logo

中心極限定理の証明 📂数理統計学

中心極限定理の証明

定理 1

{Xk}k=1n\left\{ X_{k} \right\}_{k=1}^{n}iid確率変数で、確率分布(μ,σ2)\left( \mu, \sigma^2 \right) に従うとき、nn \to \inftynXnμσDN(0,1) \sqrt{n} {{ \overline{X}_n - \mu } \over {\sigma}} \overset{D}{\to} N (0,1)


解説

統計学では、大数の法則と共に非常に有名な定理として挙げられる。頻繁に聞き、使われる定理だが、実際に証明するのは数理統計学を学ぶときぐらいだ。しかし、実際には利用度を超えて、証明自体が楽しいため、より価値のある定理だと言えるだろう。

証明

戦略:モーメント生成関数テイラーの定理を使ったトリックを使用する。


まず、Y:=nXnμσ\displaystyle Y := \sqrt{n} {{ \overline{X}_{n} - \mu } \over { \sigma }}のモーメント生成関数M(t)=E(etY),h<t<hM(t) = E(e^{t Y}), -h<t<hが存在すると仮定する。新しい関数m(t):=E[et(Xμ)]=eμtM(t)m(t) := E[e^{t(X-\mu)}] = e^{-\mu t} M(t)を定義すると M(t)=E(etnXnμσ)=E(eti=1nXinμσn)=E(etX1μσn)E(etX2μσn)E(etXnμσn)=E(etXμσn)E(etXμσn)E(etXμσn)={E(etXμσn)}n={m(tσn)}n,h<tσn<h \begin{align*} M(t) =& E \left( e^{ t \sqrt{n} {{ \overline{X}_n - \mu } \over {\sigma}} } \right) \\ =& E \left( e^{ t {{ \sum_{i=1}^{n} X_i - n \mu } \over {\sigma \sqrt{n} }} } \right) \\ =& E \left( e^{ t {{ X_1 - \mu } \over {\sigma \sqrt{n} }} } \right) E \left( e^{ t {{ X_2 - \mu } \over {\sigma \sqrt{n} }} } \right) \cdots E \left( e^{ t {{ X_n - \mu } \over {\sigma \sqrt{n} }} } \right) \\ =& E \left( e^{ t {{ X - \mu } \over {\sigma \sqrt{n} }} } \right) E \left( e^{ t {{ X - \mu } \over {\sigma \sqrt{n} }} } \right) \cdots E \left( e^{ t {{ X - \mu } \over {\sigma \sqrt{n} }} } \right) \\ =& { \left\{ E \left( e^{ t {{ X - \mu } \over {\sigma \sqrt{n} }} } \right) \right\} }^n \\ =& { \left\{ m \left( { {t} \over {\sigma \sqrt{n} } } \right) \right\} } ^{n} \qquad , -h < { {t} \over {\sigma \sqrt{n} } } < h \end{align*}

テイラーの定理:関数f(x)f(x)[a,b][a,b]連続であり、(a,b)(a,b)nn回微分可能ならば、x0(a,b)x_{0} \in (a,b)に対してf(x)=k=0n1(xx0)kk!f(k)(x0)+(xx0)nn!f(n)(ξ)\displaystyle f(x) = \sum_{k=0}^{n-1} {{( x - x_{0} )^{k}\over{ k! }}{f^{(k)}( x_{0} )}} + {(x - x_{0} )^{n}\over{ n! }}{f^{(n)}(\xi)}を満たすξ(a,b)\xi \in (a,b)が存在する。

n=2n=2にテイラーの定理を適用すると、ξ\xi(t,0)(-t,0)または(0,t)(0,t)の少なくとも一方を満たすことがわかる。 したがって、m(t)m(t)m(t)=m(0)+m(0)t+m(ξ)t22 m(t) = m(0) + m ' (0)t + { {m '' (\xi) t^2} \over {2} } と表せる。一方、 {m(0)=1m(0)=E(Xμ)=0m(0)=E[(Xμ)2]=σ2 \begin{cases} m(0)=1 \\ m ' (0) = E(X-\mu) = 0 \\ m '' (0) = E[(X-\mu)^2] = {\sigma}^2 \end{cases} であるため、m(t)=1+m(ξ)t22\displaystyle m(t) = 1 + { {m '' (\xi) t^2} \over {2} }である。ここでトリックが登場するが、右辺にσ2t22\displaystyle {{\sigma^2 t^2} \over {2}}を加えてから引くと m(t)=1+σ2t22+[m(ξ)σ2]t22 m(t) = 1 + { { \sigma^2 t^2} \over {2} } + { { [ m '' (\xi) - \sigma^2 ] t^2} \over {2} } つまり、 M(t)={m(tσn)}n={1+t22n+[m(ξ)σ2]t22nσ2}n M(t) = { \left\{ m \left( { {t} \over {\sigma \sqrt{n} } } \right) \right\} } ^{n} = { \left\{ 1 + { { t^2} \over {2n} } + { { [ m '' (\xi) - \sigma^2 ] t^2} \over {2n \sigma^2 } } \right\} } ^{n}

テイラーの定理により、ξ\xi(tσn,0)\displaystyle \left( -{ {t} \over {\sigma \sqrt{n} } },0 \right)または(0,tσn)\displaystyle \left( 0,{ {t} \over {\sigma \sqrt{n} } } \right) の間にあるため、nn \to \inftyのときξ0\xi \to 0で、したがってm(ξ)m(0)=σ2 m '' (\xi) \to m '' (0) = \sigma^2である。そのようにして収束する項を除去すると

limnM(t)=limn(1+t22n)n=et2/2 \lim _{n \to \infty} M(t) = \lim _{n \to \infty} \left( 1 + { { t^2} \over {2n} } \right)^{n} = e^{t^2 / 2}

ここで、et2/2e^{t^2 / 2}標準正規分布のモーメント生成関数であるため、

nXnμσDN(0,1) \sqrt{n} {{ \overline{X}_n - \mu } \over {\sigma}} \overset{D}{\to} N (0,1)


  1. Hogg et al. (2013). Introduction to Mathematical Statistcs(7th Edition): 313~315. ↩︎