STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
2007-10-08 – sida 161 – # 165<br />
3.13 Centrala gränsvärdessatsen<br />
3.13 CENTRALA GRÄNSVÄRDESSATSEN 161<br />
I föregående avsnitt visades att <strong>med</strong>elvärdet ¯Xn av en följd av oberoende<br />
slumpvariabler X1, X2, . . ., alla <strong>med</strong> samma väntevärde µ <strong>och</strong> standardavvikelse<br />
σ, konvergerade i sannolikhet mot µ när n → ∞. I det här avsnittet<br />
ska vi studera fördelningen för ¯Xn − µ när n växer, <strong>och</strong> vi gör detta under antagandet<br />
att slumpvariablerna inte bara har samma väntevärde <strong>och</strong> standardavvikelse,<br />
utan att de har samma fördelning så att vi har ett stickprov från en<br />
fördelning F .<br />
Eftersom ¯Xn −µ går mot 0 i sannolikhet måste vi således skala upp ¯Xn −µ<br />
för att finna något intressant. Vi studerar därför i stället den standardiserade<br />
slumpvariabeln av ¯Xn. Från Följdsats 3.2 vet vi att E( ¯Xn) = µ <strong>och</strong><br />
D( ¯Xn) = σ/ √ n. Den standardiserade slumpvariabeln av ¯Xn ges således av<br />
√ n<br />
σ ( ¯Xn −µ), som alltså har väntevärde 0 <strong>och</strong> standardavvikelse 1 för alla n. Vi<br />
måste alltså förstora, eller ”blåsa upp” avvikelserna från väntevärdet på √ nskalan.<br />
Det märkliga är att denna standardiserade slumpvariabel konvergerar<br />
mot en <strong>och</strong> samma fördelning (standardiserad normalfördelning) oavsett<br />
vilken fördelning de ursprungliga slumpvariablerna, X1, X2, . . ., har. Detta<br />
resultat kallas “Centrala gränsvärdessatsen” <strong>och</strong> får nog sägas vara sannolikhetsteorins<br />
allra viktigaste resultat.<br />
SATS 3.38 (CENTRALA GRÄNSVÄRDESSATSEN)<br />
Låt X1, X2, . . . vara oberoende <strong>och</strong> likafördelade slumpvariabler <strong>med</strong><br />
E(Xi) = µ <strong>och</strong> D(Xi) = σ, där 0 < σ < ∞, <strong>och</strong> låt ¯Xn = n i=1 Xi/n. För<br />
godtyckliga a < b gäller då att<br />
√<br />
n<br />
P (a <<br />
σ ( ¯Xn − µ) < b) → Φ(b) − Φ(a), då n → ∞,<br />
där Φ(·) är fördelningsfunktionen för N(0, 1).<br />
ANMÄRKNING 3.48<br />
Det gäller alltså att fördelningen för √ n<br />
σ ( ¯Xn − µ) alltmer liknar den stan-<br />
dardiserade normalfördelningen. Ett alternativt sätt att skriva detta är<br />
√ n<br />
σ ( d ¯Xn − µ) −→ N(0, 1), där d står för engelskans ”distribution” som<br />
betyder fördelning. Man säger att slumpvariabeln ifråga konvergerar i<br />
fördelning mot N(0, 1).