劣指数分布

同義語:劣指数的分布subexponential distribution

概要

劣指数分布(subexponential distribution)とは、裾 $\bar F(x)=P(X>x)$ がすべての $x$ で正な $[0,\infty)$ 上の分布で、独立な 2 つの和の裾が $2\bar F(x)$ に漸近するもの、すなわち和が大きくなるのは実質的にどちらか 1 つが大きいときである分布をいう。どの $\varepsilon>0$ でも $E[e^{\varepsilon X}]=\infty$ なので指数分布は含まれず、裾が正則変動する分布、対数正規分布、形状母数が $1$ 未満の Weibull 分布が例である。$n$ 個の和の裾は $n\bar F(x)$ に漸近し、Kesten の評価が成り立つので、独立で裾の指数的に軽い個数 $N$ の和の裾は $E[N]\bar F(x)$ に漸近する。

$$\newcommand{C}[0]{\mathbb{C}} \newcommand{div}[0]{\mathbin{÷}} \newcommand{N}[0]{\mathbb{N}} \newcommand{Q}[0]{\mathbb{Q}} \newcommand{R}[0]{\mathbb{R}} \newcommand{Z}[0]{\mathbb{Z}} $$

前提知識: 正則変動関数, 指数分布, Fubiniの定理

保険会社の 1 年の支払いの合計が、ふだんの何倍にもふくらむとき、それは小さな請求が少しずつ多かったからだろうか、それとも巨額の請求が 1 件あったからだろうか。請求額の分布の裾が重いと、答えは後者になる。劣指数分布(subexponential distribution)は、この「和が大きくなるのは、どれか 1 つが大きいときだけ」という性質で定義される $[0,\infty)$ 上の分布の族である。独立同分布の $X_1,X_2$ について
$$ P(X_1+X_2>x)\sim P(\max(X_1,X_2)>x)\qquad(x\to\infty) $$
となる分布、と言ってもよい($f\sim g$ は $f/g\to1$ を表す)。Pareto分布 や 対数正規分布、形状母数が $1$ 未満の Weibull 分布がこの族に入り、指数分布 は入らない。
名前の似た別の概念と区別しておく。高次元の確率論でいう sub-exponential な確率変数は、裾が指数関数 以下 に抑えられる軽い裾の変数で、ここでの劣指数分布(裾が指数関数より 重い)とはほぼ逆向きである。計算量の「劣指数時間」とも関係がない。
この記事では、劣指数分布が長い裾をもち指数的な積率をもたないこと(prop-sub-long)、$n$ 個の和の裾が $n$ 倍の裾に漸近すること(thm-sub-n)、Kesten の評価(thm-sub-kesten)、ランダムな個数の和の裾の漸近(thm-sub-random)を証明し、Weibull 分布が劣指数的であることを確かめる(prop-sub-weibull)。

定義と使える条件

$X$ を $0$ 以上の確率変数、$F$ をその分布関数、$\bar F(x):=P(X>x)=1-F(x)$ を 裾 とする。$X_1,X_2,\dots$ を独立で $F$ に従う変数とし、$S_n:=X_1+\dots+X_n$、$\bar F^{*n}(x):=P(S_n>x)$ と書く($F^{*n}$ は $F$ の $n$ 回の畳み込み)。

劣指数分布と長い裾の分布

$[0,\infty)$ 上の分布 $F$ がすべての $x$ で $\bar F(x)>0$ を満たすとする。

  1. $\displaystyle\lim_{x\to\infty}\frac{\bar F^{*2}(x)}{\bar F(x)}=2$ のとき、$F$ は 劣指数的(subexponential)であるという。劣指数的な分布の全体を $\mathcal S$ と書く。
  2. すべての $a>0$ で $\displaystyle\lim_{x\to\infty}\frac{\bar F(x-a)}{\bar F(x)}=1$ のとき、$F$ は 長い裾をもつ(long-tailed)という。

$P(\max(X_1,X_2)>x)=1-F(x)^2=2\bar F(x)-\bar F(x)^2\sim2\bar F(x)$ なので、1 の条件は冒頭の「和の裾と最大の裾が漸近する」ことと同じである。この定義は Chistyakov が 1964 年に導入した(Chi64)。定義と、劣指数的なら長い裾をもつことの確かめは FKZ09 §4 冒頭の式 (13)(arXiv 版 p. 8)にある。
使ってよい条件は次のとおりである。

  • (i) 値は $0$ 以上(実数全体の上の分布に広げる流儀もあるが、この記事では扱わない)。
  • (ii) 和をとる変数は独立で同じ分布に従う。ランダムな個数の和では、個数は変数たちと独立で、その分布の裾は指数的に軽い(thm-sub-random)。
  • (iii) 主張はすべて $x\to\infty$ の漸近で、有限の $x$ での近似の精度は分布によって大きく違う。

公式の表

主張式使える条件根拠
長い裾$\bar F(x-a)\sim\bar F(x)$($a>0$)$F\in\mathcal S$prop-sub-long
指数的な積率がない$E[e^{\varepsilon X}]=\infty$、$e^{\varepsilon x}\bar F(x)\to\infty$$F\in\mathcal S$、$\varepsilon>0$prop-sub-long
$n$ 個の和$P(S_n>x)\sim n\bar F(x)\sim P(\max_{i\le n}X_i>x)$$F\in\mathcal S$thm-sub-n
Kesten の評価$\bar F^{*n}(x)\le K(1+\varepsilon)^n\bar F(x)$(すべての $n,x$)$F\in\mathcal S$、$\varepsilon>0$thm-sub-kesten
ランダムな個数の和$P(S_N>x)\sim E[N]\,\bar F(x)$$F\in\mathcal S$、$N$ は独立、$E[(1+\varepsilon)^N]< \infty$thm-sub-random
例Weibull($\bar F=e^{-x^\beta}$、$0< \beta< 1$)prop-sub-weibull
例裾が正則変動する分布、Pareto分布正則変動関数 の命題「独立な 2 つの和の裾」

長い裾と畳み込みの式

畳み込みの裾の 2 つの式

$x\ge0$ と $n\ge1$ について

  1. $\displaystyle\bar F^{*(n+1)}(x)=\bar F(x)+\int_{[0,x]}\bar F^{*n}(x-y)\,F(dy)$ である。
  2. $\displaystyle\bar F^{*2}(x)=2\int_{[0,x/2]}\bar F(x-y)\,F(dy)+\bar F(x/2)^2$ である。

1. $S_{n+1}=S_n+X_{n+1}$ で、$X_{n+1}>x$ なら $S_{n+1}>x$ である($S_n\ge0$)。よって $P(S_{n+1}>x)=P(X_{n+1}>x)+P(X_{n+1}\le x,\ S_n>x-X_{n+1})$ で、$S_n$ と $X_{n+1}$ は独立なので、Fubiniの定理 により $X_{n+1}$ の値 $y$ を固定して積分すると第 2 項が積分になる。
2. $A:=\{S_2>x,\ X_1\le x/2\}$、$B:=\{S_2>x,\ X_2\le x/2\}$、$C:=\{X_1>x/2,\ X_2>x/2\}$ とおく。$X_1,X_2\le x/2$ なら $S_2\le x$ なので $A\cap B=\emptyset$ で、$C\subset\{S_2>x\}$ は $A,B$ と交わらず、$\{S_2>x\}=A\cup B\cup C$ である。$P(A)=P(B)=\int_{[0,x/2]}\bar F(x-y)\,F(dy)$(1 と同じ計算)、$P(C)=\bar F(x/2)^2$ である。$\square$

劣指数分布は長い裾をもち、指数的な積率をもたない

$F\in\mathcal S$ とする。

  1. $F$ は長い裾をもつ。さらに $a>0$ について、$\bar F(x-y)/\bar F(x)\to1$ は $y\in[0,a]$ について一様である。
  2. すべての $\varepsilon>0$ で $e^{\varepsilon x}\bar F(x)\to\infty$($x\to\infty$)で、$E[e^{\varepsilon X}]=\infty$ である。

1. $a>0$、$x\ge a$ とする。lem-sub-conv の 1($n=1$)の積分を $[0,a]$ と $(a,x]$ に分ける。$y\in[0,a]$ では $\bar F(x-y)\ge\bar F(x)$、$y\in(a,x]$ では $x-y< x-a$ なので $\bar F(x-y)\ge\bar F(x-a)$ である。よって
$$ \frac{\bar F^{*2}(x)}{\bar F(x)}-1\ge F(a)+\bigl(F(x)-F(a)\bigr)\frac{\bar F(x-a)}{\bar F(x)} $$
である。$\bar F(a)>0$ なので $F(a)< 1$ で、$x$ が大きければ $F(x)-F(a)>0$ である。
$$ 1\le\frac{\bar F(x-a)}{\bar F(x)}\le\frac{\bar F^{*2}(x)/\bar F(x)-1-F(a)}{F(x)-F(a)}\to\frac{2-1-F(a)}{1-F(a)}=1 $$
である。$y\in[0,a]$ では $1\le\bar F(x-y)/\bar F(x)\le\bar F(x-a)/\bar F(x)$ なので、一様に $1$ に近づく。
2. 1 から、$x_0$ を大きくとると $x\ge x_0$ で $\bar F(x+1)\ge e^{-\varepsilon/2}\bar F(x)$ である。整数 $m\ge0$ と $x\in[x_0+m,x_0+m+1)$ について、$\bar F$ は非増加なので $\bar F(x)\ge\bar F(x_0+m+1)\ge e^{-\varepsilon(m+1)/2}\bar F(x_0)$ で、$e^{\varepsilon x}\bar F(x)\ge e^{\varepsilon(x_0+m)}e^{-\varepsilon(m+1)/2}\bar F(x_0)\to\infty$($m\to\infty$)である。$E[e^{\varepsilon X}]\ge e^{\varepsilon x}P(X>x)$ なので $E[e^{\varepsilon X}]=\infty$ である。$\square$

2 から、積率母関数が $0$ の右で有限になる分布(指数分布、ガンマ分布、正規分布の絶対値など)は劣指数的でない。指数分布 では実際 $\bar F^{*2}(x)=(1+x)e^{-x}$ で、比 $1+x$ は $\infty$ に向かう(正則変動関数 の反例の表の 4 行目)。裾の軽い分布では、和が大きくなるのは両方がほどほどに大きいときである。

主定理 1:$n$ 個の和と最大

和の裾と最大の裾

$F\in\mathcal S$ なら、すべての $n\ge1$ で
$$ \lim_{x\to\infty}\frac{\bar F^{*n}(x)}{\bar F(x)}=n,\qquad\lim_{x\to\infty}\frac{P(S_n>x)}{P(\max_{i\le n}X_i>x)}=1 $$
である。

$n$ についての帰納法

$n=1$ は明らかで、$n=2$ は定義である。$n\ge2$ で前半が成り立つとし、$n+1$ を示す。lem-sub-conv の 1 から
$$ \frac{\bar F^{*(n+1)}(x)}{\bar F(x)}-1=\int_{[0,x]}\frac{\bar F^{*n}(x-y)}{\bar F(x-y)}\cdot\frac{\bar F(x-y)}{\bar F(x)}\,F(dy) $$
である。$\eta>0$ とし、$u\ge t_0$ で $\lvert\bar F^{*n}(u)/\bar F(u)-n\rvert\le\eta$ となる $t_0>0$ をとる。積分を $y\in[0,x-t_0]$ と $y\in(x-t_0,x]$ に分ける($x>t_0$)。

  • 後者の範囲では $\bar F^{*n}\le1$ なので、その部分は $\frac{F(x)-F(x-t_0)}{\bar F(x)}=\frac{\bar F(x-t_0)}{\bar F(x)}-1$ 以下で、prop-sub-long の 1 から $0$ に近づく。
  • 前者の範囲では $x-y\ge t_0$ なので、第 1 の因子は $[n-\eta,n+\eta]$ にある。残りの $J(x):=\int_{[0,x-t_0]}\frac{\bar F(x-y)}{\bar F(x)}F(dy)$ は、$n=1$ の式 $\int_{[0,x]}\frac{\bar F(x-y)}{\bar F(x)}F(dy)=\frac{\bar F^{*2}(x)}{\bar F(x)}-1\to1$ から、同じ範囲 $(x-t_0,x]$ の分(上と同じく $0$ に近づく)を引いたものなので、$J(x)\to1$ である。
    よって $\limsup$ と $\liminf$ は $1+n\pm\eta$ の間にあり、$\eta\downarrow0$ として $\bar F^{*(n+1)}(x)/\bar F(x)\to n+1$ である。
    後半:$P(\max_{i\le n}X_i>x)=1-F(x)^n$ で、$1-(1-s)^n=ns(1+O(s))$($s\to0$)と $\bar F(x)\to0$ から $1-F(x)^n\sim n\bar F(x)$ である。前半と合わせて結論を得る。$\square$

$P(S_n>x)\sim P(\max_{i\le n}X_i>x)$ は「1 つの大きな跳び」の原理と呼ばれる。和が大きいという事象は、確率の比で見ると「どれか 1 つの値が $x$ を超える」という事象とほとんど変わらない。$\{\max_{i\le n}X_i>x\}\subset\{S_n>x\}$ なので、差の事象「和は $x$ を超えるが、どの値も $x$ を超えない」の確率は $o(\bar F(x))$ である。

主定理 2:Kesten の評価

thm-sub-n は各 $n$ について $x\to\infty$ の主張で、$n$ について一様ではない。ランダムな個数の和を扱うには、$n$ についての一様な上界が要る。

Kesten の評価

$F\in\mathcal S$ とする。すべての $\varepsilon>0$ について定数 $K=K(F,\varepsilon)$ があって、すべての $n\ge1$ と $x\ge0$ で
$$ \bar F^{*n}(x)\le K(1+\varepsilon)^n\,\bar F(x) $$
である。

比の上限の漸化式

$\alpha_n:=\sup_{x\ge0}\bar F^{*n}(x)/\bar F(x)$ とおく($\alpha_1=1$)。定義から $x\ge T$ で $\bar F^{*2}(x)\le(2+\varepsilon)\bar F(x)$ となる $T>0$ をとり、$A:=1/\bar F(T)\ge1$ とおく。$\alpha_n< \infty$ とし、$x\ge0$ について 2 つに分ける。

  • $x< T$:$\bar F^{*(n+1)}(x)\le1\le A\bar F(x)$ である($\bar F(x)\ge\bar F(T)$)。
  • $x\ge T$:lem-sub-conv の 1 で $\bar F^{*n}(x-y)\le\alpha_n\bar F(x-y)$ を使い、もう一度 $n=1$ の式を使うと
    $$ \bar F^{*(n+1)}(x)\le\bar F(x)+\alpha_n\int_{[0,x]}\bar F(x-y)\,F(dy)=\bar F(x)+\alpha_n\bigl(\bar F^{*2}(x)-\bar F(x)\bigr)\le\bigl(1+\alpha_n(1+\varepsilon)\bigr)\bar F(x) $$
    である。
    よって $\alpha_{n+1}\le\max\{A,1+(1+\varepsilon)\alpha_n\}\le A+(1+\varepsilon)\alpha_n$ である。$\alpha_1=1\le A$ から、帰納法で $\alpha_n\le A\sum_{k=0}^{n-1}(1+\varepsilon)^k\le\frac A\varepsilon(1+\varepsilon)^n$ である。$K:=A/\varepsilon$ とすればよい。$\square$

この評価は Kesten の名で呼ばれ、DFK10 §1(arXiv 版 p. 2)は、これをランダムな個数の和の漸近(thm-sub-random)の証明の要と述べている。同論文は、劣指数分布のある部分族について、比 $\bar F^{*n}(x)/\bar F(x)$ のより細かい一様な上界を与えている。

主定理 3:ランダムな個数の和

ランダムな個数の和の裾

$F\in\mathcal S$ とし、$N$ を $0$ 以上の整数値の確率変数で、$(X_i)$ と独立なものとする。ある $\varepsilon>0$ で $E[(1+\varepsilon)^N]< \infty$ なら、$S_N:=\sum_{i=1}^NX_i$($N=0$ では $0$)について
$$ \lim_{x\to\infty}\frac{P(S_N>x)}{\bar F(x)}=E[N] $$
である。

項ごとの極限と優収束

$x\ge0$ では $S_0=0$ は $x$ を超えないので、独立性から
$$ \frac{P(S_N>x)}{\bar F(x)}=\sum_{n\ge1}P(N=n)\frac{\bar F^{*n}(x)}{\bar F(x)} $$
である。各項は thm-sub-n により $nP(N=n)$ に近づき、thm-sub-kesten によりすべての $x\ge0$ で $KP(N=n)(1+\varepsilon)^n$ 以下である。$\sum_nP(N=n)(1+\varepsilon)^n=E[(1+\varepsilon)^N]< \infty$ なので、和についての 優収束定理 から、極限は $\sum_nnP(N=n)=E[N]$ である($E[N]\le E[(1+\varepsilon)^N]/\log(1+\varepsilon)< \infty$)。$\square$

$N$ が Poisson分布 $\mathrm{Po}(\lambda)$ に従う複合 Poisson の和(一定期間の請求額の合計)では $P(S_N>x)\sim\lambda\bar F(x)$、$N$ が $P(N=n)=(1-\rho)\rho^n$($0< \rho< 1$)の幾何分布なら $P(S_N>x)\sim\frac\rho{1-\rho}\bar F(x)$ である。合計の裾は、個数の平均だけを通して請求額 1 件の裾で決まる。この漸近は DFK10 §1(arXiv 版 p. 2)の式 (2) の形で、$N$ の裾が軽いときの劣指数分布の理論の基本の結果として述べられている。

破産確率

Cramér–Lundberg の模型(保険数学)で、請求が率 $\lambda$ の Poisson 過程で到着し、請求額の平均を $m$、保険料の入る率を $c$ とし、$\rho:=\lambda m/c< 1$ とする。破産確率 $\psi(u)$(初期資本 $u$)は、積分した裾 $\bar F_I(x):=\frac1m\int_x^\infty\bar F(s)\,ds$ をもつ分布 $F_I$ に従う変数の幾何分布の個数の和の裾として表される(Pollaczek–Khinchine の公式)。$F_I\in\mathcal S$ なら、thm-sub-random から $\psi(u)\sim\frac\rho{1-\rho}\bar F_I(u)$ が従う。この漸近は Embrechts と Veraverbeke が 1982 年に示した(EV82)。この記事では Pollaczek–Khinchine の公式を証明しない。

例

Weibull 分布は劣指数的

$0< \beta< 1$ とし、$\bar F(x)=e^{-x^\beta}$($x\ge0$)とする。$F\in\mathcal S$ である。

2 つに分けた式と優収束

lem-sub-conv の 2 から
$$ \frac{\bar F^{*2}(x)}{\bar F(x)}=2\int_{[0,x/2]}e^{x^\beta-(x-y)^\beta}\,F(dy)+\frac{\bar F(x/2)^2}{\bar F(x)} $$
である。第 2 項は $\exp\bigl(x^\beta(1-2^{1-\beta})\bigr)$ で、$2^{1-\beta}>1$ なので $0$ に近づく。
第 1 項の被積分関数を抑える。$0\le y\le x/2$ では平均値の定理から、$\xi\in[x-y,x]\subset[x/2,x]$ があって $x^\beta-(x-y)^\beta=\beta\xi^{\beta-1}y\le\beta(x/2)^{\beta-1}y$ である($\beta-1< 0$)。さらに $x\ge2y$ から $x^{\beta-1}\le(2y)^{\beta-1}$ なので
$$ x^\beta-(x-y)^\beta\le\beta2^{1-\beta}(2y)^{\beta-1}y=\beta y^\beta $$
である。$F(dy)=\beta y^{\beta-1}e^{-y^\beta}dy$ で、$u=y^\beta$ と置換すると $\int_0^\infty e^{\beta y^\beta}F(dy)=\int_0^\infty e^{-(1-\beta)u}\,du=\frac1{1-\beta}< \infty$ である。$y$ を固定すると $x^\beta-(x-y)^\beta\le\beta(x/2)^{\beta-1}y\to0$ なので、被積分関数($y\le x/2$ の指示関数を掛けたもの)は $1$ に近づく。優収束定理 から第 1 項は $2$ に近づく。$\square$

形状母数 $\beta\ge1$ の Weibull 分布は、積率母関数が $0$ の右で有限なので、prop-sub-long の 2 から劣指数的でない($\beta=1$ が指数分布)。裾が正則変動する分布($\bar F(x)=x^{-\alpha}L(x)$、$\alpha>0$、$L$ は緩やかに変動)は劣指数的である(正則変動関数 の命題「独立な 2 つの和の裾」)。DFK10 §1(arXiv 版 p. 2)は、Pareto 分布・対数正規分布・形状母数 $(0,1)$ の Weibull 分布を、平均が有限な劣指数分布のある部分族の古典的な例として挙げ、その部分族が劣指数分布に含まれることを Klüppelberg の結果として述べている。
裾が同じ速さで減る分布の間では、劣指数性が受け継がれる。$F\in\mathcal S$ で、$[0,\infty)$ 上の分布 $G$ が $\bar G(x)/\bar F(x)\to c>0$ を満たすなら $G\in\mathcal S$ である(FKZ09 Corollary 19(arXiv 版 p. 10)の前半で $n=2$、$G_1=G_2=G$ とすると $\bar G^{*2}(x)/\bar F(x)\to2c$ となることから)。たとえば $\bar F(x)\sim Cx^{-\alpha}$($C>0$、$\alpha>0$)の $[0,\infty)$ 上の分布は、Pareto 分布を $F$ にとって、すべて劣指数的である。
次の表は、$x$ を大きくしたときの $\bar F^{*2}(x)/\bar F(x)$ の値である(数値積分)。Weibull 分布の収束は遅い。

分布$x=10$$x=100$$x=1000$極限
Lomax $\bar F(x)=(1+x)^{-1}$$2.200$$2.070$$2.012$$2$
Weibull $\bar F(x)=e^{-\sqrt x}$$2.387$$2.306$$2.071$$2$
指数分布 $\bar F(x)=e^{-x}$$11$$101$$1001$$\infty$

Lomax の行は部分分数で閉じた形に書ける値、指数分布の行は $1+x$ である。

使える条件と反例

thm-sub-random の仮定を 1 つずつ外す。

外す仮定例成り立たなくなる結論
$F\in\mathcal S$$X_i\sim\mathrm{Exp}(1)$、$P(N=n)=(1-q)q^{n-1}$($n\ge1$、$0< q< 1$)$P(S_N>x)/\bar F(x)\to E[N]$
$E[(1+\varepsilon)^N]< \infty$$\bar F(x)=x^{-3}$($x\ge1$)、$P(N\ge n)=n^{-2}$($n\ge1$)、$N$ は独立同上($E[N]=\pi^2/6$ は有限)
$N$ と $(X_i)$ の独立性$\bar F(x)=x^{-3}$($x\ge1$)、$N:=1$($X_2>2$ のとき)、$N:=2$(それ以外)同上($E[N]=2-\frac18$)
表の確かめ

1 行目:$\mathrm{Exp}(1)$ の $n$ 個の和はガンマ分布 $\mathrm{Gamma}(n,1)$ に従い、幾何分布の個数の和 $S_N$ は $\mathrm{Exp}(1-q)$ に従う(特性関数 $\sum_n(1-q)q^{n-1}(1-it)^{-n}=\frac{1-q}{1-q-it}$ から)。よって $P(S_N>x)/\bar F(x)=e^{qx}\to\infty$ で、$E[N]=\frac1{1-q}$ に近づかない。$\mathrm{Exp}(1)$ が $\mathcal S$ に入らないことは prop-sub-long の 2 による。
2 行目:$X_i\ge1$ なので $S_N\ge N$ で、$P(S_N>x)\ge P(N>x)=P(N\ge\lfloor x\rfloor+1)=(\lfloor x\rfloor+1)^{-2}\ge(x+1)^{-2}$ である。$\bar F(x)=x^{-3}$ との比は $x^3/(x+1)^2\to\infty$ である。$E[N]=\sum_{n\ge1}P(N\ge n)=\pi^2/6$ だが、$P(N\ge n)$ は冪でしか減らないので、どの $\varepsilon>0$ でも $E[(1+\varepsilon)^N]=\infty$ である。$\bar F$ は正則変動するので $F\in\mathcal S$ である。
3 行目:$N$ は有界で、$N$ だけを見れば仮定の積率の条件を満たす。$P(N=1)=\bar F(2)=\frac18$ なので $E[N]=\frac18+2\cdot\frac78=2-\frac18$ である。一方、$X_1$ と $X_2$ は独立なので
$$ P(S_N>x)=P(X_1>x)P(X_2>2)+P(X_1+X_2>x,\ X_2\le2)=\tfrac18\bar F(x)+\int_{[1,2]}\bar F(x-y)\,F(dy) $$
で、prop-sub-long の 1 の一様性から第 2 項は $F([1,2])\bar F(x)(1+o(1))=\frac78\bar F(x)(1+o(1))$ である。比は $1$ に近づき、$E[N]=\frac{15}8$ と違う($x=5000$ で比は約 $1.0007$)。

よくある誤り

誤り正しくはなぜ
高次元確率の sub-exponential(裾が指数以下)と同じものとみる劣指数分布は裾が指数より重いprop-sub-long の 2。名前が似ているだけで向きが逆
平均と分散が有限なら和の裾は正規分布で近似できる$x$ が大きい範囲では $n\bar F(x)$中心極限定理は $x-nE[X]$ が $\sqrt n$ の程度の範囲の主張で、裾の漸近(thm-sub-n)とは別
個数がランダムでも $P(S_N>x)\sim E[N]\bar F(x)$ はいつも使える個数の裾が軽く、独立なときに限る反例の表の 2・3 行目
積率がすべて有限なら劣指数的でない$\bar F(x)=e^{-\sqrt x}$ はすべての積率が有限で劣指数的prop-sub-weibull。妨げになるのは指数的な積率(prop-sub-long の 2)

関連項目

参考文献

[1]
Sergey Foss, Dmitry Korshunov, Stan Zachary, Convolutions of long-tailed and subexponential distributions, Journal of Applied Probability 46 (2009), no. 3, pp. 756–767, 2009, §4 冒頭の式 (13)(p. 8)、Corollary 19(p. 10)。arXiv 版 v2(arXiv:0810.1994)
[2]
Denis Denisov, Sergey Foss, Dmitry Korshunov, Asymptotics of randomly stopped sums in the presence of heavy tails, Bernoulli 16 (2010), no. 4, pp. 971–994, 2010, §1(pp. 1–2)。arXiv 版 v3(arXiv:0808.3697)
[3]
V. P. Chistyakov, A theorem on sums of independent positive random variables and its applications to branching random processes, Theory of Probability and Its Applications 9 (1964), no. 4, pp. 640–648, 1964
[4]
Paul Embrechts, Noël Veraverbeke, Estimates for the probability of ruin with special emphasis on the possibility of large claims, Insurance: Mathematics and Economics 1 (1982), no. 1, pp. 55–72, 1982

Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する