Jeg mener det nå skal være klart at "CLT-tilnærmingen" gir riktig svar.
La oss finne ut nøyaktig hvor "LLN-tilnærming" går galt.
Fra og med de endelige utsagnene, er det klart da at vi tilsvarende kan enten trekke $ \ sqrt {n} $ fra begge sider, eller multidip begge sider med $ 1 / \ sqrt {n} $. Vi får
$$ \ mathbb {P} \ left (\ frac {1} {\ sqrt {n}} \ sum_ {i = 1} ^ n X_i \ leq \ sqrt {n} \ right) = \ mathbb {P } \ left (\ frac {1} {\ sqrt {n}} \ sum_ {i = 1} ^ n (X_i-1) \ leq 0 \ right) = \ mathbb {P} \ left (\ frac {1} {n} \ sum_ {i = 1} ^ nX_i \ leq 1 \ høyre) $$
Så hvis grensen eksisterer, vil den være identisk. Innstilling av $ Z_n = \ frac {1} {\ sqrt {n}} \ sum_ {i = 1} ^ n (X_i-1) $, vi har, ved hjelp av distribusjonsfunksjoner
$$ \ mathbb {P} \ left (\ frac {1} {\ sqrt {n}} \ sum_ {i = 1} ^ n X_i \ leq \ sqrt {n} \ right) = F_ {Z_n} (0) = F _ {\ bar X_n} (1) $$
... og det er sant at $ \ lim_ {n \ to \ infty} F_ {Z_n} (0) = \ Phi (0) = 1/2 $.
Tenkningen i "LLN-tilnærmingen" går som følger: "Vi vet fra LLN at $ \ bar X_n $ konvergerer i sannsynlighet til en konstant. Og vi vet også at" konvergens i sannsynlighet innebærer konvergens i distribusjon ". , $ \ bar X_n $ konvergerer i distribusjon til en konstant ". Hittil har vi rett.
Så sier vi: "Derfor er begrensende sannsynligheter for $ \ bar X_n $ gitt av fordelingsfunksjonen til konstanten ved $ 1 $ tilfeldig variabel",
$$ F_1 (x) = \ cases {1 \; \; \; \; x \ geq 1 \\ 0 \; \; \; \; x<1} \ innebærer F_1 (1) = 1 $$
... så $ \ lim_ {n \ to \ infty} F _ {\ bar X_n} (1) = F_1 (1) = 1 $ ...
... og vi gjorde nettopp vår feil. Hvorfor? Fordi, som @ AlexR. svar bemerket, "konvergens i distribusjon" dekker bare kontinuitetspunktene til den begrensende distribusjonsfunksjonen. Og $ 1 $ er et punkt på diskontinuitet for $ F_1 $. Dette betyr at $ \ lim_ {n \ to \ infty} F _ {\ bar X_n} (1) $ kan være lik $ F_1 (1) $, men det kan ikke være uten å negere "konvergens i distribusjon til en konstant" implikasjon av LLN.
Og siden CLT-tilnærmingen vet vi hva verdien av grensen må være ($ 1/2 $). Jeg vet ikke om en måte å bevise direkte at $ \ lim_ {n \ to \ infty} F _ {\ bar X_n} (1) = 1/2 $.
D Har vi lært noe nytt?
Det gjorde jeg. LLN hevder at
$$ \ lim_ {n \ rightarrow \ infty} \ mathbb {P} \ Big (| \ bar {X} _n - 1 | \ leqslant \ varepsilon \ Big) = 1 \ quad \ quad \ text {for alle } \ varepsilon > 0 $$
$$ \ innebærer \ lim_ {n \ rightarrow \ infty} \ Big [\ mathbb {P} \ Big (1- \ varepsilon < \ bar {X} _n \ leq 1 \ Big) + \ mathbb {P} \ Big (1 < \ bar {X} _n \ leq 1+ \ varepsilon \ Big) \ Big] = 1 $$
$$ \ antyder \ lim_ {n \ rightarrow \ infty} \ Big [\ mathbb {P} \ Big (\ bar {X} _n \ leq 1 \ Big) + \ mathbb {P} \ Big (1 < \ bar {X} _n \ leq 1+ \ varepsilon \ Big) \ Big] = 1 $$
LLN sier ikke hvordan fordeles sannsynligheten i $ (1- \ varepsilon, 1+ \ varepsilon) $ -intervallet. Det jeg lærte er at i denne klassen av konvergensresultater er sannsynligheten på grensen allokert på begge sider av midtpunktet for kollapsintervallet.
Den generelle uttalelsen her er, antar
$$ X_n \ to_p \ theta, \; \; \; h (n) (X_n- \ theta) \ to_d D (0, V) $$
hvor $ D $ er noe rv med distribusjonsfunksjon $ F_D $. Så
$$ \ lim_ {n \ to \ infty} \ mathbb P [X_n \ leq \ theta] = \ lim_ {n \ to \ infty} \ mathbb P [h (n) (X_n- \ theta) \ leq 0] = F_D (0) $$
... som kanskje ikke er lik $ F _ {\ theta} (0) $ (fordelingsfunksjonen til konstant rv).
Dette er også et sterkt eksempel på at når fordelingsfunksjonen til den begrensende tilfeldige variabelen har diskontinuiteter, så kan "konvergens i distribusjon til en tilfeldig variabel" beskrive en situasjon der "den begrensende fordelingen" kan være uenig med "fordelingenav den begrensende tilfeldige variabelen "ved diskontinuitetspunktene.
Strengt tatt er den begrensende fordelingen for kontinuitetspunktene den for den konstant tilfeldige variabelen.For diskontinuitetspoengene kan vi kanskje beregne den begrensende sannsynligheten, som "separate" enheter.