Centralne twierdzenie graniczne

Przykładowy rozkład prawdopodobieństwa pewnej zmiennej

Rozkład prawdopodobieństwa średniej dwóch takich niezależnych zmiennych

Rozkład prawdopodobieństwa średniej trzech takich niezależnych zmiennych

Rozkład prawdopodobieństwa średniej czterech takich niezależnych zmiennych. Jest już bardzo zbliżony do rozkładu normalnego.

Centralne twierdzenie graniczne – twierdzenie probabilistyki o zbieżności pewnych ciągów zmiennych losowych do rozkładu normalnego. Wyjaśnia ono powszechność w przyrodzie zbliżonych do niego rozkładów prawdopodobieństwa.

Wersje

Sformułowanie szczególne

Centralne twierdzenie graniczne to twierdzenie matematyczne mówiące, że jeśli $X_i$ są niezależnymi zmiennymi losowymi pochodzącymi z tej samej populacji o wartości oczekiwanej $\mu$ oraz dodatniej i skończonej wariancji ${\sigma }^2,$ to ciąg zmiennych losowych, w postaci znormalizowanych wartości oczekiwanych $U_n$

$U_n=\frac{\frac{1}{n}\sum _{i=1}^n{X}_i-\mu }{\sigma /\sqrt{n}}$

zbieżny jest według rozkładu do standardowego rozkładu normalnego, gdy $n\to +\mathrm{\infty }.$

Tzn.

$\underset{n\to \mathrm{\infty }}{\lim }P(U_n<u)=\frac{1}{\sqrt{2\pi }}\underset{-\mathrm{\infty }}{\overset{u}{\int }}{e}^{-x^2/2}dx$

Sformułowanie ogólne

Centralne twierdzenie graniczne znane też pod nazwą twierdzenia Lindeberga-Lévy’ego mówi:

Niech $(X_{n,k})$ będzie schematem serii, w którym $E{X}_{n,k}=0$ dla $k⩽n$ i dla każdego $n$ mamy $\sum _{k=1}^n{D}^2{X}_{n,k}=1.$ Jeśli spełniony jest warunek Lindeberga, tj. dla każdego $ϵ>0$ zachodzi $\underset{n\to \mathrm{\infty }}{\lim }\sum _{k=1}^{n}E{X}_{n,k}^2{\mathrm{𝟏}}_{\{|X_{n,k}|>ϵ\}}=0,$ to $\sum _{k=1}^n{X}_{n,k}\stackrel{D}{\to }N(0,1).$

Dowód

Dowodów centralnego twierdzenia granicznego w wersji ogólnej jest kilka. Wszystkie są dość skomplikowane i wymagają korzystania z wielu zaawansowanych narzędzi matematycznych. Poniżej znajduje się jeden z prostszych dowodów, nie dający jednak oszacowania wartości błędu.

Pierwszym krokiem dowodu jest sformułowanie i udowodnienie użytecznych lematów.

Lemat 1

Niech $f:𝐑\to 𝐑$ będzie funkcją trzykrotnie różniczkowalną taką, że $\mathrm{\forall }x\in 𝐑$ zachodzi $|f^{‴}(x)|⩽A$ oraz $|f^{″}(x)|⩽B.$ Wówczas: $\mathrm{\forall }x,y\in 𝐑$

• a) $|f(x+y)-f(x)-f^{\prime }(x)y-\frac{f^{″}(x)y^2}{2!}|$$⩽\frac{A|y{|}^3}{3!},$
• b) $|f(x+y)-f(x)-f^{\prime }(y)|⩽\frac{B{y}^2}{2!}.$

Dowód

Oznaczmy ${\phi }_x(y)=f(x+y)-f(x)-f^{\prime }(x)y-\frac{f^{″}(x)y^2}{2!}.$ Wówczas ${\phi }_x(0)=0,{{\phi }_x}^{\prime }(0)=0,{{\phi }_x}^{″}(0)=0.$

Ustalmy dowolne $y>0.$ Wówczas zgodnie z twierdzeniem Cauchy’ego istnieją takie $z,t,w>0,$ że:

$\left|\frac{{\phi }_x(y)}{y^3}\right|=\left|\frac{{\phi }_x(y)-{\phi }_x(0)}{y^3-0}\right|$$=\left|\frac{{{\phi }_x}^{\prime }(z)}{3z^2}\right|$$=\left|\frac{{{\phi }_x}^{\prime }(z)-{{\phi }_x}^{\prime }(0)}{3z^2-3\cdot 0^2}\right|$$=\left|\frac{{{\phi }_x}^{″}(t)}{6t}\right|$$=\left|\frac{{{\phi }_x}^{″}(t)-{{\phi }_x}^{″}(0)}{6t-6\cdot 0}\right|$$=\left|\frac{{{\phi }_x}^{‴}(w)}{6}\right|⩽\frac{A}{6}.$

Na tej samej zasadzie:

$\left|\frac{{\phi }_x(y)}{y^2}\right|$$=\left|\frac{{{\phi }_x}^{″}(t)}{2}\right|$$⩽\frac{B}{2}.$ $◻$

Lemat 2

Jeżeli $X\sim N(0,1),$ to

$E|X{|}^3=\underset{R}{\int }|x{|}^3\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}dx=\frac{4}{\sqrt{2\pi }}.$

Dowód

$E|X{|}^3=\underset{R}{\int }|x{|}^3\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}dx$$=\frac{2}{\sqrt{2\pi }}\underset{0}{\overset{+\mathrm{\infty }}{\int }}{x}^3{e}^{-\frac{x^2}{2}}dx.$

Dokonujemy podstawienia $x^2=t\Rightarrow dx=\frac{dt}{2x}:$

$E|X{|}^3=\frac{2}{\sqrt{2\pi }}\underset{0}{\overset{+\mathrm{\infty }}{\int }}tx{e}^{-\frac{t}{2}}\frac{dt}{2x}$$=\frac{1}{\sqrt{2\pi }}\underset{0}{\overset{+\mathrm{\infty }}{\int }}t{e}^{-\frac{t}{2}}dt.$

Teraz całkujemy przez części:

$E|X{|}^3=-\frac{2t}{\sqrt{2\pi }}{e}^{-\frac{t}{2}}{|}_0^{+\mathrm{\infty }}+\frac{2}{\sqrt{2\pi }}\underset{0}{\overset{+\mathrm{\infty }}{\int }}{e}^{-\frac{t}{2}}dt$$=-\frac{4}{\sqrt{2\pi }}{e}^{-\frac{t}{2}}{|}_0^{+\mathrm{\infty }}$$=\frac{4}{\sqrt{2\pi }}.$ $◻$

Drugi krok polega na oszacowaniu pewnej wartości:

Niech $f:𝐑\to 𝐑,f\in C^3(𝐑)$ będzie funkcją trzykrotnie różniczkowalną taką, że $|f^{‴}(x)|⩽A\mathrm{\forall }x\in 𝐑$ oraz $|f^{″}(x)|⩽B\mathrm{\forall }x\in 𝐑.$

Rozważamy niezależne zmienne $(G_{n,k})$ o rozkładzie normalnym takie, że $\mathrm{\forall }n,kE{G}_{n,k}=0$ oraz $D^2{G}_{n,k}=D^2{X}_{n,k}.$

Wówczas:

$\mathrm{\forall }x\in 𝐑|Ef(x+X_{n,k})-Ef(x+G_{n,k})|$

$=|Ef(x+X_{n,k})-f(x)-f^{\prime }(x)\cdot E{X}_{n,k}$$-\frac{f^{″}(x)}{2!}E{X}_{n,k}^2-Ef(x+G_{n,k})+f(x)+f^{\prime }(x)\cdot E{G}_{n,k}+\frac{f^{″}(x)}{2!}E{G}_{n,k}^2|$

$=\left|E\right[f(x+X_{n,k})-f(x)-f^{\prime }(x)\cdot X_{n,k}$$-\frac{f^{″}(x)}{2!}{X}_{n,k}^2]-E[f(x+G_{n,k})-f(x)-f^{\prime }(x)\cdot G_{n,k}-\frac{f^{″}(x)}{2!}{G}_{n,k}^2\left]\right|$

$⩽E|f(x+X_{n,k})-f(x)-f^{\prime }(x)\cdot X_{n,k}$$-\frac{f^{″}(x)}{2!}{X}_{n,k}^2|+E|f(x+G_{n,k})-f(x)-f^{\prime }(x)\cdot G_{n,k}-\frac{f^{″}(x)}{2!}{G}_{n,k}^2|.$

Przy czym ostatnia nierówność to nierówność trójkąta.

Drugi ze składników daje się na podstawie Lematu 1 oszacować w sposób następujący:

$E|f(x+G_{n,k})-f(x)-f^{\prime }(x)\cdot G_{n,k}-\frac{f^{″}(x)}{2!}{G}_{n,k}^2|$$⩽\frac{A}{6}E|G_{n,k}{|}^3.$

Tymczasem $G_{n,k}=\sqrt{D^2{X}_{n,k}}\cdot G,$ gdzie $G\sim N(0,1).$ W związku z tym (korzystając z Lematu 2):

$E|G_{n,k}{|}^3=(D^2{X}_{n,k}{)}^{3/2}\cdot E|G{|}^3$$⩽12\cdot (D^2{X}_{n,k}{)}^{3/2}.$

Wobec tego

$\frac{A}{6}E|G_{n,k}{|}^3⩽2A\cdot (D^2{X}_{n,k}{)}^{3/2}$$⩽2A\cdot D^2{X}_{n,k}\cdot \left(\underset{1⩽k⩽n}{\max }\sqrt{D^2{X}_{n,k}}\right).$

Pierwszy ze składników można natomiast oszacować w sposób następujący:

$E|f(x+X_{n,k})-f(x)-f^{\prime }(x)\cdot X_{n,k}-\frac{f^{″}(x)}{2!}{X}_{n,k}^2|$$=E|f(x+X_{n,k})-f(x)-f^{\prime }(x)\cdot X_{n,k}-\frac{f^{″}(x)}{2!}{X}_{n,k}^2|\cdot {\mathrm{𝟏}}_{\{|X_{n,k}|⩽ϵ\}}$$+E|f(x+X_{n,k})-f(x)-f^{\prime }(x)\cdot X_{n,k}$$-\frac{f^{″}(x)}{2!}{X}_{n,k}^2|\cdot {\mathrm{𝟏}}_{\{|X_{n,k}|>ϵ\}}.$

Z kolei szacujemy:

$E|f(x+X_{n,k})-f(x)-f^{\prime }(x)\cdot X_{n,k}-\frac{f^{″}(x)}{2!}{X}_{n,k}^2|\cdot {\mathrm{𝟏}}_{\{|X_{n,k}|⩽ϵ\}}$$⩽\frac{A}{6}E|X_{n,k}{|}^3\cdot {\mathrm{𝟏}}_{\{|X_{n,k}|⩽ϵ\}}$$⩽\frac{A}{6}{D}^2{X}_{n,k}\cdot ϵ$

oraz

$E|f(x+X_{n,k})-f(x)-f^{\prime }(x)\cdot X_{n,k}-\frac{f^{″}(x)}{2!}{X}_{n,k}^2|\cdot {\mathrm{𝟏}}_{\{|X_{n,k}|>ϵ\}}$$⩽E|f(x+X_{n,k})-f(x)-f^{\prime }(x)\cdot X_{n,k}|\cdot {\mathrm{𝟏}}_{\{|X_{n,k}|>ϵ\}}+E\left|\frac{f^{″}(x)}{2!}{X}_{n,k}^2\right|\cdot {\mathrm{𝟏}}_{\{|X_{n,k}|>ϵ\}}$$⩽B\cdot E{X}_{n,k}^2\cdot {\mathrm{𝟏}}_{\{|X_{n,k}|>ϵ\}}.$

Ostatnia nierówność wynika z Lematu 1.

Zatem $\mathrm{\forall }x\in 𝐑$ mamy następujące oszacowanie:

$|Ef(x+X_{n,k})-Ef(x+G_{n,k})|$$⩽2A\cdot D^2{X}_{n,k}\cdot \left(\underset{1⩽k⩽n}{\max }\sqrt{D^2{X}_{n,k}}\right)+\frac{A}{6}{D}^2{X}_{n,k}\cdot ϵ+B\cdot E{X}_{n,k}^2\cdot {\mathrm{𝟏}}_{\{|X_{n,k}|>ϵ\}}.$

Trzeci krok polega na wielokrotnym zastosowaniu oszacowania uzyskanego powyżej.

$|Ef(X_{n,1}+X_{n,2}+\dots +X_{n,n})-Ef(G_{n,1}+G_{n,2}+\dots +G_{n,n})|$$⩽|Ef(X_{n,1}+\dots +X_{n,n})-Ef(X_{n,1}+\dots +X_{n,n-1}+G_{n,n})|$$+|Ef(X_{n,1}+\dots +X_{n,n-1}+G_{n,n})-Ef(X_{n,1}+\dots +X_{n,n-2}+G_{n,n-1}+G_{n,n})|$$+\dots +|Ef(X_{n,1}+G_{n,2}+\dots +G_{n,n})-Ef(G_{n,1}+G_{n,2}+\dots +G_{n,n})|.$

Rozpatrzmy $k$-ty z powyższych wyrazów.

Podstawiamy

$Y:=X_{n,1}+\dots +X_{n,k-1}+G_{n,k+1}+\dots +G_{n,n}.$

Zmienna $Y$ jest niezależna od $X_{n,k}$ i $G_{n,k}.$ Wobec tego:

$|Ef(X_{n,1}+\dots +X_{n,k}+G_{n,k+1}+\dots +G_{n,n})-Ef(X_{n,1}+\dots +X_{n,k-1}+G_{n,k}+\dots +G_{n,n})|$$=|Ef(Y+X_{n,k})-Ef(Y+G_{n,k})|=|\underset{R}{\int }Ef(y+X_{n,k})d{\mu }_Y(y)$$-\underset{R}{\int }Ef(y+G_{n,k})d{\mu }_Y(y)|$$⩽\underset{R}{\int }|Ef(y+X_{n,k})$$-Ef(y+G_{n,k})|d{\mu }_Y(y)$$⩽2A\cdot D^2{X}_{n,k}\cdot$$\left(\underset{1⩽k⩽n}{\max }\sqrt{D^2{X}_{n,k}}\right)$$+\frac{A}{6}{D}^2{X}_{n,k}\cdot ϵ$$+B\cdot E{X}_{n,k}^2\cdot {\mathrm{𝟏}}_{\{|X_{n,k}|>ϵ\}}.$

Zatem:

$|Ef(X_{n,1}+X_{n,2}+\dots +X_{n,n})-Ef(G_{n,1}+G_{n,2}+\dots +G_{n,n})|$

$⩽2A\cdot \left(\sum _{k=1}^n{D}^2{X}_{n,k}\right)\cdot \left(\underset{1⩽k⩽n}{\max }\sqrt{D^2{X}_{n,k}}\right)$$+\frac{A}{6}\left(\sum _{k=1}^n{D}^2{X}_{n,k}\right)\cdot ϵ$$+B\cdot (\sum _{k=1}^{n}E{X}_{n,k}^2\cdot {\mathrm{𝟏}}_{\{|X_{n,k}|>ϵ\}})$$⩽2A\cdot \left(\underset{1⩽k⩽n}{\max }\sqrt{D^2{X}_{n,k}}\right)$$+\frac{A}{6}ϵ+B\cdot L_n(ϵ).$

Pierwszy i ostatni składnik z warunku Lindeberga zbiegają do zera, gdy $n$ dąży do nieskończoności. W związku z tym:

$\mathrm{\forall }ϵ>0\underset{n\to \mathrm{\infty }}{\mathrm{lim\; sup}}|Ef(X_{n,1}+\dots +X_{n,n})-Ef(G_{n,1}+\dots +G_{n,n})|⩽A\cdot ϵ.$

Oznacza to, że:

$Ef(X_{n,1}+\dots +X_{n,k})$$\underset{n\to \mathrm{\infty }}{\overset{}{\to }}Ef(G_{n,1}+\dots +G_{n,n})=Ef(G),$ gdzie $G\sim N(0,1).$

Czwarty krok polega na wyliczenie dystrybuanty granicznej na podstawie powyższych oszacowań.

Weźmy funkcję $f:𝐑\to 𝐑,f\in {ℂ}^3(R)$ spełniającą warunek $\mathrm{\forall }x\in 𝐑{\mathrm{𝟏}}_{(t+\delta ,+\mathrm{\infty })}(x)$$⩽f(x)⩽{\mathrm{𝟏}}_{(t,+\mathrm{\infty })}(x)$ dla pewnych $t\in 𝐑,\delta >0.$

Wówczas:

$P(X_{n,1}+\dots +X_{n,n}⩾t)⩾Ef(X_{n,1}+\dots +X_{n,n})⩾P(X_{n,1}+\dots +X_{n,n}⩾t+\delta ).$

Ale:

$Ef(X_{n,1}+\dots +X_{n,n})\underset{n\to \mathrm{\infty }}{\overset{}{\to }}Ef(G)$

oraz

$P(G⩾t)⩾Ef(G)⩾P(G⩾t+\delta ).$

W związku z tym:

$\underset{n\to \mathrm{\infty }}{\mathrm{lim\; inf}}P(X_{n,1}+\dots +X_{n,n}⩾t)$$⩾P(G⩾t+\delta )\underset{\delta \to 0^{+}}{\overset{}{\to }}P(G⩾t)$

oraz podobnie

$\underset{n\to \mathrm{\infty }}{\mathrm{lim\; sup}}P(X_{n,1}+\dots +X_{n,n}⩾t)$$⩽P(G⩾t-\delta )\underset{\delta \to 0^{+}}{\overset{}{\to }}P(G⩾t).$

Otrzymujemy więc

$P(X_{n,1}+\dots +X_{n,n}⩾t)\underset{n\to \mathrm{\infty }}{\overset{}{\to }}$$P(G⩾t)\Rightarrow P(X_{n,1}+\dots +X_{n,n}<t)\underset{n\to \mathrm{\infty }}{\overset{}{\to }}P(G<t).$

Ale z ciągłości dystrybuanty rozkładu normalnego wnioskujemy, że

$P(X_{n,1}+\dots +X_{n,n}⩽t)\underset{n\to \mathrm{\infty }}{\overset{}{\to }}P(G⩽t).$

Ponieważ punktowa zbieżność dystrybuant w punktach ciągłości dystrybuanty granicznej jest równoważna zbieżności według rozkładu, więc ostatecznie:

$\sum _{k=1}^n{X}_{n,k}\underset{n\to \mathrm{\infty }}{\overset{D}{\to }}N(0,1).$

$◻$

Częste nieporozumienia

• Centralne twierdzenie graniczne nie sprawi, by przy dostatecznie dużej próbie rozkład stał się normalny. Jedynie rozkład średniej z tej próby upodabnia się do normalnego.
• Centralne twierdzenie graniczne jest prawdziwe tylko dla rozkładów o skończonej wariancji. Zobacz stabilność struktury.

Zobacz też

• prawo wielkich liczb
• twierdzenie Berry-Essena

Linki zewnętrzne

• Szablon:Otwarty dostęp Central limit theorem Szablon:Lang, Encyclopedia of Mathematics, encyclopediaofmath.org [dostęp 2024-10-05].