귀하는이 접근법에 회의적 일 권리가 있습니다. 휴리스틱에는 진실의 핵심이 포함되어 있지만 Taylor 시리즈 방법은 일반적으로 작동하지 않습니다 . 아래 기술 토론을 요약하면
- 강한 집중력 은 Taylor 시리즈 방법이 훌륭한 기능을 수행한다는 것을 의미합니다
- 헤비 테일 분포 또는 그리 좋지 않은 기능에는 상황이 크게 잘못 될 수 있습니다.
Alecos의 답변에서 알 수 있듯이 데이터에 꼬리가 많은 경우 Taylor 시리즈 방법을 폐기해야 함을 나타냅니다. (금융 전문가, 당신을보고 있습니다.)
Elvis가 지적했듯이 주요 문제는 분산이 더 높은 모멘트를 제어하지 않는다는 것 입니다. 이유를 알아 보려면 가능한 한 많이 질문을 단순화하여 기본 아이디어를 얻으십시오.
가정하면 , 우리는 임의의 변수들의 시퀀스를 와 으로서 . σ ( X N ) → 0 N → ∞Xnσ(Xn)→0n→∞
Q : 을 로 보장 할 수 있습니까n → ∞ ?E[|Xn−μ|3]=o(σ2(Xn))n→∞?
유한 한 두 번째 모멘트와 무한한 세 번째 모멘트를 갖는 임의의 변수 가 있기 때문에 답은 강조 되지 않습니다 . 따라서 일반적으로 Taylor 시리즈 방법은 3 차 다항식에서도 실패합니다 . 이 인수를 반복하면 임의 변수의 모든 모멘트가 잘 제어 되지 않으면 Taylor 시리즈 방법이 다항식에서도 정확한 결과를 제공 할 것으로 기대할 수 없습니다 .
그러면 어떻게해야합니까? 확실히이 방법은 지원이 점으로 수렴되는 경계 랜덤 변수에 대해 작동 하지만이 클래스는 너무 작아서 흥미로울 수 없습니다. 대신에 시퀀스 이 (예를 들어) 만족하는 일부 고집적 가정 에서 나온다고 가정하자.Xn
P{|Xn−μ|>t}≤e−Cnt2(1)
모든 및 일부 . 이러한 임의의 변수는 놀라 울 정도로 일반적입니다. 예를 들어 이 경험적 평균 인 경우C > 0t>0C>0Xn
Xn:=1n∑i=1nYi
좋은 임의의 변수 (예를 들어, iid 및 경계)의 다양한 농도 불평등 은 (1)을 만족 한다는 것을 암시한다 . 표준 인수 ( 여기 10 페이지 참조 ) 는 이러한 임의 변수에 대한 번째 모멘트를 제한합니다 .X nYiXnp
E[|Xn−μ|p]≤(p2Cn)p/2.
따라서 "충분히 좋은"분석 함수 (아래 참조)에 대해 삼각형 부등식을 사용하여 term Taylor 계열 근사값 에서 오류 을 바인딩 할 수 있습니다.E의 mfEmm
Em:=∣∣∣∣E[f(Xn)]−∑p=0mf(p)(μ)p!E(Xn−μ)p∣∣∣∣≤1(2Cn)(m+1)/2∑p=m+1∞|f(p)(μ)|pp/2p!
때 . 스털링의 근사가 제공하기 때문에 , 잘린 Taylor 계열의 오류는 다음을 충족합니다.p ! ≈ p p - 1 / 2n>C/2p!≈pp−1/2
Em=O(n−(m+1)/2) as n→∞whenever∑p=0∞p(1−p)/2|f(p)(μ)|<∞.(2)
따라서, 이 강하게 집중되고 가 충분히 좋은 경우, 테일러 계열 근사값은 실제로 정확합니다. (2)에 나타나는 불평등은 , 특히 우리의 조건에 따라 는 full 입니다. 이것은 (1)이 에 대한 경계 가정을 강요하지 않기 때문에 의미가 있습니다. F F ( P ) ( μ ) / P ! = O ( p − p / 2 ) fXnff(p)(μ)/p!=O(p−p/2)fXn
가 특이점을 가질 때 무엇이 잘못 될 수 있는지 보자 (whuber의 의견에 따름). 선택한다고 가정 해 봅시다 . 0과 2 사이에서 잘린 분포 에서 을 취하면 은 충분히 집중되지만 모든 대해 입니다 . 다시 말해서, 우리는 고도로 집중된 경계 랜덤 변수를 가지고 있으며 함수가 단 하나의 특이점을 가질 때 여전히 Taylor 시리즈 방법은 실패합니다.f ( x ) = 1 / x X n N o r m a l ( 1 , 1 / n ) X n E [ f ( X n ) ] = ∞ nff(x)=1/xXnNormal(1,1/n)XnE[f(Xn)]=∞n
엄격한 몇 마디. 나는 엄격한 정리 / 증거 형식으로 요구 되는 deus ex machina 보다는 파생 된 것으로서 (2)에 나타나는 조건을 제시하는 것이 더 좋다는 것을 알게되었다. 논증을 완전히 엄격하게하기 위해 먼저 (2)의 오른쪽은 다음을 의미합니다.
E[|f(Xn)|]≤∑i=0∞|f(p)(μ)|p!E[|Xn−μ|p]<∞
위에서 subgaussian 순간의 성장 속도에 의해. 따라서 후 비니의 정리는
E[f(Xn)]=∑i=0∞f(p)(μ)p!E[(Xn−μ)p]
나머지 증명은 위와 같이 진행됩니다.