出于对math.stackexchange的一个问题的兴趣,并进行了实证研究,我想知道以下有关iid随机变量之和的平方根的陈述。
假设是具有有限非零均值和方差 iid随机变量,并且。中心极限定理说随着增加。Ñ
如果,我也可以说类似随着增加?ž - √Ñ
例如,假设是具有均值和方差伯努利(Bernoulli,那么是二项式的,我可以在R中模拟它,例如: p p (1 − p )Y p = 1
set.seed(1)
cases <- 100000
n <- 1000
p <- 1/3
Y <- rbinom(cases, size=n, prob=p)
Z <- sqrt(abs(Y))
给出了的期望均值和方差
> c(mean(Z), sqrt(n*p - (1-p)/4))
[1] 18.25229 18.25285
> c(var(Z), (1-p)/4)
[1] 0.1680012 0.1666667
和一个看起来像高斯的QQ图
qqnorm(Z)
1
@MichaelM:感谢您的评论。我从非负开始,但我认为您所描述的直观渐近行为允许将其推广到更多分布。令我惊讶的是:(a)和的平方根的方差明显趋于一个常数,而不取决于;(b)看起来非常接近高斯分布的外观。一个反例是可以接受的,但是当我尝试其他最初似乎不是高斯的情况时,进一步增加 似乎会使分布回到CLT类型的结果。 ñ ñ
—
亨利
这方面的一个推论是根均方(或二次平均)独立同分布的随机变量适当地缩放(乘以的与算术平均值)也收敛于规定,高斯分布的阶矩基础分布是有限的。 4
—
亨利
简而言之:该声明是Delta方法的特例,请参见Casella&Berger在“统计推断”一书中的定理5.5.24。
—
Michael M
@Michael:也许您看到的是我目前不知道的东西,但是我认为这个特殊问题不适合经典Delta方法的假设(例如,如您所参考的定理中所述)。请注意,不会在分布上收敛(非平凡地在),因此“应用的Delta方法”不能满足必要的要求。但是,正如S. Catterall的答案所证明的那样,它提供了一种有用的启发式方法,可以得出正确的答案。R g (y )= √
—
红衣主教
(我相信您可以将Delta方法的证明适用于与上述相似的情况,以便充分严格地执行上述启发式方法。)
—
红衣主教