ความคาดหวังของซีรี่ส์เทย์เลอร์


42

คำถามของฉันเกี่ยวข้องกับการพยายามพิสูจน์วิธีการที่ใช้กันอย่างแพร่หลายนั่นคือการนำค่าที่คาดหวังของ Taylor Series สมมติเรามีตัวแปรสุ่มมีค่าเฉลี่ยบวกและความแปรปรวน 2 นอกจากนี้เรายังมีฟังก์ชั่นการพูด,(x)Xμσ2log(x)

การขยายตัวของรอบ ๆเทย์เลอร์เราจะได้ ที่คือ st.logX

logX=logμ+Xμμ12(Xμ)2μ2+13(Xμ)3ξX3,
ξX|ξXμ|<|Xμ|

ถ้าเราใช้ความคาดหวังเราจะได้สมการโดยประมาณซึ่งผู้คนมักจะอ้างถึงว่าเป็นสิ่งที่เห็นได้ชัดในตัวเอง(ดูเครื่องหมายในสมการแรกที่นี่) :

ElogXlogμ12σ2μ2

คำถาม : ฉันสนใจที่จะพิสูจน์ว่ามูลค่าที่คาดหวังของคำศัพท์ที่เหลือนั้นน้อยมากนั่นคือ (หรือกล่าวอีกนัยหนึ่ง )

E[(Xμ)3ξX3]=o(σ2)
E[o(Xμ)2]=o(E[(Xμ)2])

สิ่งที่ฉันพยายามทำ : สมมติว่า (ซึ่งในทางกลับกันหมายถึงใน ) ฉันพยายามที่จะแยกอินทิกรัลเป็นสองรอบด้วยบาง -vicinity : σ20XμPμεNε

Rp(x)(xμ)3ξx3dx=xNεdx+xNεdx

อันแรกสามารถถูก จำกัด เนื่องจากข้อเท็จจริงที่ว่าและไม่ต้องกังวล แต่ด้วยสิ่งที่สองเรามีข้อเท็จจริงที่ประจักษ์สองประการ: ในมือข้างหนึ่ง (เป็น ) แต่ในทางกลับกันเราไม่ทราบว่าจะทำอย่างไรกับ 3 1 / ξ 3 P ( | X - μ | > ε ) 0 σ 20 1 / ξ 30Nε1/ξ3

P(|Xμ|>ε)0
σ201/ξ3

ความเป็นไปได้อีกอย่างก็คือลองใช้บทแทรกของ Fatou แต่ฉันไม่สามารถหาวิธีได้

จะขอบคุณความช่วยเหลือหรือคำใบ้ใด ๆ ฉันรู้ว่านี่เป็นคำถามทางเทคนิค แต่ฉันต้องทำมันเพื่อที่จะเชื่อถือวิธีการ "คาดหวังของเทย์เลอร์" นี้ ขอบคุณ!

ป.ล. ฉันเช็คเอาท์ที่นี่แต่ดูเหมือนว่าเป็นอีกเรื่องเล็กน้อย


ทำไมจึงมีเครื่องหมายลบหน้าเทอมที่สามของการขยายตัวเทย์เลอร์? ทำไมในเทอมที่สี่จึงมีและไม่ใช่? ฉันพลาดอะไรไป 3 !33!
Alecos Papadopoulos

@Alecos: ดูแค่ที่ TH อนุพันธ์ของx ที่จะตอบคำถามของคุณทั้งสอง บันทึกxnlogx
พระคาร์ดินัล

4
(+1) ปัญหานี้เมื่อเร็ว ๆ นี้ขึ้นมาในการสนทนาของทั้งสองคำถามที่เกี่ยวข้องกับการหาช่วงเวลาของ1} มันจ่ายเพื่อดูแลเพิ่มเติมเกี่ยวกับเรื่องดังกล่าว :-)X1
พระคาร์ดินัล

1
การประมาณอันดับแรกอาจดีกว่าในบางกรณีเนื่องจากค่าทฤษฎีบทค่าเฉลี่ย ไม่แน่ใจว่าทฤษฎีบทค่าเฉลี่ยจะช่วยในกรณีทั่วไปหรือไม่
ความน่าจะเป็นทางการ

1
ฉันคิดว่าทฤษฎีการบรรจบที่โดดเด่นอาจมีประโยชน์ที่นี่เนื่องจากสมการเป็นการแลกเปลี่ยนข้อ จำกัด และการรวมเข้าด้วยกัน E(o(..))=o(E(..))
ความน่าจะเป็นทางการ

คำตอบ:


32

คุณมีสิทธิ์ที่จะสงสัยในวิธีการนี้ วิธีการของซีรีส์เทย์เลอร์ไม่สามารถใช้งานได้ทั่วไปแม้ว่าฮิวริสติกจะมีแก่นของความจริง เพื่อสรุปการอภิปรายทางเทคนิคด้านล่าง

  • ความเข้มข้นที่แข็งแกร่งหมายความว่าวิธีชุด Taylor ทำงานได้ดีสำหรับฟังก์ชั่นที่ดี
  • สิ่งที่สามารถและจะไปผิดอย่างมากสำหรับฟังก์ชั่นการแจกแจงหนาหรือฟังก์ชั่นที่ไม่ดี

ตามคำตอบของ Alecos สิ่งนี้ชี้ให้เห็นว่าวิธีการของซีรีส์เทย์เลอร์ควรถูกทำลายถ้าข้อมูลของคุณอาจมีหางที่หนัก (ผู้เชี่ยวชาญด้านการเงินฉันกำลังมองคุณอยู่)

ในฐานะที่เป็นเอลวิสตั้งข้อสังเกตปัญหาที่สำคัญคือความแปรปรวนไม่ได้ควบคุมช่วงเวลาที่สูงขึ้น หากต้องการดูว่าทำไมให้คำถามของคุณง่ายที่สุดเท่าที่จะเป็นไปได้เพื่อทำความเข้าใจกับแนวคิดหลัก

สมมติว่าเรามีลำดับของตัวแปรสุ่มกับเป็น\ σ ( X n ) 0 n Xnσ(Xn)0n

ถาม:เรารับประกันได้หรือไม่ว่าเป็นn ?E[|Xnμ|3]=o(σ2(Xn))n?

เนื่องจากมีตัวแปรสุ่มที่มีช่วงเวลาที่สองแน่นอนและช่วงเวลาที่สามอนันต์คำตอบคือกึกก้องไม่มี ดังนั้นโดยทั่วไปวิธีการที่ซีรีส์เทย์เลอร์ล้มเหลวแม้สำหรับหลายชื่อ 3 องศา การทำซ้ำอาร์กิวเมนต์นี้แสดงให้เห็นว่าคุณไม่สามารถคาดหวังได้ว่าวิธีการของซีรีส์เทย์เลอร์จะให้ผลลัพธ์ที่แม่นยำแม้จะเป็นชื่อพหุนามยกเว้นว่าช่วงเวลาทั้งหมดของตัวแปรสุ่มของคุณจะถูกควบคุมอย่างดี

ถ้าอย่างนั้นเราต้องทำอะไร? แน่นอนวิธีการทำงานสำหรับตัวแปรสุ่มขอบเขตที่สนับสนุนมาบรรจบกันที่จุด แต่ชั้นนี้มีขนาดเล็กเกินไปที่จะน่าสนใจ สมมติว่าลำดับมาจากตระกูลที่มีความเข้มข้นสูงซึ่งสอดคล้องกับ (พูด)Xn

(1)P{|Xnμ|>t}eCnt2

สำหรับทุกและบาง 0 ตัวแปรสุ่มดังกล่าวเป็นเรื่องธรรมดาที่น่าประหลาดใจ ตัวอย่างเช่นเมื่อเป็นค่าเฉลี่ยเชิงประจักษ์C > 0 X nt>0C>0Xn

Xn:=1ni=1nYi

ของตัวแปรสุ่มที่ดี (เช่น iid และ bounded) ความไม่เท่าเทียมกันของความเข้มข้นต่างๆบ่งบอกว่าตาม (1) อาร์กิวเมนต์มาตรฐาน (ดูหน้า 10 ที่นี่ ) จำกัดช่วงเวลาที่สำหรับตัวแปรสุ่มเช่น:X nหน้าYiXnp

E[|Xnμ|p](p2Cn)p/2.

ดังนั้นสำหรับฟังก์ชั่นการวิเคราะห์ที่ "ดีพอ" (ดูด้านล่าง) เราสามารถผูกข้อผิดพลาดบนเทย์เลอร์เทย์เลอร์ซีรีส์ประมาณโดยใช้ความไม่เท่าเทียมกันของสามเหลี่ยมEเมตรเมตรfEmm

Em:=|E[f(Xn)]p=0mf(p)(μ)p!E(Xnμ)p|1(2Cn)(m+1)/2p=m+1|f(p)(μ)|pp/2p!

เมื่อ 2 เนื่องจากการประมาณของ Stirling ให้ , ข้อผิดพลาดของซีรีย์ Taylor ที่ถูกตัดทอนให้เป็นที่น่าพอใจp ! พีพี- 1 / 2n>C/2p!pp1/2

(2)Em=O(n(m+1)/2) as nwheneverp=0p(1p)/2|f(p)(μ)|<.

ดังนั้นเมื่อมีความเข้มข้นสูงและดีพอการประมาณซีรีย์เทย์เลอร์จึงแม่นยำ ความไม่เท่าเทียมกันที่ปรากฏใน (2) หมายความว่าเพื่อที่ว่าในสภาพโดยเฉพาะอย่างยิ่งเราต้องการที่เป็นทั้ง นี้ทำให้รู้สึกเพราะ (1) ไม่ได้กำหนดสมมติฐาน boundedness ใด ๆ บนX_n f f ( p ) ( μ ) / p ! = O ( p - p / 2 ) f X nXnff(p)(μ)/p!=O(pp/2)fXn

เรามาดูกันว่าอะไรจะผิดพลาดเมื่อมีภาวะเอกฐาน (ตามความเห็นของ whuber) สมมติว่าเราเลือก x ถ้าเราใช้เวลาจากการกระจายตัดทอนระหว่างศูนย์และสองแล้วมีความเข้มข้นเพียงพอ แต่ทุกnกล่าวอีกนัยหนึ่งเรามีตัวแปรสุ่มที่มีขอบเขตความเข้มข้นสูงและยังคงเป็นวิธีอนุกรมของเทย์เลอร์ที่ล้มเหลวเมื่อฟังก์ชันมีเอกพจน์เพียงหนึ่งเดียว( x ) = 1 / x X n N o R ลิตร ( 1 , 1 / n ) X n E [ F ( X n ) ] = nff(x)=1/xXnNormal(1,1/n)XnE[f(Xn)]=n

คำสองสามคำเกี่ยวกับความแม่นยำ ฉันคิดว่ามันดีกว่าที่จะแสดงสภาพที่ปรากฏใน (2) ตามที่ได้รับมากกว่าDeus ex machinaที่จำเป็นในรูปแบบทฤษฎี / การพิสูจน์ที่เข้มงวด เพื่อที่จะทำให้การโต้แย้งมีความเข้มงวดอย่างสมบูรณ์โปรดทราบว่าสิ่งแรกที่ด้านขวาใน (2) แสดงถึงสิ่งนั้น

E[|f(Xn)|]i=0|f(p)(μ)|p!E[|Xnμ|p]<

โดยอัตราการเติบโตของช่วงเวลา subgaussian จากด้านบน ดังนั้นทฤษฎีบทของ Fubini จึงให้

E[f(Xn)]=i=0f(p)(μ)p!E[(Xnμ)p]

ส่วนที่เหลือของหลักฐานการพิสูจน์ดังกล่าวข้างต้น


1
ฉันอาจจะพลาดในการอ่านอย่างรวดเร็ว แต่คุณอ้างว่า (เหนือสิ่งอื่นใด) ที่ให้ช่วงเวลาที่สามของเพียงพอ "ภายใต้การควบคุม" จากนั้นความคาดหวังของสามารถประมาณได้อย่างสมเหตุสมผล ชุด [MacLaurin] ของหรือไม่ ผมกังวลเพราะผมยังไม่ได้เห็นการอ้างอิงถึงคุณสมบัติที่บรรจบกันของชุดของตัวเองซึ่งอย่างน้อยก็มีความสำคัญเป็นหางของการกระจายของXXlog(X)logX
whuber

2
@whuber คุณถูกต้อง; คุณจะต้องสนับสนุนของที่จะอยู่ในร็อคของซีรีส์เทย์เลอร์ดังนั้นโดยเฉพาะอย่างยิ่งเกือบแน่นอน ฉันจะอัปเดตโพสต์เพื่อแสดงถึงสิ่งนี้ X0<X<2μ
Mike McCoy

2
ฉันยังคงคิดว่าฉันขาดอะไรบางอย่าง เช่นเมื่อมีการแจกแจงแบบปกติถูกตัดเหลือเป็นจะเห็นได้ชัดว่า "มีความเข้มข้นสูง" มีค่าเฉลี่ยของและเกือบจะแน่นอนภายในรัศมีของการลู่เข้าของ (ซึ่งเป็นการวิเคราะห์ภายในดิสก์ยูนิตที่กึ่งกลางที่ซึ่งมีแต่ยังไม่มีที่สิ้นสุด X(1,1)(0,2)μ=1f(x)=1/x=1/(1(1x))1(0,2μ)E[f(X)]
whuber

1
@ gron คุณทำผิดพลาดเล็กน้อย เมื่อ , อนุพันธ์มพี ไม่มีเงื่อนไขเนื่องจากสำหรับการใด ๆ 0 คุณสามารถตรวจสอบได้ว่า (2) ไม่ถือเนื่องจากฟังก์ชันใด ๆ ที่ตอบสนอง (2) ยังรองรับและจึงมี ไม่มีความแปลกประหลาด ( ทั้งหมดตามลิงก์) f(x)=1/x|f(p)(μ)|=p!/μp
(2)=p!p(1p/2)μp
μ>0log(p!f(p)(μ))/pf
Mike McCoy

1
@ gron คุณต้องการสองสิ่ง: (1) ตรวจสอบให้แน่ใจว่า RV ของคุณได้รับการสนับสนุนอย่างเข้มงวดภายใน ROC ของชุดข้อมูลบันทึก (เช่นสำหรับ ) และ (2) ตรวจสอบให้แน่ใจว่าช่วงเวลาของ RV ลดลงเร็วพอที่การประมาณข้อผิดพลาดสำหรับข้างต้นมีขอบเขตแน่นอน สำหรับวิธีการควบคุมช่วงเวลาที่คุณควรถามคำถามใหม่เพราะมันจะทำให้ตัวละครมากเกินไป (และฉันอยากรู้เกี่ยวกับวิธีการใหม่ ๆ ด้วยตัวเอง) [0+ε,2με]ε>0Em
Mike McCoy

10

แม้ว่าคำตอบของฉันจะไม่เข้าใกล้ระดับของความซับซ้อนทางคณิตศาสตร์ของคำตอบอื่น ๆ ฉันตัดสินใจที่จะโพสต์เพราะฉันเชื่อว่ามันมีบางอย่างที่จะมีส่วนร่วม - แม้ผลลัพธ์จะเป็น "เชิงลบ" ตามที่พวกเขาพูด

ในโทนแสงฉันจะบอกว่า OP คือ"Risk-averse" (ตามที่คนส่วนใหญ่รวมถึงวิทยาศาสตร์เอง) เนื่องจาก OP ต้องการสภาพที่เพียงพอสำหรับการขยายอนุกรมลำดับที่ 2 ของ Taylor เพื่อประมาณ " ได้รับการยอมรับ" แต่มันไม่ได้เป็นเงื่อนไขที่จำเป็น

ประการแรกสิ่งที่จำเป็น แต่ไม่เพียงพอสำหรับสิ่งที่คาดหวังล่วงหน้าของค่าที่เหลือของ Remainder จะต่ำกว่าความแปรปรวนของ rv ตามที่ OP ต้องการนั่นคือซีรีย์มาบรรจบกันในตอนแรก เราควรคิดว่าการลู่เข้าหรือไม่ เลขที่

นิพจน์ทั่วไปที่เราตรวจสอบคือ

E[g(Y)]=fY(y)[i=0g(i)(μ)(yμ)ii!]dy[1]

ในขณะที่Loistl (1976)รัฐอ้างอิงหนังสือ "แคลคูลัสและสถิติ" ของ Gemignani (1978, p. 170) เงื่อนไขสำหรับการลู่เข้าของผลรวมไม่มีที่สิ้นสุดคือ (การประยุกต์ใช้การทดสอบอัตราส่วนสำหรับการลู่เข้า)

yμ<|yμ|<limi|(g(i)(μ)g(i+1)(μ)(i+1))|[2]

... ที่คือค่าเฉลี่ยของ rv แม้ว่านี่จะเป็นเงื่อนไขที่เพียงพอ (การทดสอบอัตราส่วนนั้นไม่สามารถสรุปได้ถ้าความสัมพันธ์ข้างต้นมีความเสมอภาค) ชุดจะแตกต่างกันหากความไม่เท่าเทียมถืออยู่ในทิศทางอื่นμ

Loistl ตรวจสอบรูปแบบการทำงานเฉพาะสามแบบสำหรับ , เลขชี้กำลัง, กำลังไฟฟ้าและลอการิทึม (บทความของเขาอยู่ในเขตของยูทิลิตี้ที่คาดหวังและพอร์ตโฟลิโอเลือก) ดังนั้นเขาจึงทดสอบรูปแบบการทำงานมาตรฐานที่ใช้ สำหรับรูปแบบการทำงานเหล่านี้เขาพบว่ามีเพียงสำหรับรูปแบบการทำงานชี้แจงไม่มีข้อ จำกัด ในถูกกำหนด ในทางตรงกันข้ามสำหรับอำนาจและสำหรับกรณีลอการิทึม (ที่เรามีอยู่แล้ว ) เราพบว่าความถูกต้องของความไม่เท่าเทียมกันเทียบเท่ากับ g()yμ0<y[2]

yμ<μ0<y<2μ

ซึ่งหมายความว่าหากตัวแปรของเราแตกต่างจากช่วงนี้การขยายตัวของเทย์เลอร์จะเป็นศูนย์กลางการขยายตัวค่าเฉลี่ยของตัวแปรจะแตกต่างกัน

ดังนั้นสำหรับรูปแบบการทำงานบางอย่างค่าของฟังก์ชั่น ณ จุดหนึ่งของโดเมนนั้นเท่ากับการขยายตัวแบบไม่ จำกัด ของเทย์เลอร์ไม่ว่าจุดนี้จะมาจากศูนย์ขยาย สำหรับรูปแบบการทำงานอื่น ๆ (รวมลอการิทึม) จุดสนใจควรอยู่ค่อนข้าง "ปิด" ไปยังศูนย์กลางของการขยายที่เลือก ในกรณีที่เรามี rv นี่แปลเป็นข้อ จำกัด ในการสนับสนุนทางทฤษฎีของตัวแปร (หรือการตรวจสอบของช่วงสังเกตสังเกตุ)

Loitl โดยใช้ตัวอย่างตัวเลขแสดงให้เห็นว่าการเพิ่มคำสั่งของการขยายตัวก่อนที่การตัดจะทำให้เรื่องแย่ลงสำหรับความถูกต้องของการประมาณ เราต้องทราบว่าสังเกตุว่าอนุกรมเวลาของตัวแปรที่สังเกตได้ในภาคการเงินนั้นมีความแปรปรวนมากกว่าที่ต้องการโดยความไม่เท่าเทียมกัน ดังนั้น Loitl ก็ให้การสนับสนุนต่อว่าวิธีการประมาณซีรีย์เทย์เลอร์ควรจะถูกยกเลิกอย่างสิ้นเชิงเกี่ยวกับทฤษฎีการเลือกพอร์ตโฟลิโอ

เด้งมา 18 ปีต่อมาจากHlawitschka (1994) ข้อมูลเชิงลึกที่มีค่าและผลลัพธ์ที่นี่คือและฉันพูด

... แม้ว่าซีรีส์อาจจะมาบรรจบกันในที่สุด แต่ก็ไม่มีใครพูดถึงซีรีย์บางส่วนได้บ้าง การบรรจบกันของอนุกรมไม่ได้หมายความว่าข้อตกลงจะลดขนาดทันทีหรือว่าคำใดคำหนึ่งมีขนาดเล็กพอที่จะเพิกเฉยได้ อันที่จริงมันเป็นไปได้ดังที่แสดงไว้ที่นี่ว่าซีรีย์อาจดูเหมือนจะแตกต่างก่อนที่จะมาบรรจบกันในที่สุด คุณภาพของการประมาณช่วงเวลาสำหรับยูทิลิตี้ที่คาดหวังซึ่งเป็นไปตามข้อกำหนดสองสามข้อแรกของซีรีย์เทย์เลอร์ดังนั้นจึงไม่สามารถพิจารณาได้จากคุณสมบัติการลู่เข้าของซีรีย์ที่ไม่มีที่สิ้นสุด นี่เป็นปัญหาเชิงประจักษ์และสังเกตุประมาณสองนาทีถึงฟังก์ชั่นยูทิลิตี้ที่ศึกษาที่นี่ทำงานได้ดีสำหรับงานการเลือกพอร์ต Hlawitschka (1994)

ตัวอย่างเช่น Hlawitschka แสดงให้เห็นว่าลำดับที่ 2 คือ "ประสบความสำเร็จ" ไม่ว่าจะเป็นซีรีส์เทย์เลอร์มาบรรจบกันหรือไม่แต่เขาก็ตรวจสอบผลลัพธ์ของ Lotl ด้วยเช่นกัน แต่มีคุณสมบัติสำหรับความสำเร็จนี้: ใน Portfolio Choice ยูทิลิตี้ที่คาดหวังใช้เพื่อจัดอันดับหลักทรัพย์และผลิตภัณฑ์ทางการเงินอื่น ๆ มันเป็นตัวชี้วัดลำดับไม่ใช่พระคาร์ดินัล ดังนั้นสิ่งที่ Hlawitschka พบก็คือการประมาณอันดับที่ 2 รักษาอันดับของหลักทรัพย์ที่แตกต่างกันเมื่อเทียบกับการจัดอันดับที่เกิดจากค่าที่แน่นอนของและไม่ใช่E(g(Y) มันให้ผลเชิงปริมาณเสมอซึ่งใกล้เคียงกับค่าที่แน่นอนนี้ (ดูตารางที่ A1 ของเขาในหน้า 718)

แล้วสิ่งนี้จะทิ้งเราไว้ที่ไหน? ในบริเวณขอบรกที่ฉันพูด ปรากฏว่าทั้งในเชิงทฤษฎีและเชิงประจักษ์การยอมรับการประมาณลำดับที่ 2 ของเทย์เลอร์ขึ้นอยู่กับช่วงวิกฤตในแง่มุมต่าง ๆ ของปรากฏการณ์ที่เฉพาะเจาะจงภายใต้การศึกษาและวิธีการทางวิทยาศาสตร์ที่ใช้ - ขึ้นอยู่กับสมมติฐานเชิงทฤษฎี บนความแปรปรวนที่สังเกตได้ของซีรีส์ ...

แต่เรามาจบเรื่องนี้ในเชิงบวก: ทุกวันนี้พลังงานทดแทนคอมพิวเตอร์สำหรับสิ่งต่างๆมากมาย ดังนั้นเราสามารถจำลองและทดสอบความถูกต้องของการประมาณอันดับที่ 2 สำหรับค่าที่หลากหลายของตัวแปรราคาถูกไม่ว่าเราจะทำงานในเชิงทฤษฎีหรือปัญหาเชิงประจักษ์


8

ไม่ใช่คำตอบที่แท้จริง แต่เป็นตัวอย่างที่แสดงว่าสิ่งต่าง ๆ ไม่ดีนักและต้องมีการตั้งสมมติฐานเพิ่มเติมเพื่อทำให้ผลลัพธ์นี้เป็นจริง

กำหนดเป็นส่วนผสมระหว่างชุดและปกติส่วนประกอบเครื่องแบบที่ถูกเลือกด้วยความน่าจะเป็นและน่าจะเป็นปกติn} คุณมีและความแปรปรวนของมันแปรเป็นเมื่อไปที่อนันต์เนื่องจาก ถ้าฉันไม่เข้าใจผิดXnU([1n;1n])N(nn1,1n)1n11n=n1nE(Xn)=10n

E(Xn2)=13n2×1n+((nn1)2+1n)×n1n,

ตอนนี้กำหนด (และหรืออะไรก็ตาม) ตัวแปรสุ่มถูกกำหนดไว้อย่างดี แต่ไม่มีค่าที่คาดไว้เนื่องจาก ไม่ได้ถูกกำหนด, ไม่ว่าจะใหญ่คือf(x)=1/xf(0)=0f(Xn)

1n1n1xdx
n

ข้อสรุปของฉันคือคุณต้องการสมมติฐานอย่างชัดเจนทั้งพฤติกรรมระดับโลกของหรือ - มีแนวโน้มมากขึ้นและสวยงามมากขึ้น - ด้วยความเร็วที่ความหนาแน่นของสลายตัวเมื่อคุณอยู่ห่างจากค่าที่คาดหวัง ฉันแน่ใจว่าสมมติฐานดังกล่าวสามารถพบได้ในวรรณกรรมคลาสสิก (และแม้กระทั่งในตำราเรียน) น่าเสียดายที่การฝึกอบรมของฉันไม่ได้อยู่ในสถิติและฉันยังคงต่อสู้กับวรรณกรรมด้วยตนเอง ... อย่างไรก็ตามฉันหวังว่าสิ่งนี้จะช่วยได้fXn

PS ตัวอย่างนี้ไม่ใช่ตัวอย่างตอบโต้ของ Nick หรือไม่ ถ้าอย่างนั้นใครจะผิด


1
ข้อความทั่วไปของข้อโต้แย้งของคุณคือมีอยู่และมีขอบเขต จำกัด สำหรับE[Xk]k=1,2,3
ความน่าจะเป็นทาง

ผมคิดว่าการแสดงความคิดเห็นข้างต้นของฉันไม่ถูกต้อง - สิ่งที่ควรจะมีคือว่าฟังก์ชันยอมรับว่าการขยายตัวของเทย์เลอร์ซีรีส์ที่จุดxตัวอย่างเช่นที่คุณให้คุณจะมีซึ่งไม่เป็นความต่อเนื่องที่ 0 ฉันคิดว่านี่หมายความว่าไม่สามารถขยายได้ในซีรี่ส์ของ Taylor สำหรับตัวอย่างของคุณ f(x)x=μf(x)=1xx=0f
ความน่าจะเป็นทางการ

มันอาจจะเป็นที่1 ถ้างั้นก็มีรัศมีแห่งการบรรจบกัน ... คุณต้องการรัศมีของการลู่เข้าแบบไม่มีที่สิ้นสุดหรือไม่! นั่นเป็นข้อกำหนดที่แข็งแกร่ง μ=1
Elvis

1
Elvis ใช่เราต้องการเงื่อนไขระดับโลก โดยพื้นฐานแล้วส่วนที่เหลือจะต้องปฏิบัติอย่างดีหลังจากมีการถ่วงน้ำหนักด้วยการกระจายหาง สำหรับสิ่งที่คล้ายกับตัวอย่างของคุณที่ขึ้นมาเมื่อเร็ว ๆ นี้ให้ดูที่นี่ , ที่นี่และที่นี่
พระคาร์ดินัล

4

นี่ไม่ใช่คำตอบที่สมบูรณ์เพียงวิธีที่แตกต่างกันในการมาถึงการประมาณอันดับที่สอง

ฉันคิดว่าวิธีที่ดีที่สุดที่จะไปคือการใช้ทฤษฎีบทค่านิยมของ Cauchy แทนที่จะใช้กับคำศัพท์ที่เหลือของซีรี่ส์อนุกรม หากเราใช้ครั้งเดียวเรามี

f(X)=f(μ)+f(ξ1)(Xμ)

สำหรับบางเมื่อหรือเมื่อ\ ตอนนี้เราใช้ทฤษฎีบทค่าเฉลี่ยอีกครั้งกับ และเรามีXξ1μXμXξ1μXμf(ξ1)

f(ξ1)=f(μ)+f(ξ2)(ξ1μ)

สำหรับบางเมื่อหรือเมื่อXใส่สิ่งนี้ลงใน Fomula ตัวแรกที่ให้Xξ1ξ2μXμXξ1ξ2μXμ

f(X)=f(μ)+f(μ)(Xμ)+f(ξ2)(ξ1μ)(Xμ)

โปรดทราบว่าผลนี้เพียงต้องการให้เป็นอย่างต่อเนื่องและอนุพันธ์ได้เป็นครั้งที่สองระหว่างและ\อย่างไรก็ตามเรื่องนี้ใช้เฉพาะสำหรับการแก้ไข , และการเปลี่ยนแปลงจะหมายถึงการเปลี่ยนแปลงที่สอดคล้องกันใน\วิธีการสั่งซื้อเดลต้าสองสามารถมองเห็นเป็นทำให้โลกสมมติฐานที่ว่าและมากกว่าทั้งช่วงของการสนับสนุนของ , หรืออย่างน้อยในพื้นที่ที่มีความน่าจะเป็นสูงX μ X X ξ ฉันξ 1 - μ = 1fXμXXξiξ2=μXξ1μ=12(Xμ)ξ2=μX

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.