Somma limite di varici Gamma iid

Sia una sequenza di variabili casuali distribuite in modo indipendente e identico con la funzione di densità di probabilità; Mostra che $X_1,X_2,\ldots$

f (x) = {\begin{cases} \frac{1}{2} x^{2} e^{- x} & if x > 0; \\ 0 & otherwise . \end{cases}

$f(x) = \left\{ \begin{array}{ll} \frac{1}{2}x^2 e^{-x} & \mbox{if $x>0$};\\ 0 & \mbox{otherwise}.\end{array} \right.$

lim_{n \to \infty} P [X_{1} + X_{2} + \dots + X_{n} \geq 3 (n - \sqrt{n})] \geq \frac{1}{2}

$\lim_{n\to \infty} P[X_1+X_2+\ldots+X_n\ge 3(n-\sqrt{n})] \ge \frac{1}{2}$

Quello che ho tentato

A prima vista ho pensato che avrebbe dovuto usare la disuguaglianza di Chebyshev poiché la domanda che sta ponendo mostra un limite inferiore $X_1+X_2+\ldots +X_n$ . Tuttavia, ho pensato al segno limite che indica chiaramente che il problema può essere in qualche modo correlato al Teorema del limite centrale (CLT)

Sia $S_n=X_1+X_2+\ldots +X_n$

E (S_{n}) = \sum_{i = 0}^{n} E (X_{i}) = 3 n (since E (X_{i}) = 3) V (S_{n}) = \sum_{i = 0}^{n} V (X_{i}) = 3 n (since V (X_{i}) = 3 and X_{i} are i.i.d)

$E(S_n)=\sum_{i=0}^{n} E(X_i)=3n \ (\text{since } E(X_i)=3) \\ V(S_n)=\sum_{i=0}^{n} V(X_i)=3n \ (\text{since } V(X_i)=3 \text{ and } X_i \text{ are i.i.d})$

Ora, usando CLT, per grande $n$ , $X_1+X_2+........+X_n \sim N(3n,3n)$
Oppure,

z = \frac{S_{n} - 3 n}{\sqrt{3 n}} \sim N (0, 1) as n \to \infty

$z=\frac{S_n-3n}{\sqrt{3n}} \sim N(0,1) \text{ as } n\to \infty$

Ora,

lim_{n \to \infty} P [X_{1} + X_{2} + . . . . . . . . + X_{n} \geq 3 (n - \sqrt{n})] = lim_{n \to \infty} P (S_{n} - 3 n \geq - 3 \sqrt{n}) = lim_{n \to \infty} P (\frac{S_{n} - 3 n}{\sqrt{3 n}} \geq - \sqrt{3}) = P (z \geq - \sqrt{3}) = P (- \sqrt{3} \leq z < 0) + P (z \geq 0) = P (- \sqrt{3} \leq z < 0) + \frac{1}{2} \dots (1)

$\lim_\limits{n\to \infty} P[X_1+X_2+........+X_n\ge 3(n-\sqrt{n})] = \lim_\limits{n\to \infty}P(S_n-3n \ge -3\sqrt{n}) = \lim_\limits{n\to \infty} P\left(\frac{S_n-3n}{\sqrt{3n}} \ge -\sqrt{3}\right) =P(z\ge -\sqrt{3}) =P\left(-\sqrt{3}\le z<0\right)+P(z\ge 0 ) =P\left(-\sqrt{3}\le z<0\right)+\frac{1}{2}\cdots(1)$

Poiché $P(-\sqrt{3}\le z<0) \ge 0$ , quindi da $(1)$ ,

lim_{n \to \infty} P [X_{1} + X_{2} + . . . . . . . . + X_{n} \geq 3 (n - \sqrt{n})] \geq \frac{1}{2}

$\lim_\limits{n\to \infty} P[X_1+X_2+........+X_n\ge 3(n-\sqrt{n})]\ge \frac{1}{2}$

Ho ragione?

probability self-study

CLT sembra un approccio ragionevole ma " "non ha senso ..

lim_{n \to \infty} P [X_{1} + X_{2} + . . . . . . . . + X_{n} \geq 3 (n - \sqrt{n})] = P (S_{n} - 3 n \geq - 3 \sqrt{n})

$\lim_\limits{n\to \infty} P[X_1+X_2+........+X_n\ge 3(n-\sqrt{n})] =P(S_n-3n \ge -3\sqrt{n})$

— P.Windridge

Penso che dovrebbe essere

lim_{n \to \infty} P [X_{1} + X_{2} + . . . . . . . . + X_{n} \geq 3 (n - \sqrt{n})] = lim_{n \to \infty} P (S_{n} - 3 n \geq - 3 \sqrt{n}) = lim_{n \to \infty} P (\frac{S_{n} - 3 n}{\sqrt{3 n}} \geq - \sqrt{3}) = P (z \geq - \sqrt{3})

In alternativa, considera che ho e quindi . La mediana di una variabile casuale Gamma non è nota in forma chiusa ma è noto (cfr. Wikipedia ) che per grande , la mediana di una variabile casuale trova tra e . Poiché , deve essere che almeno la metà della massa di probabilità si trovi a destra di .

X_{i} \sim Γ (3, 1)

$X_i \sim\Gamma(3,1)$

X_{1} + X_{2} + \cdot + X_{n} \sim Γ (3 n, 1)

$X_1+X_2+\cdot+X_n \sim \Gamma(3n,1)$

n

$n$

Γ (3 n, 1)

$\Gamma(3n,1)$

3 n - \frac{1}{3}

$3n-\frac 13$

3 n

$3n$

3 (n - \sqrt{n}) < 3 n - \frac{1}{3}

$3(n-\sqrt{n}) < 3n-\frac 13$

3 (n - \sqrt{n})

$3(n-\sqrt{n})$

— Dilip Sarwate,

Risposte:

Avevi ragione sul fatto che la disuguaglianza di Chebyshev funzionerà. Fornisce un limite un po 'grezzo ma efficace che si applica a molte di queste sequenze, rivelando che la caratteristica cruciale di questa sequenza è che la varianza delle somme parziali cresce al massimo linearmente con . $n$

Considera, quindi, il caso estremamente generale di qualsiasi sequenza di variabili non correlate con e varianze finite Lascia che sia la somma delle prime di esse, $X_i$ $\mu_i$ $\sigma_i^2.$ $Y_n$ $n$

Y_{n} = \sum_{i = 1}^{n} X_{i} .

$Y_n = \sum_{i=1}^n X_i.$

Di conseguenza, la media di è $Y_n$

m_{n} = \sum_{i = 1}^{n} μ_{n}

$m_n = \sum_{i=1}^n \mu_n$

e la sua varianza è

s_{n}^{2} = Var (Y_{n}) = \sum_{i = 1}^{n} Var (X_{i}) + 2 \sum_{j > i} Cov (X_{i}, X_{j}) = \sum_{i = 1}^{n} σ_{i}^{2} .

$s_n^2 = \operatorname{Var}(Y_n) = \sum_{i=1}^n \operatorname{Var}(X_i) + 2\sum_{j > i}\operatorname{Cov}(X_i,X_j) = \sum_{i=1}^n \sigma_i^2.$

Supponiamo che cresca al massimo in modo lineare con : $s_n^2$ $n$ cioè esiste un numero tale che per tutti sufficientemente grande Lascia che (ancora da determinare), osservalo $\lambda\gt 0$ $n,$ $s_n^2 \le \lambda^2 n.$ $k\gt 0$

m - k \sqrt{n} \leq m - \frac{k}{λ} s_{n},

$m - k \sqrt{n} \le m - \frac{k}{\lambda}s_n,$

e applicare la disuguaglianza di Chebyshev a per ottenere $Y_n$

\begin{aligned} Pr (Y_{n} \geq m_{n} - k \sqrt{n}) & \geq Pr (Y_{n} \geq m_{n} - \frac{k}{λ} s_{n}) \\ \geq Pr (| Y_{n} - m_{n} | \leq \frac{k}{λ} s_{n}) \\ \geq 1 - \frac{λ^{2}}{k^{2}} . \end{aligned}

$\eqalign{ \Pr(Y_n \ge m_n - k\sqrt{n}) &\ge \Pr(Y_n \ge m_n - \frac{k}{\lambda}s_n) \\ &\ge \Pr(|Y_n - m_n| \le \frac{k}{\lambda} s_n) \\ &\ge 1 - \frac{\lambda^2}{k^2}. }$

Le prime due disuguaglianze sono di base: seguono perché ogni evento successivo è un sottoinsieme di quello precedente.

Nel caso in esame, dove sono indipendenti (e quindi non correlati) con e varianze abbiamo e $X_i$ $\mu_i=3$ $\sigma_i^2=3,$ $m_n=3n$

s_{n} = \sqrt{3} \sqrt{n},

$s_n = \sqrt{3}\sqrt{n},$

da cui possiamo prendere piccolo quanto L'evento nella domanda corrisponde a dove $\lambda$ $\sqrt{3}.$ $3(n-\sqrt{n}) = \mu_n - 3\sqrt{n}$ $k=3,$

Pr (Y_{n} \geq 3 n - 3 \sqrt{n}) \geq 1 - \frac{{\sqrt{3}}^{2}}{3^{2}} = \frac{2}{3} > \frac{1}{2},

$\Pr(Y_n \ge 3n - 3\sqrt{n}) \ge 1 - \frac{\sqrt{3}^{\ 2}}{3^2} = \frac{2}{3}\gt \frac{1}{2},$

QED.

— whuber
fonte

In alternativa all'ottima risposta di Whuber, cercherò di ricavare il limite esatto della probabilità in questione. Una delle proprietà della distribuzione gamma è che le somme di variabili casuali gamma indipendenti con lo stesso parametro rate / scale sono anche variabili gamma casuali con forma uguale alla somma delle forme di tali variabili. (Ciò può essere facilmente dimostrato utilizzando le funzioni generatrici della distribuzione.) Nel presente caso abbiamo , quindi otteniamo la somma: $X_1,...X_n \sim \text{IID Gamma}(3,1)$

S_{n} \equiv X_{1} + \dots + X_{n} \sim Gamma (3 n, 1) .

$S_n \equiv X_1 + \cdots + X_n \sim \text{Gamma}(3n, 1).$

Possiamo quindi scrivere l'esatta probabilità di interesse usando il CDF della distribuzione gamma. Lasciando denota il parametro shape e denota l'argomento di interesse, abbiamo: $a = 3n$ $x = 3(n-\sqrt{n})$

\begin{aligned} H (n) & \equiv P (S_{n} \geq 3 (n - \sqrt{n})) \\ = \frac{Γ (a, x)}{Γ (a)} \\ = \frac{a Γ (a)}{a Γ (a) + x^{a} e^{- x}} \cdot \frac{Γ (a + 1, x)}{Γ (a + 1)} . \end{aligned}

$\begin{equation} \begin{aligned} H(n) &\equiv \mathbb{P}(S_n \geq 3(n-\sqrt{n})) \\[12pt] &= \frac{\Gamma(a, x)}{\Gamma(a)} \\[6pt] &= \frac{a \Gamma(a)}{a \Gamma(a) + x^a e^{-x}} \cdot \frac{\Gamma(a+1, x)}{\Gamma(a+1)}. \\[6pt] \end{aligned} \end{equation}$

Per trovare il limite di questa probabilità, notiamo innanzitutto che possiamo scrivere il secondo parametro in termini di primo come dove . Usando un risultato mostrato in Temme (1975) (Eqn 1.4, p. 1109) abbiamo l'equivalenza asintotica: $x = a + \sqrt{2a} \cdot y$ $y = -\sqrt{3/2}$

\begin{aligned} \frac{Γ (a + 1, x)}{Γ (a + 1)} & \sim \frac{1}{2} + \frac{1}{2} \cdot erf (- y) + \sqrt{\frac{2}{9 a π}} (1 + y^{2}) \exp (- y^{2}) . \end{aligned}

$\begin{aligned} \frac{\Gamma(a+1, x)}{\Gamma(a+1)} &\sim \frac{1}{2} + \frac{1}{2} \cdot \text{erf}(-y) + \sqrt{\frac{2}{9a \pi}} (1+y^2) \exp( - y^2). \end{aligned}$

Utilizzando l'approssimazione di Stirling e la definizione limitante del numero esponenziale, si può anche dimostrare che:

\begin{aligned} \frac{a Γ (a)}{a Γ (a) + x^{a} e^{- x}} & \sim \frac{\sqrt{2 π} \cdot a \cdot (a - 1)^{a - 1 / 2}}{\sqrt{2 π} \cdot a \cdot (a - 1)^{a - 1 / 2} + x^{a} \cdot e^{a - x - 1}} \\ = \frac{\sqrt{2 π} \cdot a \cdot (1 - \frac{1}{a})^{a - 1 / 2}}{\sqrt{2 π} \cdot a \cdot (1 - \frac{1}{a})^{a - 1 / 2} + \sqrt{x} \cdot (\frac{x}{a})^{a - 1 / 2} \cdot e^{a - x - 1}} \\ = \frac{\sqrt{2 π} \cdot a \cdot e^{- 1}}{\sqrt{2 π} \cdot a \cdot e^{- 1} + \sqrt{x} \cdot e^{x - a} \cdot e^{a - x - 1}} \\ = \frac{\sqrt{2 π} \cdot a}{\sqrt{2 π} \cdot a + \sqrt{x}} \\ \sim \frac{\sqrt{2 π a}}{\sqrt{2 π a} + 1} . \end{aligned}

$\begin{aligned} \frac{a \Gamma(a)}{a \Gamma(a) + x^a e^{-x}} &\sim \frac{\sqrt{2 \pi} \cdot a \cdot (a-1)^{a-1/2}}{\sqrt{2 \pi} \cdot a \cdot (a-1)^{a-1/2} + x^a \cdot e^{a-x-1}} \\[6pt] &= \frac{\sqrt{2 \pi} \cdot a \cdot (1-\tfrac{1}{a})^{a-1/2}}{\sqrt{2 \pi} \cdot a \cdot (1-\tfrac{1}{a})^{a-1/2} + \sqrt{x} \cdot (\tfrac{x}{a})^{a-1/2} \cdot e^{a-x-1}} \\[6pt] &= \frac{\sqrt{2 \pi} \cdot a \cdot e^{-1}}{\sqrt{2 \pi} \cdot a \cdot e^{-1} + \sqrt{x} \cdot e^{x-a} \cdot e^{a-x-1}} \\[6pt] &= \frac{\sqrt{2 \pi} \cdot a}{\sqrt{2 \pi} \cdot a + \sqrt{x}} \\[6pt] &\sim \frac{\sqrt{2 \pi a}}{\sqrt{2 \pi a} + 1}. \\[6pt] \end{aligned}$

Sostituendo i valori rilevanti, otteniamo quindi:

\begin{aligned} H (n) & = \frac{a Γ (a)}{a Γ (a) + x^{a} e^{- x}} \cdot \frac{Γ (a + 1, x)}{Γ (a + 1)} \\ \sim \frac{\sqrt{2 π a}}{\sqrt{2 π a} + 1} \cdot [\frac{1}{2} + \frac{1}{2} \cdot erf (\sqrt{\frac{3}{2}}) + \sqrt{\frac{2}{9 a π}} \cdot \frac{5}{2} \cdot \exp (\frac{3}{2})] . \end{aligned}

$\begin{equation} \begin{aligned} H(n) &= \frac{a \Gamma(a)}{a \Gamma(a) + x^a e^{-x}} \cdot \frac{\Gamma(a+1, x)}{\Gamma(a+1)} \\[6pt] &\sim \frac{\sqrt{2 \pi a}}{\sqrt{2 \pi a} + 1} \cdot \Bigg[ \frac{1}{2} + \frac{1}{2} \cdot \text{erf} \Big( \sqrt{\frac{3}{2}} \Big) + \sqrt{\frac{2}{9a \pi}} \cdot \frac{5}{2} \cdot \exp \Big( \frac{3}{2} \Big) \Bigg]. \\[6pt] \end{aligned} \end{equation}$

Questo ci dà il limite:

lim_{n \to \infty} H (n) = \frac{1}{2} + \frac{1}{2} \cdot erf (\sqrt{\frac{3}{2}}) = 0.9583677.

$\lim_{n \rightarrow \infty} H(n) = \frac{1}{2} + \frac{1}{2} \cdot \text{erf} \Big( \sqrt{\frac{3}{2}} \Big) = 0.9583677.$

Questo ci dà il limite esatto della probabilità di interesse, che è maggiore della metà.

— Ben - Ripristina Monica
fonte