Aqui está o que você está perdendo. A distribuição assintótica não é de X¯n (a média da amostra), mas de n−−√(X¯n−θ), ondeθé a média deX.
Deixe- ser iid variáveis aleatórias de tal forma que um < X i < b e X i tem média θ e variância σ 2 . Assim X i tem apoio limitada. A CLT diz que
√X1,X2,…a<Xi<bXiθσ2Xi
n−−√(X¯n−θ)→dN(0,σ2),
onde é a média da amostra. AgoraX¯n
a<a<a−θ<n−−√(a−θ)<Xi<bX¯n<bX¯n−θ<b−θn−−√(X¯n−θ)<n−−√(b−θ).
Como , o limite inferior e o limite superior tendem a - ∞ e ∞ respectivamente e, portanto, como n → ∞ o suporte de √n→∞−∞∞n→∞é exatamente toda a linha real.n−−√(X¯n−θ)
Sempre que usamos o CLT na prática, dizemos , e isso sempre será uma aproximação.X¯n≈N(θ,σ2/n)
EDIT: Eu acho que parte da confusão é da má interpretação do Teorema do Limite Central. Você está certo de que a distribuição amostral da média da amostra é
X¯n≈N(θ,σ2/n).
No entanto, a distribuição amostral é uma propriedade finita da amostra. Como você disse, queremos deixar ; uma vez que fazemos que a ≈ sinal será um resultado exato. No entanto, se deixarmos n → ∞ , não poderemos mais ter um n no lado direito (já que n é agora ∞ ). Portanto, a seguinte declaração está incorreta ˉ X n d → N ( θ , σ 2 / n ) como n → ∞ .n→∞≈n→∞nn∞
X¯n→dN(θ,σ2/n) as n→∞.
[Aqui significa convergência em termos de distribuição]. Queremos anotar o resultado com precisão, para que n não esteja no lado direito. Aqui agora usamos propriedades de variáveis aleatórias para obter→dn
n−−√(X¯n−θ)→dN(0,σ2)
Para ver como a álgebra funciona, veja a resposta aqui .
If you're referring to a central limit theorem, note that one proper way to to write it out is
under normal conditions (μ,σ being the mean and standard deviation of xi ).
With this formal definition, you can see right away that the left hand side can take on values for any finite range given a large enoughn .
To help connect to the for informal idea that "a mean approaches a normal distribution for largen ", we need to realize that "approaches a normal distribution" means that the CDF's get arbitrarily close to a normal distribution as n gets large. But as n gets large, the standard deviation of this approximate distribution shrinks, so the probability of an extreme tail of the approximating normal also goes to 0.
For example, supposeXi∼Bern(p=0.5) . Then you could use the informal approximation to say that
So while it is true that for any finiten ,
(implying the approximation is clearly never perfect), asn→∞ ,
So that discrepancy between the actual distribution and approximate distribution is disappearing, as is supposed to happen with approximations.
fonte