การกระจายตัวตัวอย่างจากประชากร Bernoulli สองคนที่เป็นอิสระ


17

สมมติว่าเรามีตัวอย่างของทั้งสองตัวแปรสุ่มอิสระ Bernoulli, Ber(θ1)และBer(θ2) )

เราจะพิสูจน์ได้อย่างไร

(X¯1X¯2)(θ1θ2)θ1(1θ1)n1+θ2(1θ2)n2dN(0,1)
?

สมมติว่าn1n2 2


Z_i = X_1i - X_2i เป็นลำดับของ iid rv ของค่าเฉลี่ยและความแปรปรวน ดังนั้นจึงเป็นไปตามทฤษฎีขีด จำกัด กลางของ Levy-Linderberg ซึ่งผลลัพธ์ของคุณเป็นไปตามนั้น หรือคุณกำลังขอหลักฐานของตัวเอง?
สาม Diag

@ThreeDiag คุณใช้ CLT เวอร์ชัน LL อย่างไร ฉันไม่คิดว่าถูกต้อง เขียนคำตอบสำหรับฉันเพื่อตรวจสอบรายละเอียด
ชายชราในทะเล

รายละเอียดทั้งหมดมีอยู่แล้ว สำหรับ LL ที่จะใช้คุณต้องมีลำดับของ iid rv ที่มีค่าเฉลี่ยและความแปรปรวน จำกัด ตัวแปร Z_i = X_i1 และ X_i2 ตรงตามข้อกำหนดทั้งสามข้อ อิสรภาพดังต่อไปนี้จากความเป็นอิสระของ bernoulli vars ดั้งเดิมและคุณจะเห็นว่า E (Z_i) และ V (Z_i) มี จำกัด โดยการใช้คุณสมบัติมาตรฐานของ E และ V
สาม Diag

1
"ตัวอย่างของตัวแปรสุ่มที่เป็นอิสระจาก Bernoulli สองตัว" - การแสดงออกที่ไม่ถูกต้อง ต้องเป็น: "สองตัวอย่างอิสระจากการแจกแจงแบบ Bernoulli"
Viktor

1
กรุณาเพิ่ม "เป็น " n1,n2
Viktor

คำตอบ:


10

ใส่ ,b=a=θ1(1θ1)n1 , =(ˉX1-θ1)/, B=(ˉX2-θ2)/ เรามี dN(0,1),BdN(0,1) ในแง่ของฟังก์ชั่นคุณสมบัติมันหมายถึง ϕA(t)Eeb=θ2(1θ2)n2A=(X¯1θ1)/aB=(X¯2θ2)/bAdN(0,1), BdN(0,1) เราต้องการพิสูจน์ว่า D:= a

ϕA(t)EeitAet2/2, ϕB(t)et2/2.
D:=aa2+b2Aba2+b2BdN(0,1)

เนื่องจากและBเป็นอิสระ ϕ D ( t ) = ϕ A ( aAB ในขณะที่เราต้องการให้เป็น

ϕD(t)=ϕA(aa2+b2t)ϕB(ba2+b2t)et2/2,

หลักฐานนี้ไม่สมบูรณ์ ที่นี่เราต้องการค่าประมาณสำหรับการลู่เข้าของฟังก์ชันลักษณะต่างๆ อย่างไรก็ตามในกรณีที่อยู่ระหว่างการพิจารณาเราสามารถทำการคำนวณที่ชัดเจนได้ ใส่ 1 p=θ1, m=n1

ϕX1,1(t)=1+p(eit1),ϕX¯1(t)=(1+p(eit/m1))m,ϕX¯1θ1(t)=(1+p(eit/m1))meipt,ϕA(t)=(1+p(eit/mp(1p)1))meiptm/p(1p)=((1+p(eit/mp(1p)1))eipt/mp(1p))m=(1t22m+O(t3m3/2))m
as t3m3/20. Thus, for a fixed t,
ϕD(t)=(1a2t22(a2+b2)n1+O(n13/2))n1(1b2t22(a2+b2)n2+O(n23/2))n2et2/2
(even if a0 or b0), since |ey(1y/m)m|y2/2m  when  y/m<1/2 (see /math/2566469/uniform-bounds-for-1-y-nn-exp-y/ ).

Note that similar calculations may be done for arbitrary (not necessarily Bernoulli) distributions with finite second moments, using the expansion of characteristic function in terms of the first two moments.


This seems correct. I'll get back to you later on, when I have time to check everything. ;)
An old man in the sea.

-1

Proving your statement is equivalent to proving the (Levy-Lindenberg) Central Limit Theorem which states

If {Zi}i=1n is a sequence of i.i.d random variable with finite mean E(Zi)=μ and finite variance V(Zi)=σ2 then

n(Z¯μ)dN(0,σ2)

Here Z¯=iZi/n that is the sample variance.

Then it is easy to see that if we put

Zi=X1iX2i
with X1i,X2i following a Ber(θ1) and Ber(θ2) respectively the conditions for the theorem are satisfied, in particular

E(Zi)=θ1θ2=μ

and

V(Zi)=θ1(1θ1)+θ2(1θ2)=σ2

(There's a last passage, and you have to adjust this a bit for the general case where n1n2 but I have to go now, will finish tomorrow or you can edit the question with the final passage as an exercise )


I could not obtain what I wanted exactly because of the possibility of n1n2
An old man in the sea.

I will show later if you can't get it. Hint: compute the variance of the sample mean of Z and use that as the variable in the theorem
Three Diag

Three, could you please add the details for when n1n2? Thanks
An old man in the sea.

Will do as soon as find a little timr. There was in fact a subtlety that prevents from using LL clt without adjustment. There are three ways to go, the simplest of which is invoking the fact that for large n1 and n2, X1 and X2 go in distribution to normals, then a linear combination of normal is also normal. This is a property of normals that you can take as given, otherwise you can prove it by characteristic functions.
Three Diag

The other two require either a different clt (Lyapunov possibly) or alternatively treat n1 = i and n2= i +k. Then for large i you can essentially disregard k and you can go back to apply LL (but still it will require some care to nail the right variance)
Three Diag
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.