-
令X1,X2,…为一列独立同分布于标准正态分布N(0,1)的随机变量. Φ(x)和ϕ(x)为标准正态分布函数和密度函数. Xn,1≤Xn,2≤…≤Xn,n为X1,X2,…,Xn的顺序统计量.文献[1]得到当an,bn满足
时,Φn(anx+bn)-Λ(x)收敛到0的一致收敛速度为
$\frac{1}{{{\rm{log}}\;\mathit{n}}}$ .进一步,文献[2]研究了高斯序列顺序统计量幂的渐近展开及收敛速度,得到对任意r≥1,t≥0,存在规范常数cn>0和dn∈$\mathbb{R}$ ,使得其中: Λr(x)=Λ(x)
$\sum\nolimits_{j = 0}^{r-1} {\frac{{{{\rm{e}}^{-jx}}}}{{j!}}} $ ,$x \in \mathbb{R}$ 规范常数cn,dn满足当t=2时,亦可取如下的规范常数:
bn由(1)式决定.文献[2]指出,当t=2且规范常数由(3)式给出时收敛速度最快.在此基础上,文献[3]研究了高斯序列最大值幂的分布函数与密度函数的高阶展开,得到与文献[2]一致的结论.
文献[4-7]研究了其他给定分布序列的极值分布函数的渐近性质.
本文旨在研究高斯序列顺序统计量幂|Xn,r|t的分布函数与密度函数的高阶展开,并试图从中找出相应的收敛速度.
定理1 对任意给定常数1≤r≤n,t≥0及充分大的n,当t>0时,规范常数cn和dn取自(2)式,则
当t=2时,规范常数cn和dn取自(3)式,则
推论1 由定理1有t>0时,P(|Xn,n-r+1|t≤cnx+dn)收敛到
$\mathit{\Lambda }\left( x \right)\sum\nolimits_{j = 0}^{r-1} {\frac{{{{\rm{e}}^{-jx}}}}{{j!}}} $ 的速度与$\frac{1}{{{\rm{log}}\;\mathit{n}}}$ 同阶;t=2时,P(|Xn,n-r+1|2≤cnx+dn)收敛到$\mathit{\Lambda }\left( x \right)\sum\nolimits_{j = 0}^{r-1} {\frac{{{{\rm{e}}^{-jx}}}}{{j!}}} $ 的速度与$\frac{1}{{{{\left( {{\rm{log}}\;\mathit{n}} \right)}^2}}}$ 同阶.定理2 令fn(x)为P(|Xn,n-r+1|t≤cnx+dn)的密度函数,当t>0时,规范常数cn和dn取自(2)式,对充分大的n,有
当t=2时,规范常数cn和dn取自(3)式,则对于Λ′(x)=e-xΛ(x),x∈
$\mathbb{R}$ 有推论2 由定理2知,当t>0时,fn(x)收敛到
$\mathit{\Lambda '}\left( x \right)\frac{{{{\rm{e}}^{-\left( {r-1} \right)x}}}}{{\left( {r-1} \right)!}}$ 的速度与$\frac{1}{{{\rm{log}}\;\mathit{n}}}$ 同阶;当t=2时,fn(x)收敛到$\mathit{\Lambda '}\left( x \right)\frac{{{{\rm{e}}^{-\left( {r-1} \right)x}}}}{{\left( {r-1} \right)!}}$ 的速度与$\frac{1}{{{{\left( {{\rm{log}}\;\mathit{n}} \right)}^2}}}$ 同阶.为使得符号简化,当t>0,规范常数cn和dn取自(2)式时,令(cnx+dn)
$\frac{1}{t}$ =zn;当t=2,规范常数cn和dn取自(3)式时,令(cnx+dn)$\frac{1}{2}$ =wn.引理1 对于自然数k及充分大的n,
(ⅰ) t≠2时,
(ⅱ) t=2时,
证明 由文献[3]中的(3.5)式有当t>0时,
则对(n(1-Φ(zn)))k做泰勒展开即可证得结论. t=2时,同理可得
引理证毕.
引理2 对于自然数l及充分大的n有Φ-l(zn)=1+O(n-1),Φ-l(wn)=1+O(n-1).
证明 由(5)式可得
同理可得Φ-l(wn)=1+O(n-1).
定理1的证明 使用类似于文献[2]的方法有当t>0时,
由(4)式知,
由文献[3]中的(3.6)式有
则由(7)式和(8)式知
t=2时,由(5)式得
故由(7)式知
定理证毕.
定理2的证明 令fn(x)=hn(x)+gn(x),其中
首先考虑t>0时,
由文献[3]之引理3.3知,t>0时,
由(4)式,(9)式知此时
当t=2时,有
故由(5)式及(11)式知,此时
Higher-Order Expansions of Powered Order Statistics of Gaussian Sequences
- Received Date: 17/09/2018
- Available Online: 20/03/2019
-
Key words:
- Gaussian sequences /
- powered order statistics /
- high-order expansion /
- convergence rate
Abstract: In this paper, higher-order expansions on distributions and densities of powered order statistics formed by a sequence of independent identically Gaussian distributed random variables have been established under the optimal normalized constants.A byproduct is that rates of convergence of distributions and densities of powered statistics are the same order of $\frac{1}{{{\rm{log}}\;\mathit{n}}}$, respectively.