"CLT yaklaşımı" nın doğru cevabı verdiğinin şimdiye kadar net olması gerektiğine inanıyorum.
"LLN yaklaşımı" nın tam olarak nerede yanlış gittiğini tespit edelim.
Sonlu deyimlerle başlayarak , her iki taraftan da 'i aynı şekilde çıkarabiliriz veya her iki tarafı da çarpabiliriz . Biz olsun 1/ √n−−√1/n−−√
P(1n−−√∑i=1nXi≤n−−√)=P(1n−−√∑i=1n(Xi−1)≤0)=P(1n∑i=1nXi≤1)
Yani sınır varsa, aynı olacaktır. Ayar biz kullanılarak, dağıtım işlevleriniZn=1n√∑ni=1(Xi−1)
P(1n−−√∑i=1nXi≤n−−√)=FZn(0)=FX¯n(1)
... ve olduğu doğrudur .limn→∞FZn(0)=Φ(0)=1/2
"LLN yaklaşımı" ndaki düşünce şu şekildedir: " olasılık içinde bir sabitle birleştiğini biliyoruz. Ayrıca" olasılıkta yakınsama dağılımda yakınsama anlamına gelir ". yakınsar msgstr "% s" bir sabite dağıtımda. Buraya kadar doğruyuz.
Sonra şunu belirtiyoruz: "bu nedenle, için sınırlama olasılıkları sabitin rasgele değişkendeki dağılım fonksiyonu ile verilir ",X¯nX¯n
X¯n1
F1( x ) = { 1x ≥ 10x < 1⟹F1( 1 ) = 1
... yani ...limn → ∞FX¯n( 1 ) = F1( 1 ) = 1
... ve biz sadece hata yaptık . Neden? Çünkü @AlexR gibi. cevap "dağıtımda yakınsama" sadece sınırlama dağılım fonksiyonunun süreklilik noktalarını kapsar . Ve , için bir süreksizlik . Bu, , eşit olabileceği , ancak "sabit bir dağıtımda yakınsama" etkisini reddetmeden olmayabilir. .1F1limn → ∞FX¯n( 1 ) F1( 1 )
Ve CLT yaklaşımından beri sınırın değerinin ne olması gerektiğini biliyoruz ( ). Doğrudan olduğunu kanıtlamanın bir yolunu bilmiyorum .1 / 2limn → ∞FX¯n( 1 ) = 1 / 2
Yeni bir şey öğrendik mi?
Yaptım. LLN,
limn → ∞P ( | X¯n- 1 | ⩽ ε ) = 1herkes için ε > 0
⟹limn → ∞[ P ( 1-ε< X¯n≤ 1 ) + P ( 1 < X¯n≤1+ε)]=1
⟹limn→∞[P(X¯n≤1)+P(1<X¯n≤1+ε)]=1
LLN, olasılıkın aralığında nasıl tahsis edildiğini söylemez . Öğrendiğim şey, bu yakınsama sınıfında, olasılıkın çöken aralığın merkez noktasının iki tarafına eşit olarak tahsis edilen sınırda olmasıdır. (1−ε,1+ε)
Buradaki genel açıklama,
Xn→pθ,h(n)(Xn−θ)→dD(0,V)
burada , dağıtım fonksiyonu olan bazı . SonraDFD
limn→∞P[Xn≤θ]=limn→∞P[h(n)(Xn−θ)≤0]=FD(0)
... (rv sabitinin dağılım işlevi ile eşit olmayabilir .Fθ(0)
Ayrıca, sınırlayıcı rasgele değişkenin dağılım fonksiyonu süreksizliklere sahip olduğunda, o zaman "rasgele değişkene dağılımda yakınsama", "sınırlama dağılımının" sınırlamanın dağılımı ile aynı fikirde olamayacağı bir durumu tanımlayabileceğine dair güçlü bir örnektir. süreksizlik noktalarında. Kesin olarak, süreklilik noktaları için sınırlayıcı dağılım, sabit rasgele değişkenin dağılımıdır. Süreksizlik noktaları için, sınırlama olasılığını "ayrı" varlıklar olarak hesaplayabiliriz.