Als «central-limit-theorem» getaggte Fragen

Bei Fragen zum zentralen Grenzwertsatz, der besagt: "Unter bestimmten Bedingungen wird der Mittelwert einer ausreichend großen Anzahl von Iterationen unabhängiger Zufallsvariablen mit jeweils einem genau definierten Mittelwert und einer genau definierten Varianz ungefähr normal verteilt." (Wikipedia)




1
Gibt es andere Verteilungen als Cauchy, für die das arithmetische Mittel einer Stichprobe der gleichen Verteilung folgt?
Wenn XXX einer Cauchy-Verteilung folgt, ist Y=X¯=1n∑ni=1XiY=X¯=1n∑i=1nXiY = \bar{X} = \frac{1}{n} \sum_{i=1}^n X_ifolgt ebenfalls genau der gleichen Verteilung wieXXX; siehediesen Thread. Hat diese Eigenschaft einen Namen? Gibt es andere Distributionen, für die dies zutrifft? BEARBEITEN Eine andere Möglichkeit, diese Frage zu stellen: sei XXX eine Zufallsvariable mit der Wahrscheinlichkeitsdichte f(x)f(x)f(x) …



3
Noch eine zentrale Frage zum Grenzwertsatz
Sei {Xn:n≥1}{Xn:n≥1}\{X_n:n\ge1\} eine Folge unabhängiger Bernoulli-Zufallsvariablen mit P{Xk=1}=1−P{Xk=0}=1k.P{Xk=1}=1−P{Xk=0}=1k.P\{X_k=1\}=1-P\{X_k=0\}=\frac{1}{k}. Setze Sn=∑k=1n(Xk−1k), B2n=∑k=1nk−1k2Sn=∑k=1n(Xk−1k), Bn2=∑k=1nk−1k2S_n=\sum^{n}_{k=1}\left(X_k-\frac{1}{k}\right), \ B_n^2=\sum^{n}_{k=1}\frac{k-1}{k^2} Zeigen Sie, dassSnBnSnBn\frac{S_n}{B_n} konvergiert in der Verteilung gegen die StandardnormalvariableZZZdannngegen unendlich tendiert. Mein Versuch ist es, die Lyapunov-CLT zu verwenden, daher müssen wir zeigen, dass es ein δ>0δ>0\delta>0 so dass limn→∞1B2+δn∑k=1nE[|Xk−1k|2+δ]=0.limn→∞1Bn2+δ∑k=1nE[|Xk−1k|2+δ]=0.\lim_{n\rightarrow \infty}\frac{1}{B_n^{2+\delta}}\sum_{k=1}^{n}E[|X_k-\frac{1}{k}|^{2+\delta}]=0. Also setze n ∑ …

3
Wie viele der größten Terme in
Betrachten Sie ∑ N i = 1 | X i | ∑Ni=1|Xi|\sum_{i=1}^N |X_i| wobei X 1 , … , X NX1,…,XNX_1, \ldots, X_N iid sind und die CLT gilt. Wie viele der größten Begriffe machen die Hälfte der Gesamtsumme aus? Zum Beispiel erreichen 10 + 9 + 8 ≈≈\approx (10 …



1
Ist MLE von asymptotisch normal, wenn ?
Angenommen, hat das PDF(X,Y)(X,Y)(X,Y) fθ(x,y)=e−(x/θ+θy)1x>0,y>0,θ>0fθ(x,y)=e−(x/θ+θy)1x>0,y>0,θ>0f_{\theta}(x,y)=e^{-(x/\theta+\theta y)}\mathbf1_{x>0,y>0}\quad,\,\theta>0 Die Dichte der Stichprobe die aus dieser Population gezogen wird, ist daher(X,Y)=(Xi,Yi)1≤i≤n(X,Y)=(Xi,Yi)1≤i≤n(\mathbf X,\mathbf Y)=(X_i,Y_i)_{1\le i\le n} gθ(x,y)=∏i=1nfθ(xi,yi)=exp[−∑i=1n(xiθ+θyi)]1x1,…,xn,y1,…,yn>0=exp[−nx¯θ−θny¯]1x(1),y(1)>0,θ>0gθ(x,y)=∏i=1nfθ(xi,yi)=exp⁡[−∑i=1n(xiθ+θyi)]1x1,…,xn,y1,…,yn>0=exp⁡[−nx¯θ−θny¯]1x(1),y(1)>0,θ>0\begin{align} g_{\theta}(\mathbf x,\mathbf y)&=\prod_{i=1}^n f_{\theta}(x_i,y_i) \\&=\exp\left[{-\sum_{i=1}^n\left(\frac{x_i}{\theta}+\theta y_i\right)}\right]\mathbf1_{x_1,\ldots,x_n,y_1,\ldots,y_n>0} \\&=\exp\left[-\frac{n\bar x}{\theta}-\theta n\bar y\right]\mathbf1_{x_{(1)},y_{(1)}>0}\quad,\,\theta>0 \end{align} Der Maximum-Likelihood-Schätzer von θθ\theta kann abgeleitet werden als θ^(X,Y)=X¯¯¯¯Y¯¯¯¯−−−√θ^(X,Y)=X¯Y¯\hat\theta(\mathbf X,\mathbf Y)=\sqrt\frac{\overline X}{\overline Y} Ich möchte wissen, …

3
Warum in CLT
Sei X1,...,XnX1,...,XnX_1,...,X_n unabhängige Beobachtungen von einer Verteilung, die den Mittelwert μμ\mu und die Varianz σ2&lt;∞σ2&lt;∞\sigma^2 < \infty , wenn n→∞n→∞n \rightarrow \infty , dann n−−√X¯n−μσ→N(0,1).nX¯n−μσ→N(0,1).\sqrt{n}\frac{\bar{X}_n-\mu}{\sigma} \rightarrow N(0,1). Warum bedeutet dies, dass X¯n∼N(μ,σ2n)?X¯n∼N(μ,σ2n)?\bar{X}_n \sim N\left(\mu, \frac{\sigma^2}{n}\right)?


1
Gibt es einen Satz, der besagt, dass in der Verteilung zu einer Normalen konvergiert, wenn gegen unendlich geht?
Sei eine beliebige Verteilung mit definiertem Mittelwert und Standardabweichung . Der zentrale Grenzwertsatz besagt, dass in der Verteilung zu einer Standardnormalverteilung konvergiert. Wenn wir durch die Stichprobenstandardabweichung ersetzen , gibt es einen Satz, der besagt, dass in der Verteilung zu einer t-Verteilung konvergiert? Da für großeXXXμμ\muσσ\sigman−−√X¯−μσnX¯−μσ \sqrt{n}\frac{\bar{X} - \mu}{\sigma} σσ\sigmaSSSn−−√X¯−μSnX¯−μS …

2
Gilt der multivariate zentrale Grenzwertsatz (CLT), wenn Variablen eine perfekte zeitgleiche Abhängigkeit aufweisen?
Xi∽iidN(0,1)Xi∽iidN(0,1)X_i \overset{iid}{\backsim} \mathcal{N}(0, 1)i=1,...,ni=1,...,ni = 1, ..., nSn=1n∑i=1nXiSn=1n∑i=1nXi\begin{equation} S_n = \frac{1}{n} \sum_{i=1}^n X_i \end{equation}Tn=1n∑i=1n(X2i−1)Tn=1n∑i=1n(Xi2−1)\begin{equation} T_n = \frac{1}{n} \sum_{i=1}^n (X_i^2 - 1) \end{equation} SnSnS_nTnTnT_nn=1n=1n = 1n−−√SnnSn\sqrt{n} S_nn−−√TnnTn\sqrt{n} T_nn→∞n→∞n \rightarrow \infty Die Motivation: Meine Motivation für die Frage ergibt sich aus der Tatsache, dass es seltsam (aber wunderbar) ist, dass SnSnS_n und …

Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.