8 votos

Central límite y suma de cuadrados de variables aleatorias

Esta es una pregunta de dos partes.

Supongamos que yo soy de dibujo de variables aleatorias $X_i\sim A$, $1\leq i \leq n$ donde $A$ es un valor cero, varianza finita $\sigma_A^2$, simétrica distribución de probabilidad de tener finito cuarto momento $\mathbb{E}(X^4)$ sobre el apoyo de la recta numérica real. Suponga que para todo $(i,j)$, $X_i$ y $X_j$ son independientes. Estoy interesado en la aproximación de la distribución de la suma de los cuadrados de los $\sum_{i=1}^nX_i^2$ con la distribución normal, por muy grande $n$. En la segunda parte de la pregunta que me relajan el supuesto de que $X_i$'s son idénticamente distribuidas, pero mantener las mismas condiciones en cada una de las $A_i$.

Por el Teorema del Límite Central (CLT), la suma de estos me.yo.d. variables aleatorias, la variable aleatoria $$\frac{\sum_{i=1}^nX_i}{\sqrt{n\sigma_A^2}}\xrightarrow{D}\mathcal{N}(0,1)$$

donde $\xrightarrow{D}$ denota la convergencia en distribución. Por lo tanto, me puede aproximar la distribución de la suma por $\mathcal{N}(0,n\sigma_A^2)$ de las grandes suficientemente $n$.

La primera parte de mi pregunta es: ¿qué distribución se puede utilizar para aproximar la suma de los cuadrados de un gran número de estos me.yo.d. variables aleatorias $\sum_{i=1}^n X^2_i$? Hacer una función de ella convergen a un estándar de Gauss en la distribución (es decir, dado lo suficientemente grande, posiblemente infinita $n$)? Entiendo que si $A$ es una Gaussiana, a continuación,$\frac{1}{\sigma_A^2}\sum_{i=1}^n X^2_i\sim\chi^2(n)$, que puede ser aproximada por $\mathcal{N}(n\sigma_A^2,2n\sigma_A^4)$ grandes $n$ el uso de las propiedades asintóticas de la distribución chi-squared (donde $\sigma_A^4$ denota el cuadrado de la varianza.) Pero ¿qué sucede cuando $A$ tiene el buen propiedades descritas anteriormente, pero no es necesariamente de Gauss?

Mi intuición me dice que debería converger a una Gaussiana, ya que todavía estamos tratando con una suma de variables aleatorias con finito media y la varianza. Pero no estoy seguro de cómo probar que o caracterizar la distribución en términos de$n$$\sigma_A^2$.

Segunda parte de la pregunta es una generalización sobre este tema. Ahora supongamos $X_i\sim A_i$ no son idénticamente distribuidas. Todos ellos siguen siendo independientes, y $A_i$ están siendo cero medio y simétrico, pero todos ellos tienen diferentes finito variaciones $\sigma_i^2$, y puede tener una forma diferente. Ya que los medios y las desviaciones son finitos, Lindeberg la condición se cumple, lo que nos asegura que la CT se mantiene en las $\frac{\sum_{i=1}^n X_i}{\sqrt{\sum_{i=1}^n\sigma_i^2}}\xrightarrow{D}\mathcal{N}(0,1)$. Sin embargo, de nuevo, me pregunto ¿qué pasa con la suma de los cuadrados de los $\sum_{i=1}^n X_i^2$. Hay una función de lo que converge a un buen variable aleatoria como el de Gauss en la distribución (es decir, para adecuadamente un gran $n$, posiblemente infinita, qué aspecto de Gauss), Si es así, ¿qué distribución hace converger y ¿cómo se puede caracterizar la distribución y la función de $\sum_{i=1}^n X_i$ en términos de$n$$\sigma_i^2$, y posiblemente $\mathbb{E}(X_i^4)$? Es el resultado más alcanzable si cada una de las $A_i$ es un valor cero Gauss con varianza $\sigma_i^2$?

De nuevo, mi intuición me dice que una función de $\sum_{i=1}^n X_i^2$ deben converger a una Gaussiana, ya que de nuevo estamos tratando con la suma de variables aleatorias con finito de medias y varianzas, que deben cumplir Lindeberg del estado... pero hay una prueba y cómo la caracterización de la distribución en términos de$n$$\sigma_i^2$?

EDITA: he cambiado la pregunta después de @Michael Hardy respondió a la primera parte para mí. La segunda parte está todavía abierto...

8voto

Michael Hardy Puntos 128804

Tengo un cierto grado de incomodidad con la expresión $$\sum_{i=1}^n X^2_i\xrightarrow{D}\mathcal{N}(n,2n\sigma_A^4)$$ desde $n$ aparece en ambos lados. Si uno toma un límite de $n\to\infty$, uno hace algo que no depende de la $n$.

Cuando uno dice $$\sum_{i=1}^n X_i\sim\mathcal{N}(0,n\sigma_A^2),$$ tiene que significar que $$ \frac{1}{\sigma_A\sqrt{n}}\sum_{i=1}^n X_i $$ converge en distribución a$\mathcal{N}(0,1)$$n\to\infty$, y no $n$ aparece en la expresión "$\mathcal{N}(0,1)$", que es el límite.

Desde $\mathbb{E}(X_i) = 0$,$\sigma_A^2=\operatorname{var}(X_i)=\mathbb{E}(X_i^2)$, y $$ \operatorname{var}(X^2) = \mathbb{E}(X^4) - \sigma_A^4. $$

Así que si esta última cantidad pasa a ser finito, entonces el teorema central del límite nos dice que $$ \frac{\sum_{i=1}^n (X_i^2 - \sigma_A^2) }{\sqrt{n}\sqrt{\mathbb{E}(X^4) - \sigma_A^4}} $$ converge en distribución a$\mathcal{N}(0,1)$$n\to\infty$.

1voto

Robert Christie Puntos 7323

Los Estados de Teorema de límite central que, para i.i.d. variables como random secuencia $X_i$ con $\mathbb{E}(X)$y varianza $\operatorname{Var}(X)$, la variable aleatoria secuencia $Z_n = \frac{1}{\sqrt{n \operatorname{Var}(X)}} \left( \sum_{i=1}^n X_i - n \mathbb{E}(X) \right)$ converge en distribución a la distribución normal estándar.

CLT no hace ninguna declaración sobre la distribución de los $Z_n$ % finito $n$, sin embargo.

i-Ciencias.com

I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.

Powered by:

X