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[|Xn−μ|3]=o(σ2(Xn))n→∞?
เนื่องจากมีตัวแปรสุ่มที่มีช่วงเวลาที่สองแน่นอนและช่วงเวลาที่สามอนันต์คำตอบคือกึกก้องไม่มี ดังนั้นโดยทั่วไปวิธีการที่ซีรีส์เทย์เลอร์ล้มเหลวแม้สำหรับหลายชื่อ 3 องศา การทำซ้ำอาร์กิวเมนต์นี้แสดงให้เห็นว่าคุณไม่สามารถคาดหวังได้ว่าวิธีการของซีรีส์เทย์เลอร์จะให้ผลลัพธ์ที่แม่นยำแม้จะเป็นชื่อพหุนามยกเว้นว่าช่วงเวลาทั้งหมดของตัวแปรสุ่มของคุณจะถูกควบคุมอย่างดี
ถ้าอย่างนั้นเราต้องทำอะไร? แน่นอนวิธีการทำงานสำหรับตัวแปรสุ่มขอบเขตที่สนับสนุนมาบรรจบกันที่จุด แต่ชั้นนี้มีขนาดเล็กเกินไปที่จะน่าสนใจ สมมติว่าลำดับมาจากตระกูลที่มีความเข้มข้นสูงซึ่งสอดคล้องกับ (พูด)Xn
P{|Xn−μ|>t}≤e−Cnt2(1)
สำหรับทุกและบาง 0 ตัวแปรสุ่มดังกล่าวเป็นเรื่องธรรมดาที่น่าประหลาดใจ ตัวอย่างเช่นเมื่อเป็นค่าเฉลี่ยเชิงประจักษ์C > 0 X nt>0C>0Xn
Xn:=1n∑i=1nYi
ของตัวแปรสุ่มที่ดี (เช่น iid และ bounded) ความไม่เท่าเทียมกันของความเข้มข้นต่างๆบ่งบอกว่าตาม (1) อาร์กิวเมนต์มาตรฐาน (ดูหน้า 10 ที่นี่ ) จำกัดช่วงเวลาที่สำหรับตัวแปรสุ่มเช่น:X nหน้าYiXnp
E[|Xn−μ|p]≤(p2Cn)p/2.
ดังนั้นสำหรับฟังก์ชั่นการวิเคราะห์ที่ "ดีพอ" (ดูด้านล่าง) เราสามารถผูกข้อผิดพลาดบนเทย์เลอร์เทย์เลอร์ซีรีส์ประมาณโดยใช้ความไม่เท่าเทียมกันของสามเหลี่ยมEเมตรเมตรfEmm
Em:=∣∣∣∣E[f(Xn)]−∑p=0mf(p)(μ)p!E(Xn−μ)p∣∣∣∣≤1(2Cn)(m+1)/2∑p=m+1∞|f(p)(μ)|pp/2p!
เมื่อ 2 เนื่องจากการประมาณของ Stirling ให้ , ข้อผิดพลาดของซีรีย์ Taylor ที่ถูกตัดทอนให้เป็นที่น่าพอใจp ! ≈ พีพี- 1 / 2n>C/2p!≈pp−1/2
Em=O(n−(m+1)/2) as n→∞whenever∑p=0∞p(1−p)/2|f(p)(μ)|<∞.(2)
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(p−p/2)fXn
เรามาดูกันว่าอะไรจะผิดพลาดเมื่อมีภาวะเอกฐาน (ตามความเห็นของ whuber) สมมติว่าเราเลือก x ถ้าเราใช้เวลาจากการกระจายตัดทอนระหว่างศูนย์และสองแล้วมีความเข้มข้นเพียงพอ แต่ทุกnกล่าวอีกนัยหนึ่งเรามีตัวแปรสุ่มที่มีขอบเขตความเข้มข้นสูงและยังคงเป็นวิธีอนุกรมของเทย์เลอร์ที่ล้มเหลวเมื่อฟังก์ชันมีเอกพจน์เพียงหนึ่งเดียวฉ( x ) = 1 / x X n N o R มลิตร ( 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[|Xn−μ|p]<∞
โดยอัตราการเติบโตของช่วงเวลา subgaussian จากด้านบน ดังนั้นทฤษฎีบทของ Fubini จึงให้
E[f(Xn)]=∑i=0∞f(p)(μ)p!E[(Xn−μ)p]
ส่วนที่เหลือของหลักฐานการพิสูจน์ดังกล่าวข้างต้น