Есть ли доказательство того, что CLT не использует характеристические функции, более простой метод?
Может быть, методы Тихомирова или Штейна?
Что-то самодостаточное, что вы можете объяснить студенту университета (первый курс по математике или физике) и занимает меньше одной страницы?
Ответы:
Вы можете доказать это с помощью метода Штейна, однако это спорно , если доказательство элементарно. Плюс метода Штейна в том, что вы получаете немного более слабую форму оценок Берри Эссеена практически бесплатно. Кроме того, метод Штейна - не что иное, как черная магия! Вы можете найти описание доказательства в разделе 6 этой ссылки . Вы также найдете другие доказательства CLT в ссылке.
Вот краткий план:
1) Докажите, используя простую интеграцию по частям и нормальную плотность распределения, то для всех непрерывно дифференцируема тогда и только тогда является распределены. Это проще показать нормальный следует результат и немного сложнее показать обратное, но , возможно , оно может быть принято на веру.A N ( 0 , 1 ) AEf′(A)−Xf(A)=0 A N(0,1) A
2) В более общем смысле, если для каждого непрерывно дифференцируемого с ограниченным, то сходится к в распределении. Доказательством здесь снова является интеграция по частям с некоторыми хитростями. В частности, нам нужно знать, что сходимость в распределении эквивалентна для всех ограниченных непрерывных функций . Исправляя , это используется для переформулировки:Ef(Xn)−Xnf(Xn)→0 f f,f′ Xn N(0,1) Eg(Xn)→Eg(A) g g
где один решает для с использованием базовой теории ОДУ, а затем показывает приятно. Таким образом, если мы можем найти такой хороший , по предположению, rhs переходит в 0, и, следовательно, так же, как и в левой части.f f f
3) Наконец, докажите центральную предельную теорему для где идентифицированы со средним 0 и дисперсией 1. Это снова использует трюк на шаге 2, где для каждого находим такой, что:Yn:=X1+⋯+Xnn√ Xi g f
источник
Вот как бы я это сделал, если бы учился в средней школе.
Возьмите любое распределение вероятностей с плотностью , получите его среднее значение и дисперсию . Затем аппроксимируйте его случайной величиной которая имеет следующий вид: где - случайная величина Бернулли с параметром . Вы можете видеть, что и .f(x) μx,σ2x z
Теперь мы можем посмотреть на сумму
Вы можете распознать биномиальное распределение здесь: , где . Вам не нужна характеристическая функция, чтобы увидеть, что она сходится к форме нормального распределения .η=∑ni=1ξi η∼B(n,1/2)
Таким образом, в некотором отношении вы можете сказать, что Бернулли является наименее точным приближением для любого распределения, и даже оно сходится к нормальному.
Например, вы можете показать, что моменты соответствуют нормальным. Давайте определим, посмотрим на переменную:y=(Sn/n−μx)n−−√
Давайте посмотрим, что значит среднее и дисперсия: Вг[г]=σ 2 х Вг[2η/п]п=4σ 2 х /пп(1/4)=сг 2 х
Асимметрия и избыточный эксцесс сходятся к нулю при , это легко показать, подключив известные формулы для Binomial.n→∞
источник