中心极限定理证明不使用特征函数


11

是否有CLT不使用特征函数(一种更简单的方法)的证据?

也许是蒂霍米洛夫或斯坦因的方法?

您可以向一个大学生(数学或物理专业的第一年)讲解一些自成体系的内容,并且篇幅少于一页?


2
我在stats.stackexchange.com/a/3904/919上草绘了这样的基本方法。可以说,使用累积量生成函数是最简单的方法:您的“简单”可能打算读为“更基本”。
ub

2
在比使用特征函数更严格的条件下,您可以改用矩生成函数(实际上,我见到的第一个CLT就是这种形式),但是说明很相似。
Glen_b-恢复莫妮卡

@Glen_b我也认为这可能会更容易一些。无论如何,如果有人发表不同的示威游行,我将开一个问题。
skan

作为证明,实际上并没有那么容易(使用cfs的证明可以用使用mgfs的证明编写相同的形式),但是对于没有任何背景且涉及函数的学生可能更可取。也就是说,您可以省去引入新概念的麻烦,但是如果它们已经具有这些概念,那么实际上证明使用cfs进行相应声明的证据并不难(尽管它更通用)。这是否更好取决于您要与之打交道的学生。i
Glen_b-恢复莫妮卡

我记得我第一年的研究生统计教授通过显示在各种概率模型下 10、100、1000的均值的采样分布,提供了CLT的视觉“证明” 。当然,正态没有显示趋势,但是随着每次增加,指数,贝努利和各种重尾分布在视觉上都“四舍五入”为熟悉的形状。Ñn=10,100,1000n
AdamO '17

Answers:


6

您可以使用Stein的方法进行证明,但是如果证明是基本的,则有争议。斯坦因方法的优势在于,您基本上可以免费获得形式稍弱的Berry Esseen界。而且,斯坦因的方法简直就是黑魔法!您可以在此链接的第6节中找到证明的说明。您也可以在链接中找到CLT的其他证明。

这里是一个简短的概述:

1)通过简单的部分积分和正态分布密度证明,对于所有连续可区分的iff,都是分布。它更容易表现出正常的暗示的结果,有点难以表现出相反的,但也许它可以采取信仰。Ñ 0 1 Ef(A)Xf(A)=0AN(0,1)A

2)更一般而言,如果对于以界的每个连续可微,,则分布收敛到。此处的证明还是通过部分集成以及一些技巧来实现的。具体来说,我们需要知道对于所有有界连续函数,分布的收敛性等效于。固定,用于重新制定:˚F ˚F ˚F ' X Ñ Ñ 0 1 È X ÑÈ Ef(Xn)Xnf(Xn)0ff,fXnN(0,1)Eg(Xn)Eg(A)gg

Eg(Xn)Eg(A)=Ef(Xn)Xnf(Xn),

其中使用基本ODE理论求解,然后表明很好。因此,如果我们可以找到一个很好的,则假设rhs变为0,因此左侧也是如此。˚F ˚Ffff

3)最后,证明的中心极限定理其中是均值为0和方差为1的iid。这再次利用了步骤2中的技巧对于每一个我们找到一个使得: X˚FYn:=X1++XnnXigf

Eg(Xn)Eg(A)=Ef(Xn)Xnf(Xn).

6

如果我在读高中,这就是我会做的。

采取与密度的任何概率分布,得到其平均值和方差μ Xσ 2 X。接下来,使用具有以下形式的随机变量对其进行近似: 其中是参数伯努利随机变量。您可以看到和。f(x)μx,σx2ž = μ X - σ X + 2 σ X ξ ξ p = 1 / 2 μ Ž = μ X σ 2 ž = σ 2 Xz

z=μxσx+2σxξ,
ξp=1/2μz=μxσz2=σx2

现在我们看一下总和 = Ñ μ X - σ X+ 2 σ X Ñ Σ= 1 ξ

Sn=i=1nzi
=n(μxσx)+2σxi=1nξi

您可以在此处识别二项式分布:,其中。您不需要特征函数即可看到它收敛到正态分布的形状 η Ñ 1 / 2 η=i=1nξiηB(n,1/2)

因此,在某些方面,您可以说伯努利对任何分布都是最不精确的近似值,甚至收敛到正态。

例如,您可以证明这些时刻与法线匹配。让我们定义一下变量:y=(Sn/nμx)n

ÿ=σX-1个+2η/ññ

让我们看看平均值和方差是什么: V- [R[ÿ]=σ 2 X V- [R[2η/Ñ]Ñ=4σ 2 X /ÑÑ1/4=σ 2 X

μÿ=σX-1个+2ñ/2/ññ=0
V一种[R[ÿ]=σX2V一种[R[2η/ñ]ñ=4σX2/ññ1个/4=σX2

偏度和过量峰度通过收敛到零,通过插入已知的二项式公式可以很容易地显示出来。ñ


有趣。是否有可能将这个想法提供完整的证据?
猫王

@猫王,很多年前,我一直试图像我自己一样思考,但是我并没有那么多证据。我想到的一件事是将连续分布表示为bernoullis的组合,但不确定是否可行
Aksakal

您上面写的内容可能会更好。无需紧密地近似分布:通过采用两个不同值的变量进行近似近似就可以了。
猫王

也就是说,如果有可能得出法线逼近精度的一些限制。就像,正态近似对于原始分布至少和缩放后的伯努利一样好。或更可能是有些弱点,但仍然可以得出结论。
猫王
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.