Hukum Bilangan Besar vs Teorema Limit Pusat
Bandingkan penumpuan purata sampel dengan taburan turun naiknya, termasuk hukum lemah dan kuat, penskalaan, kebergantungan, ergodisitas, serta tafsiran kewangan
Jawapan terus
Hukum Nombor Besar menyatakan bahawa purata sampel menghampiri min populasi di bawah syarat yang sesuai. Teorem Had Pusat menerangkan ralat rawak berskala di sekitar had itu dan sering memberikan anggaran normal. LLN mengenal pasti ke mana purata pergi; CLT menerangkan cara ia turun naik sepanjang perjalanan
Teorem ini menjawab soalan berbeza
Bagi cerapan X_1,…,X_n dengan min μ, purata sampel ialah X̄_n=n^(−1)Σ_iX_i
LLN bertanya sama ada X̄_n menghampiri μ apabila n bertambah, manakala CLT bertanya tentang taburan had bagi perbezaan berskala seperti √n(X̄_n−μ)
Penumpuan kepada nilai yang betul dengan sendirinya tidak memberikan kadar ralat, bentuk, selang keyakinan, atau anggaran sampel terhingga yang berguna
Hukum lemah menggunakan penumpuan dalam kebarangkalian
LLN lemah menyatakan P(|X̄_n−μ|>ε)→0 untuk setiap ε>0 di bawah andaian yang dinyatakan
Ia bermaksud kebarangkalian ralat saiz tetap lenyap, bukan setiap laluan yang direalisasikan akhirnya kekal dekat selama-lamanya
Bagi cerapan iid, jangkaan terhingga mencukupi untuk hukum lemah yang luas, manakala bukti varians mudah sering mengandaikan varians terhingga
Hukum kuat ialah pernyataan mengikut laluan
LLN kuat menyatakan X̄_n→μ hampir pasti, iaitu penumpuan berlaku untuk semua hasil di luar satu set berkebarangkalian sifar
Penumpuan hampir pasti menyiratkan penumpuan dalam kebarangkalian, tetapi songsangnya tidak benar tanpa struktur tambahan
Hukum kuat kekal asimptotik dan tidak menentukan berapa besar n yang diperlukan untuk toleransi keputusan tertentu
CLT membesarkan ralat yang tinggal
Bagi pemboleh ubah iid dengan varians positif terhingga σ², √n(X̄_n−μ)/σ menumpu dalam taburan kepada N(0,1)
Faktor √n menghalang ralat yang mengecil daripada runtuh kepada sifar dan mendedahkan bentuk had yang tidak degenerat
LLN boleh berlaku apabila CLT klasik gagal, termasuk keadaan ekor berat apabila min wujud tetapi varians tidak wujud
Kebergantungan memerlukan lebih daripada sejarah panjang
Proses pegun ergodik mungkin memenuhi LLN, manakala CLT turut memerlukan kawalan yang mencukupi terhadap kebergantungan dan turun naik
Siri masa kewangan boleh mengubah min, varians, pendedahan, kecairan, dan rejim, jadi satu rekod panjang tidak semestinya berkelakuan seperti cabutan berulang daripada satu hukum
Lebih banyak cerapan daripada kelompok krisis atau rejim lapuk yang sama mungkin menambah maklumat berkesan yang lebih sedikit daripada yang dicadangkan oleh bilangan barisnya
Kepelbagaian menggunakan logik berkaitan tetapi berasingan
Purata kejutan idiosinkratik boleh stabil merentasi banyak kedudukan yang cukup lemah kebergantungannya, mencerminkan kesan seperti LLN
Faktor bersama, kebergantungan ekor, wajaran tertumpu, dan keingkaran berkorelasi tidak hilang semata-mata kerana portfolio memegang banyak nama
Begitu juga, purata pulangan panjang tidak dijamin mendedahkan pulangan jangkaan kekal apabila set peluang itu sendiri berubah
Inferens praktikal memerlukan kedua-dua diagnostik
Plot min berjalan dan anggaran subsampel, kemudian periksa kebergantungan, perubahan struktur, momen ekor, dan saiz sampel berkesan
Gunakan ralat piawai yang disokong oleh CLT atau skema pensampelan semula yang berkaitan, bukannya menganggap penumpuan min sebagai anggaran ketakpastian
Laporkan estimand, andaian penumpuan, horizon, jalur ralat, dan sensitiviti terhadap tetingkap atau rejim sebelum menggunakan mana-mana teorem
Soalan lazim
Apakah perbezaan utama antara LLN dan CLT?
LLN berkaitan penumpuan purata kepada sasaran; CLT berkaitan taburan berskala bagi sisihan di sekitar sasaran itu
Adakah Hukum Nombor Besar memerlukan data normal?
Tidak. Ia terpakai jauh melampaui taburan normal di bawah syarat momen dan kebergantungannya
Bolehkah LLN berlaku apabila CLT gagal?
Ya. Min terhingga boleh membenarkan penumpuan purata walaupun varians tak terhingga menghalang CLT normal klasik
Adakah lebih banyak data kewangan sentiasa menjadikan anggaran boleh dipercayai?
Tidak. Kebergantungan, perubahan rejim, kualiti data, dan sasaran tidak stabil boleh mengekalkan maklumat berkesan jauh lebih kecil daripada bilangan cerapan
Sumber dan bacaan lanjut
Semakan pantas
Sudah membaca panduan? Uji diri dengan 3 soalan
Soalan 01
Pernyataan manakah paling sepadan dengan panduan ini — Teorem ini menjawab soalan berbeza?
Pilih jawapan untuk melihat penjelasan
Glosari opsyen
An asymptotic result stating that, under suitable conditions, a correctly centered and scaled sum approaches a normal distribution; the raw observations need not be normal.
Baca panduan terperinciAt the moneyA call or put whose strike is near the underlying price; it has little intrinsic value and often substantial sensitivity to time and volatility.
Baca panduan terperinciCall optionA contract that gives its holder the right, but not the obligation, to buy the underlying at the strike before or at expiration under the contract terms.
Baca panduan terperinci