Lo lắng chính của tôi trong câu hỏi này là liệu người ta có thể áp dụng CLT "như bình thường" trong trường hợp tôi đang kiểm tra hay không. Người dùng @Henry khẳng định rằng người ta có thể, người dùng @Zen đã thể hiện điều đó thông qua một mô phỏng. Do đó khuyến khích, bây giờ tôi sẽ chứng minh nó một cách phân tích.
Điều tôi sẽ làm trước tiên là xác minh rằng biến này với phân phối hỗn hợp có chức năng tạo khoảnh khắc "thông thường". Biểu thị giá trị kỳ vọng của , độ lệch chuẩn của nó, và phiên bản làm trung tâm và quy mô của bởi .
Áp dụng công thức thay đổi biến, chúng tôi thấy rằng phần liên tục là
Hàm tạo thời điểm của nên
μiZiσiZiZ~i=Zi−μiσi
fZ~(z~i)=σifZ(zi)=σibi−ai
Z~iM~i(t)=E(ez~it)=∫∞−∞ez~itdFZ~(z~i)=∫k~ia~iσiez~itbi−aidzi+cek~it
⇒M~i(t)=σibi−aiek~it−ea~itt+cek~it
với
k~i=ki−μiσi,a~i=ai−μiσi
Sử dụng các số nguyên tố để biểu thị các đạo hàm, nếu chúng ta đã chỉ định hàm tạo mô men chính xác thì chúng ta sẽ nhận được
vì đây là một biến ngẫu nhiên tập trung và tỷ lệ.
Và thực tế, bằng cách tính toán các công cụ phái sinh, áp dụng quy tắc L'Hopital nhiều lần, (vì giá trị của MGF bằng 0 phải được tính thông qua các giới hạn) và thực hiện các thao tác đại số, tôi đã xác minh hai đẳng thức đầu tiên. Bình đẳng thứ ba tỏ ra quá mệt mỏi, nhưng tôi tin rằng nó giữ được.
M~i(0)=1,M~′i(0)=E(Z~)=0⇒M~′′i(0)=E(Z~2i)=Var(Z~i)=1
Vì vậy, chúng tôi có một MGF thích hợp. Nếu chúng ta thực hiện việc mở rộng Taylor bậc 2 về 0, chúng ta có
M~(t)=M~(0)+M~′(0)t+12M~′′(0)t2+o(t2)
⇒M~(t)=1+12t2+o(t2)
Điều này ngụ ý rằng hàm đặc trưng là (ở đây biểu thị đơn vị tưởng tượng)
.i
ϕ~(t)=1+12(it)2+o(t2)=1−12t2+o(t2)
Theo các thuộc tính của hàm đặc trưng , chúng ta có hàm đặc trưng của bằngZ~/n−−√
ϕ~Z~/n√(t)=ϕ~Z~(t/n−−√)=1−t22n+o(t2/n)
và vì chúng ta có các biến ngẫu nhiên độc lập, nên hàm đặc trưng của
là1n√∑niZ~i
ϕ~1n√∑niZ~i(t)=∏i=1nϕ~Z~(t/n−−√)=∏i=1n(1−t22n+o(t2/n))
Sau đó
limn→∞ϕ~1n√∑niZ~i(t)=limn→∞(1−t22n)n=e−t2/2
bằng cách số được biểu diễne . Điều đó xảy ra rằng thuật ngữ cuối cùng là hàm đặc trưng của phân phối chuẩn thông thường và theo định lý liên tục của Levy , chúng ta có điều đó
1n−−√∑inZ~i→dN(0,1)
đó là CLT. Lưu ý rằng thực tế là các biến - không được phân phối giống hệt nhau, "biến mất" khỏi chế độ xem sau khi chúng tôi xem xét các phiên bản trung tâm và tỷ lệ của chúng và xem xét việc mở rộng Taylor bậc 2 của MGF / CHF của chúng: ở mức xấp xỉ đó, các hàm này là giống hệt nhau và tất cả các khác biệt được nén trong các điều khoản còn lại sẽ biến mất một cách không có triệu chứng. Z
Thực tế là hành vi bình dị ở cấp độ cá nhân, từ tất cả các yếu tố riêng lẻ, tuy nhiên sẽ biến mất khi chúng ta xem xét hành vi trung bình, tôi tin rằng nó được thể hiện rất tốt bằng cách sử dụng một sinh vật khó chịu như một biến ngẫu nhiên có phân phối hỗn hợp.