En CLT, ¿por qué

10

Supongamos que son observaciones independientes de una distribución que tiene la media y la varianza , cuando , entonces $X_1,...,X_n$ $\mu$ $\sigma^2 < \infty$ $n \rightarrow \infty$

\sqrt{n} \frac{{\bar{X}}_{n} - μ}{σ} \to N (0, 1) .

$\sqrt{n}\frac{\bar{X}_n-\mu}{\sigma} \rightarrow N(0,1).$

¿Por qué esto implica que

{\bar{X}}_{n} \sim N (μ, \frac{σ^{2}}{n}) ?

$\bar{X}_n \sim N\left(\mu, \frac{\sigma^2}{n}\right)?$

probability central-limit-theorem mavavilj
fuente

Tal vez esto no se destacó con suficiente claridad a continuación, pero la declaración es matemáticamente significativa y verdadera mientras que la declaración es matemáticamente absurdo, por lo tanto, como dice el dicho, ni siquiera está mal .

\sqrt{n} \frac{{\bar{X}}_{n} - μ}{σ} \to N (0, 1)

$\sqrt{n}\frac{\bar{X}_n-\mu}{\sigma} \rightarrow N(0,1)$

{\bar{X}}_{n} \sim N (μ, \frac{σ^{2}}{n})

$\bar{X}_n \sim N\left(\mu, \frac{\sigma^2}{n}\right)$

Hizo el

17

Tu interpretación es ligeramente incorrecta. El teorema del límite central (CLT) implica que

{\bar{X}}_{n} \overset{approx}{\sim} N (μ, \frac{σ^{2}}{n}) .

$\bar{X}_n \overset{\mbox{approx}}{\sim} N \left(\mu, \frac{\sigma^2}{n} \right).$

Esto se debe a que CLT es un resultado asintótico, y en la práctica solo estamos tratando con muestras finitas. Sin embargo, cuando el tamaño de la muestra es lo suficientemente grande, entonces suponemos que el resultado CLT es verdadero en la aproximación, y por lo tanto

\begin{aligned} \sqrt{n} \frac{{\bar{X}}_{n} - μ}{σ} & \overset{approx}{\sim} N (0, 1) \\ \sqrt{n} \frac{{\bar{X}}_{n} - μ}{σ} . \frac{σ}{\sqrt{n}} & \overset{approx}{\sim} \frac{σ}{\sqrt{n}} N (0, 1) \\ {\bar{X}}_{n} - μ & \overset{approx}{\sim} N (0, \frac{σ^{2}}{n}) \\ {\bar{X}}_{n} - μ + μ & \overset{approx}{\sim} μ + N (0, \frac{σ^{2}}{n}) \\ {\bar{X}}_{n} & \overset{approx}{\sim} N (μ, \frac{σ^{2}}{n}) . \end{aligned}

$\begin{align*} \sqrt{n} \dfrac{\bar{X}_n - \mu}{\sigma} &\overset{\mbox{approx}}{\sim} N(0, 1)\\ \sqrt{n} \dfrac{\bar{X}_n - \mu}{\sigma} . \dfrac{\sigma}{\sqrt{n}} &\overset{\mbox{approx}}{\sim} \dfrac{\sigma}{\sqrt{n}} N \left( 0, 1 \right)\\ {\bar{X}_n - \mu} &\overset{\mbox{approx}}{\sim} N \left(0, \dfrac{\sigma^2}{n}\right)\\ \bar{X}_n - \mu + \mu & \overset{\mbox{approx}}{\sim}\mu + N \left(0, \frac{\sigma^2}{n} \right)\\ \bar{X}_n & \overset{\mbox{approx}}{\sim} N \left(\mu, \frac{\sigma^2}{n} \right).\\ \end{align*}$

Esto se debe a que para una variable aleatoria y constantes , (esto se usa en el segundo paso) y , (esto se usa en el segundo último paso). $X$ $a,b$ $\operatorname{Var}(aX) = a^2 \operatorname{Var}(X)$ $E(b + X) = b + E(X)$ $\operatorname{Var}(b + X) = \operatorname{Var}(X)$

Lea esto para obtener más explicaciones sobre el álgebra.

Greenparker
fuente

¿Podría aclarar qué "álgebra" está usando al llevar los términos del LHS de

al RHS?

\sim

$\sim$

mavavilj

He aclarado el álgebra. La mayor parte utiliza propiedades de varianza y expectativa.

Greenparker

¿Por qué, por ejemplo, el segundo término de convierte en ?

N (μ, \frac{σ^{2}}{n})

$N(\mu, \frac{\sigma^2}{n})$

N (μ, μ + \frac{σ^{2}}{n})

$N(\mu, \mu+\frac{\sigma^2}{n})$

mavavilj

3

Porque . Intuitivamente, agregar un número constante a una variable aleatoria no cambia su varianza.

V a r (a X + b) = a^{2} V a r (X)

$Var(aX + b) = a^2 Var(X)$

Greenparker

10

La forma más fácil de ver esto es mirando la media y la varianza de la variable aleatoria . $\bar X_n$

Entonces, $\mathcal{N}(0,1)$ establece que la media es cero y la varianza es uno. Por lo tanto, tenemos para la media:

E [\sqrt{n} \frac{{\bar{X}}_{n} - μ}{σ}] \approx 0

$E\left[\sqrt{n}\frac{\bar{X}_n-\mu}{\sigma}\right]\approx 0$

E [a \cdot x + b] = a \cdot E [x] + b

$E[a\cdot x+b]=a\cdot E[x]+b$

a, b

$a,b$

{\bar{X}}_{n} \approx μ

$\bar{X}_n\approx\mu$

$\operatorname{Var}[a\cdot x+b]=a^2\cdot \operatorname{Var}[x]=a^2\cdot \sigma_x^2$ $a,b$

Var [\sqrt{n} \frac{{\bar{X}}_{n} - μ}{σ}] \approx 1

$\operatorname{Var}\left[\sqrt{n}\frac{\bar{X}_n-\mu}{\sigma}\right]\approx 1$

Var [{\bar{X}}_{n}] \approx \frac{σ^{2}}{n}

$\operatorname{Var}\left[\bar{X}_n\right]\approx \frac{\sigma^2}{n}$

$\bar X_n$ $\mathcal{N}(\mu,\frac{\sigma^2}{n})$

$\rightarrow$ $\mathcal{N}(\mu,\frac{\sigma^2}{n})$ $n$ $\mathcal{N}(0,1)$

Aksakal
fuente

4

$\bar{X}_n$ $\sqrt{n} (\bar{X}_n - \mu) / \sigma$ $\tau Z + \mu \sim$ $(\mu, \tau^2)$ $Z \sim$ $(0, 1)$

\begin{aligned} M_{τ Z + μ} (t) & = M_{Z} (τ t) M_{μ} (t) \\ = e^{t^{2} τ^{2} / 2} e^{t μ} \\ = e^{t^{2} τ^{2} / 2 + t μ} \end{aligned}

$\begin{align} M_{\tau Z + \mu}(t) &= M_Z(\tau t) M_\mu (t) \\ &= e^{t^2 \tau^2 / 2} e^{t \mu} \\ &= e^{t^2 \tau^2 / 2 + t \mu} \end{align}$

$(\mu, \tau^2)$

dsaxton
fuente

¿Por qué la función generadora de momentos lo prueba para la distribución?

mavavilj

1

Este es un resultado de la probabilidad. Si dos variables aleatorias tienen la misma función generadora de momento, entonces son iguales en distribución.

dsaxton

En CLT, ¿por qué

Respuestas: