[论文解读] Right-tail asymptotics for products of independent normal random variables

Džiugas Chvoinikov, Jonas Šiaulys|arXiv (Cornell University)|Mar 9, 2026

Random Matrices and Applications被引用 0

一句话总结

作者通过边界鞍点与端点拉普拉斯方法，给出独立正态变量（均值不为零）的乘积的右尾渐近，获得相对误差为 1+O(x^{-1/n}) 的结果。

ABSTRACT

Let $X_1,\dots,X_n$ be independent normal random variables with $X_i\sim N(μ_i,σ_i^2)$, and set $Z=\prod_{i=1}^n X_i$. We derive asymptotic approximations for the right tail probability $\mathbb{P}(Z>x)$ as $x o\infty$. When at least one mean is nonzero, the asymptotic formula remains explicit and involves a finite multiplicative factor arising from admissible sign patterns (reflecting the different ways the product can be positive); it holds with relative error $1+O(x^{-1/n})$. The proof uses a boundary saddle-point/Laplace method: first a multidimensional Laplace approximation near the boundary saddle, then a one-dimensional endpoint Laplace approximation.

研究动机与目标

• 理解 Z = ∏ X_i 的右尾行为，其中 X_i ~ N(μ_i, σ_i^2) 独立。
• 当至少一个 μ_i ≠ 0 时，推导 P(Z > x) 随 x → ∞ 的显式渐近近似。
• 将渐近结果表示为对可允许符号模式的有限求和，并给出可行的计算方案。

提出的方法

• 设 Z = ∏ X_i，其中 X_i ~ N(μ_i, σ_i^2)，研究 P(Z > x) 当 x → ∞。
• 按符号模式 s ∈ S 将积分分解，要求 ∏ s_i = +1，且在边界鞍点附近应用多维拉普拉斯近似。
• 在鞍点步骤后对剩下的一维积分使用端点拉普拉斯近似。
• 得到主指数及前因子，涉及 L_* = max_{s∈S} ∑ s_i μ_i/σ_i，m_* = 使最大值的模态个数，以及 C = exp(-∑ μ_i^2/(2 σ_i^2))。
• 给出一个 O(n) 的程序来计算 L_* 和 m_*，如备注 1 所述。

实验结果

研究问题

• RQ1 对 Z = ∏_{i=1}^n X_i，X_i ~ N(μ_i, σ_i^2) 独立且至少有一个 μ_i ≠ 0 时，P(Z > x) 的渐近形式在 x → ∞ 时是什么？
• RQ2 可允许的符号模式如何对右尾渐近贡献，以及如何高效枚举这些模式？
• RQ3 边界鞍点与端点拉普拉斯方法能否对尾概率给出显式相对误差控制？
• RQ4 控制主项的显式常数（L_*, m_*, C）是什么，如何在实际中计算？

主要发现

• 给出 P(Z > x) 的渐近公式，当 x → ∞，相对误差为 1 + O(x^{-1/n})。
• 尾部主项涉及对可允许符号模式的有限求和，用 L_* 和 m_* 总结，乘性常数为 C = exp(-∑ μ_i^2/(2 σ_i^2))。
• 主要贡献来自平衡的（边界鞍点）区域，通过两阶段拉普拉斯分析得到：在边界鞍点处的多维近似，以及后续的一维端点步骤。
• 备注 1 给出如何在线性时间内计算 L_* 和 m_*，并描述符号模式优化。