Penso a come a una funzione di distribuzione (complementare nel caso specifico). Dal momento che voglio usare la simulazione al computer per mostrare che le cose tendono al modo in cui ci dice il risultato teorico, devo costruire la funzione di distribuzione empirica dio la distribuzione empirica della frequenza relativa, e quindi in qualche modo mostra che all'aumentare di , i valori di concentrare "sempre di più" a zero. | X n | n | X n |P()|Xn|n|Xn|
Per ottenere una funzione di frequenza relativa empirica, ho bisogno di (molto) più di un campione di dimensioni crescenti, perché all'aumentare delle dimensioni del campione, la distribuzione dimodifiche per ogni diverso . n|Xn|n
Quindi ho bisogno di generare dalla distribuzione di , campioni "in parallelo", diciamo che vanno in migliaia, ciascuno di alcune dimensioni iniziali , diciamo che vanno in decine di migliaia. Devo quindi calcolare il valore dida ciascun campione (e per la stessa ), ovvero ottenere l'insieme di valori . m m n n | X n | n { | x 1 n | , | x 2 n | , . . . , | x m n | }Yimmnn|Xn|n{|x1n|,|x2n|,...,|xmn|}
Questi valori possono essere usati per costruire una distribuzione di frequenza relativa empirica. Avendo fiducia nel risultato teorico, mi aspetto che "molto" dai valori disarà "molto vicino" allo zero, ma ovviamente non tutti. |Xn|
Quindi per mostrare che i valori dimarciare verso lo zero in numero sempre maggiore, dovrei ripetere il processo, aumentando la dimensione del campione per dire , e mostrare che ora la concentrazione a zero "è aumentata". Ovviamente per dimostrare che è aumentato, si dovrebbe specificare un valore empirico per .2 n ϵ|Xn|2nϵ
Sarebbe abbastanza? Potremmo in qualche modo formalizzare questo "aumento della concentrazione"? Questa procedura, se eseguita in più fasi di "aumento della dimensione del campione" e l'una più vicina all'altra, potrebbe fornirci una stima del tasso di convergenza effettivo , ovvero qualcosa come "massa di probabilità empirica che si sposta al di sotto della soglia per ogni passo "di, diciamo, mille? n
Oppure, esamina il valore della soglia per cui, ad esempio, il % della probabilità si trova al di sotto, e vedi come questo valore di viene ridotto in grandezza?ϵ90ϵ
UN ESEMPIO
Considera come e così U ( 0 , 1 )YiU(0,1)
|Xn|=∣∣∣1n∑i=1nYi−12∣∣∣
Generiamo prima campioni di dimensioni ciascuno. La distribuzione empirica della frequenza relativa disembra
n = 10 , 000 | X 10 , 000 |m=1,000n=10,000|X10,000|
e notiamo che il % dei valori disono più piccoli di . | X 10 , 000 | 0.004615590.10|X10,000|0.0046155
Quindi aumento la dimensione del campione a . Ora la distribuzione empirica della frequenza relativa disembra
e notiamo che il % dei valori disono inferiori a . In alternativa, ora il % dei valori scende al di sotto di .| X 20 , 000 | 91,80 | X 20 , 000 | 0,0037101 98,00 0,0045217n=20,000|X20,000|91.80|X20,000|0.003710198.000.0045217
Saresti persuaso da una tale dimostrazione?