수정하기 - 대수의 법칙의 수학적 증명 과정은 어떻게 되나요?

닉네임

비밀번호

제목

내용 [이미지 업로드는 권한이 있는 사람만 가능. 하단 카톡으로 연락]

대수의 법칙(Weak Law of Large Numbers, WLLN)은 확률론의 중요한 정리 중 하나로, 독립적이고 동일하게 분포된 <a href='https://sangseek.com/sangseeks/확률 변수/ko'>확률 변수</a>들의 평균이 그 기대값으로 수렴한다고 말합니다. 수학적으로 이 법칙을 증명하는 과정은 다음과 같은 단계로 진행됩니다. 여기서는 중심극한정리와 함께 설명하겠습니다.           정의    우리가 다루고자 하는 설정은 다음과 같습니다:  - \(X_1, X_2, \ldots, X_n\)라는 독립적이고 동일 분포(i.i.d.)인 확률 변수들이 있다고 가정합니다.  - 이들의 기대값을 \(E[X_i] = \mu\)라고 하고, 분산을 \(Var(X_i) = \sigma^2\)라고 하겠습니다.    대수의 법칙은 다음을 주장합니다:  \[  P\left(\left| \frac{1}{n}\sum_{i=1}^{n} X_i - \mu \right| \geq \epsilon \right) \to 0 \quad \text{as } n \to \infty  \]  모든 \(\epsilon > 0\)에 대해, 즉 \(\frac{1}{n} \sum_{i=1}^{n} X_i\)가 \(\mu\)에 확률적으로 수렴함을 의미합니다.           증명 과정    1.   Chebyshev의 <a href='https://sangseek.com/sangseeks/부등식/ko'>부등식</a> 사용  :      우리는 Chebyshev의 부등식을 사용하여 이론을 세워나갈 것입니다. 관련 내용을 위해 우선 \(\overline{X}_n = \frac{1}{n} \sum_{i=1}^{n} X_i\)의 분산을 구합니다.     \[     Var(\overline{X}_n) = Var\left(\frac{1}{n} \sum_{i=1}^{n} X_i\right) = \frac{1}{n^2} \sum_{i=1}^{n} Var(X_i) = \frac{\sigma^2}{n}     \]    2.   Chebyshev의 부등식 적용  :      Chebyshev의 부등식에 따르면, 임의의 \(k > 0\)에 대해,     \[     P\left( |\overline{X}_n - \mu| \geq k \sigma \right) \leq \frac{Var(\overline{X}_n)}{(k \sigma)^2} = \frac{\sigma^2/n}{(k \sigma)^2} = \frac{1}{nk^2}     \]    3.   결과 도출  :     이제 \(k = \frac{\epsilon}{\sigma}\)로 두면,     \[     P\left(|\overline{X}_n - \mu| \geq \epsilon\right) \leq \frac{1}{n \left(\frac{\epsilon}{\sigma}\right)^2} = \frac{\sigma^2}{n \epsilon^2}     \]     이 식의 우변은 \(n\)이 무한히 클 때 0으로 수렴합니다.    4.   결합  :      따라서, 우리는 \(n \to \infty\)일 때,     \[     P\left(|\overline{X}_n - \mu| \geq \epsilon\right) \to 0     \]     즉, 대수의 법칙이 성립함을 알 수 있습니다.           결론    이 증명 과정을 통해 우리는 대수의 법칙이 독립적이고 동일하게 분포하는 확률 변수들의 평균이 그 기대값에 수렴한다는 것을 확인할 수 있습니다. 이는 통계학에서 매우 중요한 결과로, 많은 응용에 사용됩니다.