Предположим следующее:
Пусть . Также . Кроме того, т.е. является выпуклой комбинацией границ соответствующих опор. является общим для всех .
Я думаю, что у меня есть правильное распределение : это смешанное распределение .
Он имеет непрерывную часть,
Таким образом, во всех
в то время как для смешанной «дискретной / непрерывной» функции масса / плотность она равна вне интервала , она имеет непрерывную часть, которая является плотностью равномерной , но для , и он концентрирует массу положительной вероятности при .
В целом это сводится к единству над реалами.
Я хотел бы иметь возможность получить или сказать что-то о распределении и / или моментах случайной величины , как .
Скажем, если независимы, это выглядит как как . Могу ли я «игнорировать» эту часть, даже в качестве приблизительного? Тогда у меня останется случайная величина, которая находится в интервале , похожий на сумму цензурированных униформ, на пути к тому, чтобы стать «нецензурированным», и поэтому, может быть, какая-то центральная предельная теорема ... но я, вероятно, расходюсь, а не сходлюсь здесь, так что, есть предложения? Pr ( S n = ∑ n i k i ) = c n →n → ∞ [ ∑ n i = 1 a i ,
PS: Этот вопрос актуален, получая распределение суммы цензурированных переменных , но ответ @Glen_b не тот, который мне нужен - мне нужно работать над этим аналитически, даже используя приближения. Это исследование, поэтому, пожалуйста, относитесь к нему как к домашней работе - общие предложения или ссылки на литературу достаточно хороши.
источник
Ответы:
Я бы последовал совету Генри и проверил бы Ляпунова с . Тот факт, что распределения являются смешанными, не должен быть проблемой, если и ведут себя правильно. Моделирование частного случая, в котором , , для каждого показывает, что нормальность в порядке.δ= 1 aя бя aя= 0 бязнак равно1 Кя= 2 / 3 я ≥ 1
источник
подсказки:
Предполагая, что фиксировано и независимы, вы можете вычислить среднее значение и дисперсию для каждого : например, и вы знаете, что . X i μ i σ 2 i Z i μ i = E [ Z i ] = c a i + k ic Xi μя σ2я Zя KI=ся+(1-гр)бIμязнак равноE[ Zя] = ся+ кя2+ ( 1 - с ) кя Кя= Гря+ ( 1 - с ) бя
Затем, если и не растут слишком быстро, вы можете использовать условия Ляпунова или Линдеберга, чтобы применить центральную предельную теорему с выводом, что сходится по распределению к стандартной нормали или в смысле рукой приблизительно нормально распределяется со средним значением и дисперсия .б я 1aя бя ∑n1Zi∑n1μi∑n1σ2i1ΣN1σ2я-----√( ∑1NZя- ∑1Nμя) ΣN1Zя ΣN1μя ΣN1σ2я
источник
Мое главное беспокойство в этом вопросе заключалось в том, можно ли применять CLT «как обычно» в случае, который я рассматриваю. Пользователь @Henry утверждал, что можно, пользователь @Zen показал это с помощью симуляции. Ободренный, сейчас я докажу это аналитически.
Сначала я хочу убедиться, что эта переменная со смешанным распределением имеет «обычную» функцию генерации моментов. Обозначим ожидаемое значение , его стандартное отклонение и центрированную и масштабированную версию через . Применяя изменение-о-переменной формулы мы находим , что непрерывная часть Производящая момент функция должна быть Z i σ i Z i ˜ Z i = Z i - μ iμя Zя σя Zя е ~ Z ( ~ г я)=σяеZ(гя)=σяZ~я= Zя- μяσя
~ Z я ~ М я(т)=Е(е ~ г ят)=∫ ∞ - ∞ е ~ г ятдР ~ Z ( ~ г я)=∫ ~ K я ~ я σie ˜ z i t
Используя простые числа для обозначения производных, если мы правильно указали функцию, производящую момент, то мы должны получить так как это центрированная и масштабированная случайная величина. И действительно, вычисляя производные, применяя правило Лопиталя много раз (поскольку значение MGF в нуле должно быть рассчитано через пределы) и выполняя алгебраические манипуляции, я проверил первые два равенства. Третье равенство оказалось слишком утомительным, но я верю, что оно справедливо.
Таким образом, у нас есть правильный MGF. Если мы возьмем его разложение Тейлора 2-го порядка около нуля, мы имеем
Это означает, что характеристическая функция (здесь обозначает мнимую единицу) .я
По свойствам характеристической функции имеем, что характеристическая функция равнаZ~/ н--√
и поскольку у нас есть независимые случайные величины, характеристическая функция равна1N√ΣNяZ~я
затем
по какому числу представленае . Так получилось, что последний член является характеристической функцией стандартного нормального распределения, и по теореме Леви о непрерывности имеем
который является CLT. Обратите внимание, что тот факт, что переменные не являются одинаково распределенными, «исчез» из поля зрения, как только мы рассмотрели их центрированные и масштабированные версии и рассмотрели разложение Тейлора 2-го порядка их MGF / CHF: на этом уровне приближения эти функции идентичны, и все различия сжаты в остальных терминах, которые исчезают асимптотически.Z
Тот факт, что характерное поведение на индивидуальном уровне от всех отдельных элементов, тем не менее, исчезает, когда мы рассматриваем среднее поведение, я считаю, что это очень хорошо демонстрируется использованием мерзкого существа, подобного случайной переменной, имеющей смешанное распределение.
источник