En primer lugar, su enfoque de este problema es defectuoso. Para comprobar si una secuenciaY1,Y2, … ,
de variables es asintóticamente normal, necesita demostrar que
Ynorte− mi[Ynorte]Var (Ynorte)−−−−−−−√→ norte( 0 , 1 ) .
En tu caso,
Ynorte=norte + 1norteX( n )
, y
mi[Ynorte] = θ
. ya que estas multiplicando
(Ynorte− mi[Ynorte] )
por
norte−−√
, pareces estar asumiendo que
Var (Ynorte) ∼ 1 / norte
, pero no has probado esto. Como primer paso, debe calcular
Var (norte + 1norteX( n ))
, y luego reemplace eso en la expresión anterior e intente calcular cuál es el límite.
ComputarVar (norte + 1norteX( n ))
, primero encontramos
mi[X2( n )] =∫θ02 t P(X( n )> t )dt =∫θ02 t ( 1 - ( t / θ)norte) =θ2( 1 −2norte + 2)
lo que además implica
Var (X( n )) = mi[X2( n )] - mi[X( n )]2=θ2( 1 −2norte + 2) -θ2( 1 −1norte + 1)2=θ2⋅ norte( norte + 1)2( norte + 2 )
y finalmente eso
Var (norte + 1norteX( n )) =θ2norte ( norte + 2 )
. Lo importante es que la varianza llega a cero a razón de
1 /norte2
, o que la desviación estándar disminuye como
1 / norte
, entonces necesitas multiplicar por
norte
para compensar de modo que exista una distribución límite no trivial. Por lo tanto, tenemos que mirar
PAG( norte ⋅ (norte + 1norteX( n )- θ ) ≤ t ) ,
y ver si el límite es igual a
PAG( W≤ t )
para alguna variable normal
W
. Pero ahora hemos reducido el problema a la respuesta de Golden_Ratio con
α = 1
. Calculando el mismo límite que ellos, vemos
PAG( norte ⋅ (norte + 1norteX( n )− θ ) ≤ t ) =(( 1 +1norte)norte)− 1( 1 +tn _)norte⟶mit / θ - 1
Desde
mit / θ - 1
no es la distribución de una variable normal, concluimos que el estimador no es asintóticamente normal. En cambio, los enfoques de distribución
1 - Z
, dónde
Z
es exponencial con parámetro
θ
(o
1 / θ
, nunca puedo recordar cuál es cuál).
taciturno
Proporción_áurea
Enrique
Proporción_áurea
taciturno
Proporción_áurea