Niech będą niezależnymi i identycznie rozmieszczonymi standardowymi jednolitymi zmiennymi losowymi.
Oczekiwanie na jest łatwe:
Teraz część nudna. Aby ubiegać się o LOTUS, potrzebowałbym pdf . Oczywiście pdf sumy dwóch niezależnych zmiennych losowych jest splotem ich plików pdf. Jednak tutaj mamy n zmiennych losowych i myślę, że splot prowadziłby do ... zawiłego wyrażenia (zamierzony straszny kalambur). Czy istnieje mądrzejszy sposób?
Wolałbym zobaczyć prawidłowe rozwiązanie , ale jeśli jest to niemożliwe lub zbyt skomplikowane, asymptotyczne przybliżenie dużego może być dopuszczalne. Dzięki nierówności Jensena wiem o tym
Ale to niewiele mi pomaga, chyba że znajdę również nietrywialną dolną granicę. Zauważ, że CLT nie ma tutaj bezpośredniego zastosowania, ponieważ mamy pierwiastek kwadratowy z sumy niezależnych RV, a nie tylko sumy niezależnych RV. Może mogą istnieć inne twierdzenia graniczne (które ignoruję), które mogą tu być pomocne.
Odpowiedzi:
Jednym z podejść jest najpierw obliczenie funkcji generującej moment (mgf) dlaYn określony przez Yn=U21+⋯+U2n gdzie Ui,i=1,…,n jest niezależnymi i identycznie rozmieszczonymi standardowymi jednolitymi zmiennymi losowymi.
Kiedy to mamy, możemy to zobaczyćEYn−−√
jest ułamkowym momentem Yn zamówienia α=1/2 . Następnie możemy wykorzystać wyniki z pracy Noel Cressie i Marinus Borkent: „Funkcja generowania momentu ma swoje chwile”, Journal of Statistics Plan and Inference 13 (1986) 337-344, która daje momenty ułamkowe poprzez ułamkowe różnicowanie funkcji generowania momentu .
Najpierw funkcja generowania momentuU21 , które piszemy M1(t) .
M1(t)=EetU21=∫10etx2x−−√dx
i oceniłem to (z pomocą Maple i Wolphram Alpha), aby dać
M1(t)=erf(−t−−√)π−−√2−t−−√ gdzie i=−1−−−√ jest urojoną jednostką. (Wolphram Alpha daje podobną odpowiedź, ale pod względem całki Dawsona. ) Okazuje się, że w większości potrzebujemyt<0 . Teraz łatwo jest znaleźć mgfYn :
Mn(t)=M1(t)n
Następnie wyniki z cytowanego artykułu. Dlaμ>0 definiują μ całka rzędu funkcji f tak jak
Iμf(t)≡Γ(μ)−1∫t−∞(t−z)μ−1f(z)dz
Więc dla α>0 i nieintegralne, n dodatnia liczba całkowita oraz 0<λ<1 takie, że α=n−λ . Następnie pochodnaf zamówienia α jest zdefiniowany jako
Dαf(t)≡Γ(λ)−1∫t−∞(t−z)λ−1dnf(z)dzndz.
Następnie podają (i potwierdzają) następujący wynik dla dodatniej zmiennej losowej X : Załóżmy MX (mgf) jest zdefiniowane. Więc dlaα>0 ,
DαMX(0)=EXα<∞
Teraz możemy spróbować zastosować te wyniki do Yn . Zα=1/2 znaleźliśmy
EY1/2n=D1/2Mn(0)=Γ(1/2)−1∫0−∞|z|−1/2M′n(z)dz
gdzie liczba pierwsza oznacza pochodną. Klon daje następujące rozwiązanie:
∫0−∞n⋅(erf(−z−−−√)π−−√−2ez−z−−−√)en(−2ln2+2ln(erf(−z√))−ln(−z)+ln(π))22π(−z)3/2erf(−z−−−√)dz
Pokażę wykres tego oczekiwania, wykonany w klonie przy użyciu integracji numerycznej, wraz z przybliżonym rozwiązaniem A(n)=n/3−1/15−−−−−−−−−√ z jakiegoś komentarza (i omówionego w odpowiedzi przez @Henry). Są niezwykle blisko:
Jako uzupełnienie wykres błędu procentowego:
Powyżejn=20 przybliżenie jest bliskie dokładności. Poniżej użytego kodu klonu:
źródło
Jako komentarz rozszerzony: wydaje się, że jest to jasneE[Yn−−√]=E[∑iX2i−−−−−−√] zaczynać z E[Yn−−√]=12=n3−112−−−−−−√ kiedy n=1 a potem się zbliża n3−115−−−−−−√ tak jak n wzrasta, związane z wariancją Yn−−√ spadając z 112 w kierunku 115 . Moje powiązane pytanie, na które odpowiedział S.Catterall, stanowi uzasadnienie dlan3−115−−−−−−√ wynik asymptotyczny oparty na każdym X2i mając na myśli 13 i wariancja 445 , a rozkład jest w przybliżeniu i asymptotycznie normalny.
To pytanie dotyczy efektywnie rozkładów odległości od początku losowych punktów wn -wymiarowy hipersześcian jednostkowy [0,1]n . Jest to podobne do pytania o rozkład odległości między punktami w takim hipersześcianie , więc mogę łatwo dostosować to, co tam zrobiłem, aby pokazać gęstości dla różnychn od 1 do 16 za pomocą splotu numerycznego. Dlan=16 , sugerowane normalne przybliżenie pokazane na czerwono jest dobrym dopasowaniem i od n=4 widać pojawiającą się krzywą dzwonową.
Dlan=2 i n=3 dostajesz ostry szczyt w trybie 1 z czymś, co w obu przypadkach wygląda na tę samą gęstość. Porównaj to z rozkładem∑iXi , gdzie pojawia się krzywa dzwonowa z n=3 i gdzie wariancja jest proporcjonalna do n
źródło