STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
2007-10-08 – sida 163 – # 167<br />
3.13 CENTRALA GRÄNSVÄRDESSATSEN 163<br />
V (Z) = E(Z 2 ) = 1, så φZ(s) = 1+s 2 /2+O(s 3 ). Om vi väljer s = t/ √ n,<br />
för givet t, får vi<br />
φYn (t) = φZ(t/ √ n) n =<br />
<br />
1 + t2<br />
2n + O t3 n3/2 n<br />
.<br />
Om vi låter n → ∞ får vi därför att φYn (t) → et2 /2 vilket är mgf för den<br />
standardiserade normalfördelningen.<br />
Centrala gränsvärdessatsen uttalar sig om fördelningen då antalet observationer<br />
n går mot oändligheten. Det som gör resultatet så viktigt är emellertid vad<br />
som gäller innan n har gått mot oändligheten. Om vi har bildat <strong>med</strong>elvärdet<br />
¯Xn, där n är ”någorlunda” stort, så gäller att <strong>med</strong>elvärdet är approximativt<br />
normalfördelat. Detta approximativa resultat kallas för normalfördelningsapproximation<br />
<strong>och</strong> baseras alltså på den asymptotiska centrala gränsvärdessatsen.<br />
Från beviset såg vi att E( ¯Xn) = µ <strong>och</strong> D( ¯Xn) = σ/ √ n, <strong>och</strong> för<br />
summan n i=1 Xi gäller E n i=1 Xi<br />
n √<br />
= nµ <strong>och</strong> D = σ n.<br />
METOD 3.2 (NORMALFÖRDELNINGSAPPROXIMATION)<br />
i=1 Xi<br />
Låt X1, X2, . . . vara oberoende <strong>och</strong> likafördelade slumpvariabler <strong>med</strong><br />
E(Xi) = µ <strong>och</strong> D(Xi) = σ. Då gäller det att ¯Xn är approximativt<br />
N(µ, σ/ √ n), <strong>och</strong> n i=1 Xi är approximativt N(nµ, σ √ n).<br />
Således har vi approximationerna<br />
<br />
b − µ<br />
P (a ≤ ¯Xn ≤ b) ≈ Φ<br />
σ/ √ <br />
a − µ<br />
− Φ<br />
n σ/ √ <br />
, (3.7)<br />
n<br />
n<br />
<br />
d − nµ<br />
P (c ≤ Xi ≤ d) ≈ Φ<br />
σ √ <br />
b − nµ<br />
− Φ<br />
n σ √ <br />
. (3.8)<br />
n<br />
i=1<br />
ANMÄRKNING 3.50<br />
I fallet att X är kontinuerlig spelar det ingen roll om olikheterna ovan är<br />
strikta eller ej eftersom sannolikheten att få exakt likhet är 0. För det diskreta<br />
fallet spelar det däremot roll <strong>och</strong> approximationerna kan förbättras<br />
<strong>med</strong> s.k. halvkorrektion som tas upp i nästa avsnitt (Avsnitt 3.14).<br />
Vi illustrerar detta viktiga resultat <strong>med</strong> ett exempel.