Law of Large Numbers बनाम Central Limit Theorem
Sample average के convergence और उसके fluctuations की distribution की तुलना करें, जिसमें weak और strong laws, scaling, dependence, ergodicity और financial interpretation शामिल हैं
सीधा जवाब
Law of Large Numbers कहता है कि उपयुक्त conditions में sample average population mean के पास पहुँचता है। Central Limit Theorem उस limit के आसपास scaled random error की distribution बताता है और अक्सर normal approximation देता है। LLN बताता है average कहाँ जाता है; CLT बताता है कि वहाँ पहुँचते समय वह कैसे fluctuate करता है
दोनों theorems अलग सवालों के जवाब देते हैं
Mean μ वाली observations X_1,…,X_n के लिए sample average X̄_n=n^(−1)Σ_iX_i है
LLN पूछता है कि n बढ़ने पर X̄_n, μ के कितना पास जाता है, जबकि CLT √n(X̄_n−μ) जैसे scaled difference की limiting distribution के बारे में पूछता है
सही value तक convergence अपने आप error rate, shape, confidence interval या useful finite-sample approximation नहीं देता
Weak law convergence in probability उपयोग करता है
Weak LLN कहता है कि stated assumptions के अंतर्गत हर ε>0 के लिए P(|X̄_n−μ|>ε)→0
इसका अर्थ है कि fixed-size error की probability घटती है, न कि हर realized path हमेशा के लिए eventually पास ही रहेगी
iid observations के लिए broad weak law में finite expectation पर्याप्त हो सकती है, जबकि सरल variance proofs अक्सर finite variance मानते हैं
Strong law pathwise statement है
Strong LLN कहता है X̄_n→μ almost surely, यानी एक probability-zero set को छोड़कर सभी outcomes के लिए convergence होती है
Almost-sure convergence, convergence in probability imply करती है, लेकिन अतिरिक्त structure के बिना इसका reverse सही नहीं है
Strong law asymptotic रहती है और यह नहीं बताती कि किसी खास decision tolerance के लिए n कितना बड़ा होना चाहिए
CLT बची हुई error को magnify करता है
Finite positive variance σ² वाले iid variables के लिए √n(X̄_n−μ)/σ distribution में N(0,1) की ओर converge करता है
√n factor shrinking error को zero में collapse होने से रोकता है और उसकी nondegenerate limiting shape दिखाता है
LLN तब भी hold कर सकता है जब classical CLT fail हो, जैसे heavy-tail settings जहाँ mean मौजूद हो लेकिन variance न हो
Dependence के लिए केवल लंबी history पर्याप्त नहीं
Stationary ergodic processes LLN satisfy कर सकते हैं, जबकि CLT के लिए dependence और fluctuations पर अतिरिक्त control चाहिए
Financial time series में mean, variance, exposure, liquidity और regime बदल सकते हैं, इसलिए एक लंबा record एक ही law से repeated draws जैसा नहीं होता
एक ही crisis cluster या stale regime से अधिक observations, row count जितनी effective information नहीं जोड़ सकतीं
Diversification में संबंधित लेकिन अलग logic है
कई पर्याप्त रूप से weakly dependent positions में idiosyncratic shock का average stabilize हो सकता है, जो LLN-जैसा effect है
Common factors, tail dependence, concentrated weights और correlated defaults केवल कई names रखने से गायब नहीं होते
इसी तरह long average return बदलते opportunity set के बीच permanent expected return दिखाए, यह जरूरी नहीं
Practical inference को दोनों diagnostics चाहिए
Running means और subsample estimates plot करें, फिर dependence, structural breaks, tail moments और effective sample size देखें
Relevant CLT या resampling scheme से justified standard error उपयोग करें; mean के convergence को uncertainty estimate न समझें
किसी theorem का उपयोग करने से पहले estimand, convergence assumptions, horizon, error bands और windows या regimes के प्रति sensitivity report करें
आम सवाल
LLN और CLT में मुख्य अंतर क्या है?
LLN average के target तक convergence से संबंधित है; CLT उस target के आसपास deviations की scaled distribution से
क्या Law of Large Numbers के लिए data का normal होना जरूरी है?
नहीं। अपनी moment और dependence conditions के अंतर्गत यह normal distributions से बहुत आगे लागू होता है
क्या CLT fail होने पर LLN hold कर सकता है?
हाँ। Finite mean average convergence की अनुमति दे सकता है, भले infinite variance classical normal CLT को रोक दे
क्या अधिक financial data estimate को हमेशा reliable बनाता है?
नहीं। Dependence, regime change, data quality और unstable target effective information को observation count से बहुत छोटा रख सकते हैं