[논문 리뷰] Discrete approximations for sums of m-dependent random variables

V. Čekanavičius, P. Vellaisamy|arXiv (Cornell University)|2013. 01. 30.

Probability and Risk Models참고 문헌 31인용 수 11

한 줄 요약

이 논문은 복합 포아송, 음이이항, 이항 분포 및 부호가 있는 복합 포아송 측도를 사용하여 m-의존 정수값을 가진 랜덤 변수들의 합에 대한 이산 근사 방법을 개발한다. 헤이너의 방법과 컨볼루션 스무딩을 통해 날카운 총 변동 거리 경계를 수립하며, 점차적으로 최적의 상수를 달성하고, (k₁,k₂) 사건과 2-런과 같은 m-의존 통계에의 응용을 가능하게 한다.

ABSTRACT

Sums of of 1-dependent integer-valued random variables are approximated by compound Poisson, negative binomial and Binomial distributions and signed compound Poisson measures. Estimates are obtained for total variation and local metrics. The results are then applied to statistics of $m$-dependent $(k_1,k_2)$ events and 2-runs. Heinrich's method and smoothing properties of convolutions are used for the proofs.

연구 동기 및 목표

• m-의존 정수값을 가진 랜덤 변수들의 합을 복합 포아송, 음이이항, 이항 분포를 사용하여 근사화하는 것.
• 이 근사 분포와 합 사이의 명시적 총 변동 거리 경계를 유도하는 것.
• 계수량과 부호가 있는 측도를 통한 계수량의 특성 함수 방법을 m-의존 수열로 확장하는 것.
• 표준 포아송 근사 이외의 정밀도 향상을 위한 점근 전개를 가능하게 하는 것.
• (k₁,k₂) 사건과 m-의존 수열에서의 2-런과 같은 특정 통계에 결과를 적용하는 것.

제안 방법

• 합 Sₙ의 분포를 기술하기 위해 연관 계수량과 중심화된 계수량에서 유도된 계수량 Γ₁, Γ₂, Γ₃를 사용한다.
• 특성 함수와 컨볼루션 스무딩을 기반으로 한 헤이너의 방법을 적용하여 총 변동 거리 경계를 도출한다.
• 두 계수량을 일치시키기 위해 G = exp{Γ₁(e^{it}−1) + Γ₂(e^{it}−1)²}로 정의된 부호가 있는 복합 포아송 측도를 정의한다. 이는 포아송 근사보다 정밀도를 향상시킨다.
• N = ⌊Γ₁²/(2|Γ₂|)⌋ 및 p̄ = Γ₁/N를 통해 첫 번째 및 두 번째 계수량을 일치시키는 방식으로 이항 및 음이이항 근사 분포를 구성한다. 또한 r, q̄는 Γ₁ 및 Γ₂를 포함하는 계수량 일치 방정식을 통해 선택된다.
• 특성 함수 접근법에서 오차 항을 제어하기 위해 스무딩 기법과 컨볼루션 성질을 활용한다.
• 의존성을 다루고 계수량 유사 양을 계산하기 위해 중심화된 계수량 Ê(Y₁,…,Yₖ)의 재귀 정의를 사용한다.

실험 결과

연구 질문

• RQ1 m-의존 정수값을 가진 랜덤 변수들의 합은 어떤 식으로 표준 이산 분포를 사용하여 총 변동 오차를 통제하면서 근사화될 수 있는가?
• RQ2 이러한 근사의 최적 수렴 속도는 무엇이며, 한 개 이상의 계수량을 일치시킴으로써 향상시킬 수 있는가?
• RQ3 헤이너의 방법은 m-의존 수열과 부호가 있는 측도를 다룰 수 있도록 어떻게 적응시킬 수 있는가?
• RQ4 유도된 경계는 m-의존 수열에서의 (k₁,k₂) 사건과 2-런과 같은 특정 통계에 얼마나 널리 적용될 수 있는가?
• RQ5 더 정밀한 오차 분석을 위한 점근 전개는 근사 프레임워크에서 어떻게 구성될 수 있는가?

주요 결과

• 합 Sₙ와 그 부호가 있는 복합 포아송 근사 G 사이의 총 변동 거리는 Cm³a³(p)(n−m+1)로 경계되며, m과 성공 확률 a(p)에 명시적인 의존성을 가진다.
• 이항 근사 Bi(N, p̄)의 경우 총 변동 오차는 Cm³a²(p)/(n−m+1)로 경계되며, n이 클수록 수렴 속도가 향상됨을 보여준다.
• 음이이항 근사 분포는 첫 번째 및 두 번째 계수량을 일치시키며, r 및 q̄는 Γ₁ 및 Γ₂를 포함하는 계수량 일치 방정식을 통해 선택된다.
• 2-런과 (k₁,k₂) 사건의 경우, 방법은 점차적으로 날카운 상수를 제공하고 점근 전개를 구성할 수 있게 한다.
• 특성 함수 전개의 나머지 항 R₁은 R₁ ≤ C(n−m+1)m²a³(p)로 경계되며, 이는 오차 성장률이 m과 n에 의해 제어됨을 나타낸다.
• 이 방법은 총 변동 경계에서 점차적으로 최적의 상수를 달성하며, 2-런 예제에서 표준 포아송 근사보다 뛰어난 성능을 보였다.