величины разницы между плотностями. Сходимость при полной вариации сильнее слабой.

Важным примеромарифмической плотности является функция, постоянная внутри данного выпуклого тела и исчезающая снаружи; оно соответствует равномерному распределению на выпуклом теле, что объясняет термин «центральная предельная теорема для выпуклых теле».

Другой пример: f (x 1,…, x n) = const · exp (- (| x 1 | +… + | x n |)), где α>1 и αβ>1. Если β = 1, то f (x 1,…, x n) факторизуется в const · exp (- | x 1 |)… exp (- | x n |), что означает, что X 1,…, X n независимы. Но в целом они зависимы.

Условие f (x 1,…, x n) = f (| x 1 |,…, | x n |) гарантирует, что X 1,…, X n имеют нулевое среднее и некоррелированы ; тем не менее они не должны быть независимыми или даже попарно независимыми. Между прочим, попарная независимость не может заменить независимость в классической центральной предельной теореме.

Вот результат типа Берри - Эссина.

Теорема. Пусть X 1,…, X n удовлетворяет условиям предыдущей теоремы, тогда

| P (a ≤ X 1 + ⋯ + X n n ≤ b) - 1 2 π ∫ a b e - 1 2 t 2 d t | ≤ С N {\ Displaystyle \ влево | \ mathbb {P} \ left (a \ leq {\ frac {X_ {1} + \ cdots + X_ {n}} {\ sqrt {n}}} \ leq b \ right) - {\ frac {1} { \ sqrt {2 \ pi}}} \ int _ {a} ^ {b} \ mathrm {e} ^ {- {\ frac {1} {2}} t ^ {2}} \, dt \ right | \ leq {\ frac {C} {n}}}{\ displaystyle \ left | \ mathbb {P} \ left (a \ leq {\ frac {X_ {1} + \ cdots + X_ {n}} {\ sqrt {n}}} \ leq b \ right) - {\ frac {1} {\ sqrt {2 \ pi}}} \ int _ {a} ^ {b} \ mathrm {e} ^ {- {\ frac {1} {2}} t ^ {2}} \, dt \ right | \ leq {\ frac {C} {n}}}

для всех < b; here C is a универсальной (абсолютной) константы. Более того, для каждого c 1,…, c n∈ ℝтакого, что c. 1+… + c. n= 1,

| P (a ≤ c 1 X 1 + ⋯ + c n X n ≤ b) - 1 2 π ∫ a b e - 1 2 t 2 d t | ≤ C (c 1 4 + ⋯ + c n 4). {\ displaystyle \ left | \ mathbb {P} \ left (a \ leq c_ {1} X_ {1} + \ cdots + c_ {n} X_ {n} \ leq b \ right) - {\ frac {1} {\ sqrt {2 \ pi}}} \ int _ {a} ^ {b} \ mathrm {e} ^ {- {\ frac {1} {2}} t ^ {2}} \, dt \ right | \ leq C \ left (c_ {1} ^ {4} + \ dots + c_ {n} ^ {4} \ right).}{\ displaystyle \ left | \ mathbb {P} \ left (a \ leq c_ {1} X_ {1} + \ cdots + c_ { n} X _ {n} \ leq b \ right) - {\ frac {1} {\ sqrt {2 \ pi}}} \ int _ {a} ^ {b} \ mathrm {e} ^ {- {\ frac {1 } {2}} t ^ {2}} \, dt \ right | \ leq C \ left (c_ {1} ^ {4} + \ dots + c_ {n} ^ {4} \ right).}

Распределение X 1 +… + X n / √n не обязательно должно быть приблизительно нормальным (фактически, оно может быть однородным). Однако c 1X1+… + c nXnблизко к N (0,1) (в общем расстоянии вариации) для векторов (c 1,…, c n) согласно равномерному распределению на сфере c. 1+… + c. n= 1.

Лакунарный тригонометрический ряд

Теорема (Салем - Зигмунд ): Пусть U - случайная величина, равномерно распределенная на (0,2π), и X k = r k cos (n k U + a k), где

  • nkудовлетворяет условию лакунарности: существует q>1 такое, что n k + 1 ≥ qn k для всех k,
  • rkтаковы, что
r 1 2 + r 2 2 + ⋯ = ∞ и rk 2 r 1 2 + ⋯ + rk 2 → 0, {\ displaystyle r_ {1} ^ {2} + r_ {2} ^ {2 } + \ cdots = \ infty \ quad {\ text {and}} \ quad {\ frac {r_ {k} ^ {2}} {r_ {1} ^ {2} + \ cdots + r_ {k} ^ { 2}}} \ to 0,}{\ displaystyle r_ {1} ^ {2} + r_ {2} ^ {2} + \ cdots = \ infty \ quad {\ text {и }} \ quad {\ frac {r_ {k} ^ {2}} {r_ {1} ^ {2} + \ cdots + r_ {k} ^ {2}}} \ to 0,}
  • 0 ≤ a k< 2π.

Тогда

X 1 + ⋯ + X kr 1 2 + ⋯ + rk 2 {\ displaystyle {\ frac {X_ {1} + \ cdots + X_ {k}} {\ sqrt {r_ {1} ^ {2} + \ cdots + r_ {k} ^ {2}}}}}{\ frac {X_ {1} + \ cdots + X_ { k}} {\ sqrt {r_ {1} ^ {2} + \ cdots + r_ {k} ^ {2}}}}

сходится по расп ределению к N (0, 1/2).

Гауссовские многогранники

Теорема: Пусть A 1,…, A n - независимые случайные точки на плоскости ℝ, каждая из которых имеет двумерное стандартное нормальное распределение. Пусть K n будет выпуклой оболочкой этих точек, а X n площадью K n Тогда

X n - E (X n) Вар ⁡ (Икс n) {\ displaystyle {\ frac {X_ {n} - \ mathrm {E} (X_ {n})} {\ sqrt {\ operatorname {Var} (X_ {n})}}}}{\ frac {X_ {n} - \ mathrm {E} (X_ {n})} {\ sqrt {\ operatorname {Var} (X_ {n})}}}

сходится по распределению к N (0,1), когда n стремится к бесконечности.

То же самое верно и для всех измерений больше 2.

Многогранник Knназывается гауссовским случайным многогранником.

Аналогичный справедливый результат для числа вершин (многогранника Гаусса), числа ребер и фактически граней всех измерений.

Линейные функции ортогональных матриц

Линейная функция матрицы M - это линейная комбинация ее элементов (с заданными коэффициентами), M ↦ tr (AM ), где A - матрица коэффициентов; см. Trace (линейная алгебра) # Внутреннее произведение.

Случайная ортогональная матрица равномерно распределенной, если ее распределение является нормализованной мерой Хаара на ортогональная группа O (n, ℝ ); см. Матрица вращения # Матрицы равномерного случайного вращения.

Теорема. Пусть M - случайная ортогональная матрица размера n × n, распределенная равномерно, а A - фиксированная n × n такая, что tr (AA *) = n, и пусть X = tr (AM ). Тогда распределение X близко к N (0,1) в метрике полной вариации до 2√3 / n - 1.

Подпоследовательности

Теорема. Пусть случайные величины X 1, X 2,… ∈ L 2 (Ω) таковы, что X n → 0 слабо в L 2 (Ом) и X. n→ 1 слабо в L 1 (Ом). Тогда существуют целые числа n 1< n2< … such that

X n 1 + ⋯ + X nkk {\ displaystyle {\ frac {X_ {n_ {1}}} + \ cdots + X_ {n_ {k}}} {\ sqrt {k}} }}{\ displaystyle {\ frac {X_ {n_ {1}} + \ cdots + X_ {n_ {k }}} {\ sqrt {k}}}}

сходится по распределению к N (0,1), когда k стремится к бесконечности.

Случайное блуждание по кристаллической решетке

Центральная предельная теорема может быть установлена ​​для простого случайного блуждания на кристаллической решетке (бесконечный абелев накрывающий граф над конечным графом) и используется для проектирования основных структур.

Приложения и примеры

Простой пример

На этом рисунке показана центральная предельная теорема. Средние выборки генерируются с использованием генератора случайных чисел, который извлекает числа от 0 до 100 из равномерного распределения вероятностей. Это показывает, что увеличение размера выборки приводит к тому, что 500 измеренных выборочных средних более близко распределяются относительно среднего по генеральной совокупности (в данном случае 50). Он также сравнивает наблюдаемые распределения с распределениями, которые можно было бы ожидать от нормализованного гауссовского распределения, и показывает значения хи-квадрат, которые количественно определяют качество соответствия (соответствие хорошее, если сокращенное хи-квадрат меньше или приблизительно равно единице). Входными данными в нормализованную функцию Гаусса является среднее значение выборки (~ 50) и среднее стандартное отклонение выборки, деленное на квадратный корень из размера выборки (~ 28,87 / √n), которое называется стандартным отклонением среднего ( поскольку это относится к разбросу выборочных средних).

Простой пример центральной предельной теоремы - бросание множества идентичных, несмещенных игральных костей. Распределение суммы (или среднего) выпавших чисел будет хорошо аппроксимировано нормальным распределением. Поскольку реальные величины часто представляют собой сбалансированную сумму многих ненаблюдаемых случайных событий, центральная предельная теорема также дает частичное объяснение преобладания нормального распределения вероятностей. Это также оправдывает приближение статистики большой выборки к нормальному распределению в контролируемых экспериментах.

Сравнение функций плотности вероятности ** p (k) для суммы n справедливых 6-сторонних игральных костей, чтобы показать их сходимость к нормальному распределению с увеличением n, в соответствии с центральной предельной теоремой. На нижнем правом графике сглаженные профили предыдущих графиков масштабируются, накладываются друг на друга и сравниваются с нормальным распределением (черная кривая). Другое моделирование с использованием биномиального распределения. Были сгенерированы случайные 0 и 1, а затем рассчитаны их средние для размеров выборки от 1 до 512. Обратите внимание, что по мере увеличения размера выборки хвосты становятся тоньше, а распределение становится более концентрированным вокруг среднего.

Опубликованная литература содержит ряд полезных и интересных примеров и приложений, относящихся к центральной предельной теореме. Один источник приводит следующие примеры:

  • Распределение вероятности для общего расстояния, пройденного случайным блужданием (смещенным или несмещенным), будет иметь тенденцию к нормальному распределению.
  • Подбрасывание большого количества монет приведет к нормальное распределение для общего числа голов (или, что эквивалентно, общего числа хвостов).

С другой точки зрения, центральная предельная теорема объясняет общий вид "колоколообразной кривой" в оценках плотности, применяемых к данные реального мира. В таких случаях, как электронный шум, экзаменационные оценки и т. Д., Мы часто можем рассматривать одно измеренное значение как средневзвешенное значение множества небольших эффектов. Затем, используя обобщения центральной предельной теоремы, мы можем увидеть, что это часто (хотя и не всегда) приводит к окончательному распределению, которое приблизительно нормально.

В целом, чем больше измерение похоже на сумму независимых переменных с равным влиянием на результат, тем больше нормальности оно демонстрирует. Это оправдывает обычное использование этого распределения для замены эффектов ненаблюдаемых переменных в таких моделях, как линейная модель.

Регрессия

Регрессионный анализ и, в частности, обычный метод наименьших квадратов указывает, что зависимая переменная зависит в соответствии с некоторой функцией от одной или нескольких независимых переменных с дополнительным элементом ошибки . Различные типы статистического вывода о регрессии предполагают, что член ошибки имеет нормальное распределение. Это предположение может быть оправдано, если предположить, что член ошибки на самом деле является суммой многих независимых членов ошибки; даже если отдельные члены ошибки не распределены нормально, по центральной предельной теореме их сумма может быть хорошо аппроксимирована нормальным распределением.

Другие иллюстрации

Учитывая его важность для статистики, доступен ряд документов и компьютерных пакетов, демонстрирующих сходимость, связанную с центральной предельной теоремой.

История

Голландский математик Хенк Теймс пишет:

Центральная предельная теорема имеет интересную историю. Первая версия этой теоремы была постулирована математиком французского происхождения Абрахамом де Муавром, который в замечательной статье, опубликованной в 1733 году, использовал нормальное распределение для аппроксимации распределения количества голов в результате множества бросков. честная монета. Это открытие намного опередило свое время и было почти забыто до тех пор, пока знаменитый французский математик Пьер-Симон Лаплас не спас его из безвестности в своей монументальной работе Théorie analytique des probabilités, которая была опубликована в 1812 году. Вывод Муавра путем аппроксимации биномиального распределения нормальным распределением. Но, как и в случае с Де Муавром, открытие Лапласа не привлекло особого внимания в его время. Лишь в конце XIX века важность центральной предельной теоремы была осознана, когда в 1901 году русский математик Александр Ляпунов дал ей общие определения и точно доказал, как она работает математически. В настоящее время центральная предельная теорема считается неофициальным сувереном теории вероятностей.

Сэр Фрэнсис Гальтон описал центральную предельную теорему следующим образом:

Я почти не знаю ничего, что могло бы впечатлить воображение как чудесная форма космического порядка, выраженная «Законом частоты ошибок». Закон был бы олицетворен греками и обожествлен, если бы они знали о нем. Он царит безмятежно и в полном самоуничижении среди самого дикого смятения. Чем больше толпа и чем больше очевидная анархия, тем совершеннее ее власть. Это высший закон безрассудства. Всякий раз, когда берется большая выборка хаотических элементов и упорядочивается по порядку их величины, неожиданная и самая красивая форма регулярности оказывается скрытой все время.

Фактический термин «центральная предельная теорема» (на немецком языке) : "zentraler Grenzwertsatz") впервые был использован Джорджем Полей в 1920 году в названии статьи. Полиа назвал теорему «центральной» из-за ее важности в теории вероятностей. Согласно Ле Каму, французская школа вероятностей интерпретирует слово центральный в том смысле, что «оно описывает поведение центра распределения в противоположность его хвостам». Аннотация статьи Полиа о центральной предельной теореме вероятностного исчисления и проблеме моментов в 1920 году переводится следующим образом.

Возникновение гауссовой плотности вероятности 1 = e в повторяющихся экспериментах, в ошибках измерений, которые приводят к комбинации очень многих и очень маленьких элементарных ошибок, в процессах диффузии и т. Д., Можно объяснить, а также хорошо: известно по той же предельной теореме, которая играет центральную роль в исчислении вероятностей. Настоящего первооткрывателя этой предельной теоремы следует назвать Лапласом; вполне вероятно, что его строгое доказательство было впервые дано Чебыщефом, а его наиболее точную формулировку можно найти, насколько мне известно, в статье Ляпунова....

Подробное изложение истории теоремы с подробным описанием основополагающих работ Лапласа, а также Коши, Бесселя и Пуассона Вклады предоставлены Hald. Два исторических отчета, один охватывает развитие от Лапласа до Коши, второй - вклады фон Мизеса, Полиа, Линдеберга, Леви, и Cramér в 1920-е годы, даны Гансом Фишером. Ле Кам описывает период около 1935 года. Бернштейн представляет историческую дискуссию, посвященную работе Пафнутого Чебышева и его учеников Андрея Маркова и Александра Ляпунова, которые привели к первые доказательства CLT в общих условиях.

В течение 1930-х годов были представлены все более общие доказательства Центральной предельной теоремы. Было обнаружено, что многие естественные системы демонстрируют гауссово распределение - типичным примером является распределение по высоте для людей. Когда в начале 1900-х годов стали применяться статистические методы, такие как дисперсионный анализ, все более распространенным стало использование базовых распределений Гаусса.

Любопытное примечание к истории Центральной предельной теоремы состоит в том, что доказательство аналогичного результата В 1922 году Lindeberg CLT был предметом стипендиальной диссертации Алана Тьюринга в 1934 году для Королевского колледжа в Кембриджском университете. Только после отправки работы Тьюринг узнал, что она уже доказана. Следовательно, диссертация Тьюринга не была опубликована.

См. Также

Примечания

Ссылки

Внешние ссылки

На Викискладе есть материалы, связанные с Центральной предельной теоремой.
Последняя правка сделана 2021-05-14 14:55:03
Содержание доступно по лицензии CC BY-SA 3.0 (если не указано иное).
Обратная связь: support@alphapedia.ru
Соглашение
О проекте