বড় সংখ্যার আইন বনাম কেন্দ্রীয় সীমা উপপাদ্য
দুর্বল এবং শক্তিশালী আইন, স্কেলিং, নির্ভরতা, ergodicity, এবং আর্থিক ব্যাখ্যা সহ তাদের ওঠানামার বন্টনের সাথে নমুনা গড়ের অভিসারের তুলনা করুন
সরাসরি উত্তর
বড় সংখ্যার আইন বলে যে একটি নমুনা গড় তার জনসংখ্যার কাছে পৌঁছায় মানে উপযুক্ত পরিস্থিতিতে। কেন্দ্রীয় সীমা উপপাদ্য সেই সীমার চারপাশে স্কেল করা এলোমেলো ত্রুটি বর্ণনা করে এবং প্রায়শই একটি স্বাভাবিক অনুমান দেয়। LLN শনাক্ত করে যে গড় কোথায় যায়; CLT বর্ণনা করে কিভাবে এটি পথে ওঠানামা করে
উপপাদ্যগুলো বিভিন্ন প্রশ্নের উত্তর দেয়
X_1,…,X_n গড় μ সহ পর্যবেক্ষণের জন্য, নমুনার গড় হল X̄_n=n^(−1)Σ_iX_i
একটি LLN জিজ্ঞাসা করে যে X̄_n বৃদ্ধির সাথে সাথে μ-এর কাছাকাছি চলে যায়, যখন একটি CLT √n(X̄_n−μ) এর মতো স্কেল করা পার্থক্যের সীমিত বন্টন সম্পর্কে জিজ্ঞাসা করে
সঠিক মানের সাথে কনভারজেন্স নিজেই একটি ত্রুটির হার, আকৃতি, আত্মবিশ্বাসের ব্যবধান, বা দরকারী সসীম-নমুনা আনুমানিকতা দেয় না
দুর্বল আইন সম্ভাব্যতায় অভিসার ব্যবহার করে
দুর্বল LLN তার উল্লিখিত অনুমানের অধীনে প্রতি ε>0 এর জন্য P(|X̄_n−μ|>ε)→0 বলে
এটি বলে যে একটি নির্দিষ্ট-আকারের ত্রুটির সম্ভাবনা অদৃশ্য হয়ে যায়, এমন নয় যে প্রতিটি উপলব্ধি পথ অবশেষে চিরতরে কাছাকাছি থাকে
আইআইডি পর্যবেক্ষণের জন্য, একটি বিস্তৃত দুর্বল আইনের জন্য সীমিত প্রত্যাশাই যথেষ্ট, যখন সরল প্রকরণ প্রমাণগুলি প্রায়শই সসীম প্রকরণ ধরে নেয়
শক্তিশালী আইন একটি পাথওয়াইজ স্টেটমেন্ট
শক্তিশালী LLN X̄_n→μ প্রায় নিশ্চিতভাবে বলে, যার অর্থ একটি সম্ভাব্যতা-শূন্য সেটের বাইরে সমস্ত ফলাফলের জন্য অভিন্নতা ধারণ করে
প্রায়-নিশ্চিত কনভারজেন্স সম্ভাব্যতার অভিসারকে বোঝায়, কিন্তু অতিরিক্ত কাঠামো ছাড়া বিপরীতটি সত্য নয়
দৃঢ় আইনটি উপসর্গহীন থাকে এবং নির্দিষ্ট সিদ্ধান্ত সহনশীলতার জন্য কত বড় n হতে হবে তা নির্দিষ্ট করে না
CLT অবশিষ্ট ত্রুটিকে বড় করে
সসীম ধনাত্মক প্রকরণ σ² সহ iid ভেরিয়েবলের জন্য, √n(X̄_n−μ)/σ N(0,1) তে বিতরণে একত্রিত হয়
ফ্যাক্টর √n সঙ্কুচিত ত্রুটিকে শূন্যে ভেঙ্গে যাওয়া থেকে বাধা দেয় এবং এর অ-উপাদান সীমাবদ্ধ আকৃতি প্রকাশ করে
ধ্রুপদী CLT ব্যর্থ হলে LLN ধরে রাখতে পারে, যার মধ্যে হেভি-টেইল সেটিংস রয়েছে যেখানে গড় বিদ্যমান কিন্তু ভিন্নতা নেই
নির্ভরতার জন্য দীর্ঘ ইতিহাসের চেয়ে বেশি প্রয়োজন
স্থির এরগোডিক প্রক্রিয়াগুলি একটি LLN সন্তুষ্ট করতে পারে, যখন একটি CLT-এর অতিরিক্ত নির্ভরতা এবং ওঠানামাগুলির যথেষ্ট নিয়ন্ত্রণ প্রয়োজন
ফিন্যান্সিয়াল টাইম সিরিজ গড়, প্রকরণ, এক্সপোজার, তারল্য এবং শাসন পরিবর্তন করতে পারে, তাই একটি দীর্ঘ রেকর্ডকে একটি আইন থেকে বারবার ড্রয়ের মতো আচরণ করতে হবে না
একই সংকট ক্লাস্টার বা বাসি শাসন থেকে আরও পর্যবেক্ষণগুলি তাদের সারি গণনার পরামর্শের চেয়ে কম কার্যকর তথ্য যোগ করতে পারে
বৈচিত্র্য সম্পর্কিত কিন্তু পৃথক যুক্তি ব্যবহার করে
গড় আইডিওসিঙ্ক্রাটিক শক অনেকগুলি যথেষ্ট দুর্বলভাবে নির্ভরশীল অবস্থান জুড়ে স্থিতিশীল হতে পারে, যা একটি LLN-এর মতো প্রভাব প্রতিফলিত করে
সাধারণ কারণ, পুচ্ছ নির্ভরতা, ঘনীভূত ওজন এবং পারস্পরিক সম্পর্কযুক্ত ডিফল্টগুলি অদৃশ্য হয়ে যায় না কারণ পোর্টফোলিওটির অনেক নাম রয়েছে
একইভাবে, যখন সুযোগের সেট নিজেই পরিবর্তিত হয় তখন একটি দীর্ঘ গড় রিটার্ন একটি স্থায়ী প্রত্যাশিত রিটার্ন প্রকাশ করার নিশ্চয়তা দেয় না
ব্যবহারিক অনুমান উভয় ডায়াগনস্টিক প্রয়োজন
প্লট চালানোর অর্থ এবং উপ-নমুনা অনুমান, তারপর নির্ভরতা, কাঠামোগত বিরতি, লেজের মুহূর্ত এবং কার্যকর নমুনার আকার পরীক্ষা করুন
গড়কে একটি অনিশ্চয়তা অনুমান হিসাবে বিবেচনা করার পরিবর্তে প্রাসঙ্গিক CLT বা রিস্যাম্পলিং স্কিম দ্বারা ন্যায়সঙ্গত একটি স্ট্যান্ডার্ড ত্রুটি ব্যবহার করুন
যেকোনও উপপাদ্যের কথা বলার আগে অনুমান, কনভারজেন্স অনুমান, দিগন্ত, ত্রুটি ব্যান্ড এবং উইন্ডোজ বা শাসনের সংবেদনশীলতা রিপোর্ট করুন
সাধারণ প্রশ্ন
LLN এবং CLT এর মধ্যে প্রধান পার্থক্য কি?
LLN একটি লক্ষ্যে গড়ের অভিসারকে উদ্বিগ্ন করে; CLT সেই লক্ষ্যের চারপাশে বিচ্যুতির স্কেল বন্টন নিয়ে উদ্বিগ্ন
বড় সংখ্যার নিয়মে কি স্বাভাবিক ডেটার প্রয়োজন হয়?
না। এটি তার মুহূর্ত এবং নির্ভরতার অবস্থার অধীনে স্বাভাবিক বিতরণের অনেক বেশি প্রযোজ্য
CLT ব্যর্থ হলে LLN ধরে রাখা যাবে?
হ্যাঁ। একটি সীমিত গড় গড় অভিসারণের অনুমতি দিতে পারে এমনকি যখন অসীম প্রকরণ ক্লাসিক্যাল স্বাভাবিক CLT বাধা দেয়
আরো আর্থিক তথ্য সবসময় একটি অনুমান নির্ভরযোগ্য করে তোলে?
না। নির্ভরতা, শাসনব্যবস্থার পরিবর্তন, ডেটার গুণমান এবং একটি অস্থির লক্ষ্য কার্যকর তথ্যকে পর্যবেক্ষণের সংখ্যার তুলনায় অনেক ছোট রাখতে পারে