Phân phối lấy mẫu từ hai quần thể Bernoulli độc lập

Giả sử rằng chúng ta có mẫu của hai biến độc lập Bernoulli ngẫu nhiên, $\mathrm{Ber}(\theta_1)$ và . $\mathrm{Ber}(\theta_2)$

Làm cách nào để chúng tôi chứng minh rằng ?

\frac{({\bar{X}}_{1} - {\bar{X}}_{2}) - (θ_{1} - θ_{2})}{\sqrt{\frac{θ_{1} (1 - θ_{1})}{n_{1}} + \frac{θ_{2} (1 - θ_{2})}{n_{2}}}} \overset{d}{\to} N (0, 1)

$\frac{(\bar X_1-\bar X_2)-(\theta_1-\theta_2)}{\sqrt{\frac{\theta_1(1-\theta_1)}{n_1}+\frac{\theta_2(1-\theta_2)}{n_2}}}\xrightarrow{d} \mathcal N(0,1)$

Giả sử rằng . $n_1\neq n_2$

distributions sampling bernoulli-distribution

— Một ông già ở biển.
nguồn

Z_i = X_1i - X_2i là một chuỗi iid rv có nghĩa và phương sai hữu hạn. Do đó, nó thỏa mãn định lý giới hạn trung tâm Levy-Linderberg mà từ đó kết quả của bạn tuân theo. Hay bạn đang yêu cầu một bằng chứng về chính clt?

— Ba Diag

@ThreeDiag Bạn đang áp dụng phiên bản LL của CLT như thế nào? Tôi không nghĩ đó là chính xác. Viết một câu trả lời cho tôi để kiểm tra các chi tiết.

— Một ông già ở biển.

Tất cả các chi tiết đã có. Để LL áp dụng, bạn cần một chuỗi iid rv với giá trị trung bình và phương sai hữu hạn. Biến Z_i = X_i1 và X_i2 thỏa mãn cả ba yêu cầu. Độc lập sau sự độc lập của hai bình bernoulli ban đầu và bạn có thể thấy rằng E (Z_i) và V (Z_i) là hữu hạn bằng cách áp dụng các thuộc tính tiêu chuẩn của E và V

— Ba Diag

"mẫu của hai biến ngẫu nhiên Bernoulli độc lập" - biểu thức không chính xác. Phải là: "hai mẫu độc lập từ các bản phân phối Bernoulli".

— Viktor

Vui lòng thêm "như

n_{1}, n_{2} \to \infty

$n_1,n_2\to \infty$

— Viktor

Câu trả lời:

Đặt , $a=\frac{\sqrt{\theta_1(1-\theta_1)}}{\sqrt{n_1}}$ , , . Ta có . Xét về chức năng đặc trưng nó có nghĩa là $b=\frac{\sqrt{\theta_2(1-\theta_2)}}{\sqrt{n_2}}$ $A=(\bar{X}_1-\theta_1)/a$ $B=(\bar{X}_2-\theta_2)/b$ $A\to_d N(0,1),\ B\to_d N(0,1)$ Chúng tôi muốn chứng minh rằng

ϕ_{A} (t) \equiv E e^{i t A} \to e^{- t^{2} / 2}, ϕ_{B} (t) \to e^{- t^{2} / 2} .

$\phi_A(t)\equiv {\bf E}e^{itA}\to e^{-t^2/2},\ \phi_B(t)\to e^{-t^2/2}.$

D := \frac{a}{\sqrt{a^{2} + b^{2}}} A - \frac{b}{\sqrt{a^{2} + b^{2}}} B \to_{d} N (0, 1)

$D:=\frac{a}{\sqrt{a^2+b^2}}A-\frac{b}{\sqrt{a^2+b^2}}B\to_d N(0,1)$

Từ và là độc lập, $A$ $B$ như chúng tôi muốn nó được.

ϕ_{D} (t) = ϕ_{A} (\frac{a}{\sqrt{a^{2} + b^{2}}} t) ϕ_{B} (- \frac{b}{\sqrt{a^{2} + b^{2}}} t) \to e^{- t^{2} / 2},

$\phi_D(t)=\phi_A\left(\frac{a}{\sqrt{a^2+b^2}}t\right)\phi_B\left(-\frac{b}{\sqrt{a^2+b^2}}t\right)\to e^{-t^2/2},$

Bằng chứng này là không đầy đủ. Ở đây chúng ta cần một số ước tính cho sự hội tụ thống nhất của các hàm đặc trưng. Tuy nhiên trong trường hợp đang xem xét, chúng tôi có thể tính toán rõ ràng. Đặt . $p=\theta_1,\ m=n_1$

\begin{aligned} ϕ_{X_{1, 1}} (t) & = 1 + p (e^{i t} - 1), \\ ϕ_{{\bar{X}}_{1}} (t) & = (1 + p (e^{i t / m} - 1))^{m}, \\ ϕ_{{\bar{X}}_{1} - θ_{1}} (t) & = (1 + p (e^{i t / m} - 1))^{m} e^{- i p t}, \\ ϕ_{A} (t) & = (1 + p (e^{i t / \sqrt{m p (1 - p)}} - 1))^{m} e^{- i p t \sqrt{m} / \sqrt{p (1 - p)}} \\ = {((1 + p (e^{i t / \sqrt{m p (1 - p)}} - 1)) e^{- i p t / \sqrt{m p (1 - p)}})}^{m} \\ = {(1 - \frac{t^{2}}{2 m} + O (t^{3} m^{- 3 / 2}))}^{m} \end{aligned}

$\begin{align} \phi_{X_{1,1}}(t) &= 1+p(e^{it}-1), \\ \phi_{\bar X_{1}}(t) &= (1+p(e^{it/m}-1))^m, \\ \phi_{\bar X_{1}-\theta_1}(t) &= (1+p(e^{it/m}-1))^m e^{-ipt}, \\ \phi_{A}(t) &= (1+p(e^{it/\sqrt{mp(1-p)}}-1))^m e^{-ipt\sqrt{m}/\sqrt{p(1-p)}} \\[5pt] &= \left( \left(1+p(e^{it/\sqrt{mp(1-p)}}-1)\right)e^{-ipt/\sqrt{mp(1-p)}}\right)^m \\[5pt] &=\left( 1-\frac{t^2}{2m}+O(t^3m^{-3/2}) \right)^m \end{align}$

t^{3} m^{- 3 / 2} \to 0

$t^3m^{-3/2}\to 0$

t

$t$

ϕ_{D} (t) = {(1 - \frac{a^{2} t^{2}}{2 (a^{2} + b^{2}) n_{1}} + O (n_{1}^{- 3 / 2}))}^{n_{1}} {(1 - \frac{b^{2} t^{2}}{2 (a^{2} + b^{2}) n_{2}} + O (n_{2}^{- 3 / 2}))}^{n_{2}} \to e^{- t^{2} / 2}

$\phi_D(t)=\left( 1-\frac{a^2t^2}{2(a^2+b^2)n_1}+O(n_1^{-3/2}) \right)^{n_1} \left( 1-\frac{b^2t^2}{2(a^2+b^2)n_2}+O(n_2^{-3/2}) \right)^{n_2} \to e^{-t^2/2}$ (even if

a \to 0

$a\to 0$ or

b \to 0

$b\to 0$ ), since

| e^{- y} - (1 - y / m)^{m} | \leq y^{2} / 2 m

$\left|e^{-y}-(1-y/m)^m\right|\le {y^2}/{2m}\$ when

y / m < 1 / 2

$\ y/m<1/2$ (see /math/2566469/uniform-bounds-for-1-y-nn-exp-y/ ).

Note that similar calculations may be done for arbitrary (not necessarily Bernoulli) distributions with finite second moments, using the expansion of characteristic function in terms of the first two moments.

— Viktor
nguồn

This seems correct. I'll get back to you later on, when I have time to check everything. ;)

— Một ông già ở biển.

-1

Proving your statement is equivalent to proving the (Levy-Lindenberg) Central Limit Theorem which states

If $\{Z_i\}_{i=1}^n$ is a sequence of i.i.d random variable with finite mean $\mathbb{E}(Z_i) = \mu$ and finite variance $\mathbb{V}(Z_i) = \sigma^2$ then

\sqrt{n} (\bar{Z} - μ) \to^{d} N (0, σ^{2})

$\sqrt{n}(\bar{Z} - \mu) \to^d N(0,\sigma^2)$

Here $\bar{Z} = \sum_i Z_i/n$ that is the sample variance.

Then it is easy to see that if we put

Z_{i} = X_{1} i - X_{2} i

$Z_i = X_1i - X_2i$ with

X_{1 i}, X_{2 i}

$X_{1i}, X_{2i}$ following a

B e r (θ_{1})

$Ber(\theta_1)$ and

B e r (θ_{2})

$Ber(\theta_2)$ respectively the conditions for the theorem are satisfied, in particular

E (Z_{i}) = θ_{1} - θ_{2} = μ

$\mathbb{E}(Z_i) = \theta_1 - \theta_2 = \mu$

and

V (Z_{i}) = θ_{1} (1 - θ_{1}) + θ_{2} (1 - θ_{2}) = σ^{2}

$\mathbb{V}(Z_i)= \theta_1(1-\theta_1) +\theta_2(1-\theta_2)= \sigma^2$

(There's a last passage, and you have to adjust this a bit for the general case where $n_1 \neq n_2$ but I have to go now, will finish tomorrow or you can edit the question with the final passage as an exercise )

— Three Diag
nguồn

I could not obtain what I wanted exactly because of the possibility of

n_{1} \neq n_{2}

$n_1\neq n_2$

— An old man in the sea.

I will show later if you can't get it. Hint: compute the variance of the sample mean of Z and use that as the variable in the theorem

— Three Diag

Three, could you please add the details for when

n_{1} \neq n_{2}

$n_1 \neq n_2$ ? Thanks

— An old man in the sea.

Will do as soon as find a little timr. There was in fact a subtlety that prevents from using LL clt without adjustment. There are three ways to go, the simplest of which is invoking the fact that for large n1 and n2, X1 and X2 go in distribution to normals, then a linear combination of normal is also normal. This is a property of normals that you can take as given, otherwise you can prove it by characteristic functions.

— Three Diag

The other two require either a different clt (Lyapunov possibly) or alternatively treat n1 = i and n2= i +k. Then for large i you can essentially disregard k and you can go back to apply LL (but still it will require some care to nail the right variance)

— Three Diag