[论文解读] Approximation for the distribution of extremes of one dependent stationary sequences of random variables

Alexandru Amărioarei|arXiv (Cornell University)|Nov 23, 2012

Chaos-based Image/Signal Encryption参考文献 7被引用 5

一句话总结

本文改进了1-依赖平稳随机变量序列极值分布的逼近界，将先前结果的适用范围从 $ p_1 \leq 0.025 $ 扩展至 $ p_1 \leq 0.1 $，并显著降低了误差系数。主要贡献在于利用生成函数的主导根 $ \lambda $，对极大值的生存函数提供了更精确的渐近逼近，且给出了明确的误差界，其误差系数比以往估计小至五倍。

ABSTRACT

In this paper we improve some existing results concerning the approximation of the distribution of extremes of a 1-dependent and stationary sequence of random variables. We enlarge the range of applicability and improve the approximation error. An application to the study of the distribution of scan statistics generated by Bernoulli trials is given.

研究动机与目标

• 将极值逼近在1-依赖平稳序列中的适用范围扩展至超过先前的 $ p_1 \leq 0.025 $ 限制。
• 降低此类序列中极大值分布逼近的误差界。
• 为生成函数 $ C_x(z) $ 的主导根 $ \lambda $ 提供更紧的参数化界。
• 利用 $ \lambda^n $ 改进生存函数 $ q_n = \mathbb{P}(\max_{1\leq i\leq n} X_i \leq x) $ 的逼近。
• 将改进后的逼近方法应用于一维离散扫描统计的研究。

提出的方法

• 推导生成函数 $ C_x(z) = 1 + \sum_{k=1}^\infty (-1)^k p_{k-1} z^k $ 的主导根 $ \lambda $ 的新参数界，其中 $ p_k = \mathbb{P}(\min_{1\leq i\leq k} X_i > x) $。
• 建立新形式的误差界 $ |\lambda - (1 + p_1 - p_2 + p_3 - p_4 + 2p_1^2 + 3p_2^2 - 5p_1p_2)| \leq K(\alpha)p_1^3 $，其中 $ K(\alpha) $ 在 $ \alpha = p_1 \leq 0.1 $ 时显式定义。
• 利用1-依赖性质推导 $ p_k $ 的界，特别是 $ p_3 - p_4 \leq p_1(p_1 - p_2) $，以控制高阶项。
• 构造改进的逼近式 $ |q_n \lambda^n - \mu_1| \leq \Gamma(\alpha)p_1^3 $，其中 $ \mu_1 = 1 - p_2 + 2p_3 - 3p_4 + p_1^2 + 6p_2^2 - 6p_1p_2 $。
• 将最终逼近表达为经验 $ q_k $ 的形式，以实现对扫描统计的直接应用：$ |q_n - \frac{\nu_1}{\nu_2^n}| \leq \Delta_2(1 - q_1)^2 $。
• 使用级数展开与根定位技术，证明 $ \lambda $ 在区间 $ (1, 1 + l p_1) $ 内存在且唯一，其中 $ l = l(\alpha) > t_2^3(\alpha) $，且 $ t_2 $ 为方程 $ \alpha t^3 - t + 1 = 0 $ 的第二大模根。

实验结果

研究问题

• RQ1 1-依赖序列的极值逼近适用范围能否扩展至 $ p_1 \leq 0.025 $ 以上？
• RQ2 主导根 $ \lambda $ 的逼近误差界能否显著降低？
• RQ3 改进后的界如何影响生存函数 $ q_n = \mathbb{P}(\max X_i \leq x) $ 的逼近精度？
• RQ4 更紧的误差界对一维伯努利试验中扫描统计分析有何影响？
• RQ5 该逼近能否直接以经验 $ q_k $ 的形式表达，以适用于统计应用的实际需求？

主要发现

• 该逼近适用的 $ p_1 $ 范围从 $ \leq 0.025 $ 扩展至 $ \leq 0.1 $，显著拓宽了适用范围。
• 与 Haiman (1999) 相比，根逼近的误差系数降低至五分之一，其中 $ K(0.025) = 17.5663 $，而先前工作为 87。
• 对于生存函数，误差界 $ |q_n \lambda^n - \mu_1| \leq \Gamma(\alpha)p_1^3 $ 的 $ \Gamma(0.025) = 145.202 $，远小于先前的 561。
• 推导出逼近式 $ |q_n - \frac{2q_1 - q_2}{(1 + q_1 - q_2 + 2(q_1 - q_2)^2)^n}| \leq \Delta_2(1 - q_1)^2 $，其中 $ \Delta_2 $ 显式依赖于 $ n $ 和 $ \alpha $。
• 由于误差控制更紧，新界使得扫描统计分析（尤其在一维离散情形）更加精确和可靠。
• 通过级数展开、根定位及基于1-依赖性质导出的不等式，进行了严谨的证明，验证了结果的有效性。