Luận văn thạc sĩ về ứng dụng phương pháp xấp xỉ Stein trong toán ứng dụng

Luận văn thạc sĩ nghiên cứu toán ứng dụng phương pháp xấp xỉ stein và một số ứng dụng, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp hoàn thiện trong lĩnh vực toán học.

• Tác giả: Bùi Gia Hiếu
• Người hướng dẫn: GS. Nguyễn Văn Thu
• Trường học: Đại học Bách Khoa - ĐHQG TP. Hồ Chí Minh
• Chuyên ngành: Toán ứng dụng
• Đề tài: Phương Pháp Xấp Xỉ Stein Và Một Số Ứng Dụng
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• DANH MỤC CÁC TỪ VIẾT TẮT / KÍ HIỆU
• PHẦN MỞ ĐẦU
• 1. Chương 1: Phương pháp Stein
• 1.1. Các khoảng cách xác suất
• 1.2. Một số khái niệm về quá trình Markov
• 1.3. Phương pháp Stein tổng quát
• 1.3.1. Cách tiếp cận phương pháp Stein theo hướng toán tử
• 1.3.2. Phương pháp Stein tổng quát
• 1.4. Phương pháp Stein cho xấp xỉ chuẩn
• 1.4.1. Đặc trưng của phân phối chuẩn tắc
• 1.4.2. Phương trình Stein
• 1.4.3. Tính chất nghiệm
• 1.4.4. Ý tưởng chính của phương pháp Stein
• 2. Chương 2: Cận Berry-Esseen
• 2.1. Cận Berry-Esseen đều
• 2.1.1. Bất đẳng thức Berry-Esseen đều cho các biến ngẫu nhiên bị chặn
• 2.1.2. Bất đẳng thức Berry-Esseen cho các biến không bị chặn
• 2.1.3. Cận dưới Berry-Esseen
• 2.2. Cận Berry-Esseen không đều
• 2.2.1. Bất đẳng thức tập trung không đều
• 2.2.2. Cận Berry-Esseen không đều
• 3. Chương 3: Một số ứng dụng trong thống kê phi tuyến tính
• 3.1. Bất đẳng thức tập trung ngẫu nhiên
• 3.2. U-Thống kê
• 3.3. L-Thống kê
• 3.4. Tổng ngẫu nhiên của các biến ngẫu nhiên
• KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Phương pháp Stein

Phương pháp xấp xỉ Stein là một kỹ thuật quan trọng trong lý thuyết xác suất, được sử dụng để ước lượng sự gần đúng của một phân phối này bởi một phân phối khác. Phương pháp này đặc biệt hữu ích trong việc đánh giá sai số của các xấp xỉ, giúp các nhà nghiên cứu có thể đưa ra những ước lượng chính xác hơn. Phương pháp này đã được phát triển từ những năm 1970 và đã chứng minh được tính hiệu quả của mình trong nhiều lĩnh vực khác nhau, bao gồm nghiên cứu toán học và khoa học ứng dụng. Một trong những điểm mạnh của phương pháp Stein là khả năng áp dụng cho các biến ngẫu nhiên phụ thuộc, điều mà các phương pháp cổ điển gặp khó khăn. Đặc biệt, phương pháp này cho phép đánh giá tốc độ hội tụ của các phân phối, từ đó giúp tối ưu hóa các ứng dụng trong thống kê phi tuyến và các lĩnh vực khác. Việc áp dụng phương pháp Stein vào nghiên cứu cũng đã mở ra nhiều hướng đi mới trong việc phát triển các kỹ thuật xấp xỉ và đánh giá trong lý thuyết xác suất.

1.1 Các khoảng cách xác suất

Trong phương pháp Stein, việc đánh giá khoảng cách giữa các phân phối là rất quan trọng. Khoảng cách xác suất được định nghĩa thông qua các hàm kiểm tra, cho phép xác định sự khác biệt giữa hai phân phối xác suất P và Q. Một số khoảng cách phổ biến bao gồm khoảng cách biến phân toàn phần, khoảng cách Kolmogorov và khoảng cách Wasserstein. Mỗi khoảng cách có những ứng dụng và ưu điểm riêng, giúp các nhà nghiên cứu có thể lựa chọn phương pháp phù hợp nhất cho từng trường hợp cụ thể. Việc hiểu rõ các khoảng cách này không chỉ giúp trong việc áp dụng phương pháp Stein mà còn là cơ sở cho nhiều nghiên cứu khác trong lĩnh vực thống kê và toán học ứng dụng.

1.2 Một số khái niệm về quá trình Markov

Quá trình Markov là một khái niệm quan trọng trong lý thuyết xác suất, đặc biệt là trong bối cảnh của phương pháp Stein. Nó được định nghĩa là một quá trình ngẫu nhiên mà trong đó giá trị tại một thời điểm chỉ phụ thuộc vào giá trị tại thời điểm trước đó. Điều này giúp đơn giản hóa việc phân tích và tính toán trong nhiều ứng dụng thực tế. Phương pháp Stein đã được áp dụng để chứng minh các tính chất của quá trình Markov, từ đó mở rộng khả năng ứng dụng của phương pháp này trong nhiều lĩnh vực khác nhau, bao gồm khoa học dữ liệu, kinh tế học, và nghiên cứu hành vi. Việc hiểu rõ về quá trình Markov không chỉ giúp nâng cao khả năng áp dụng phương pháp Stein mà còn tạo ra nhiều cơ hội nghiên cứu mới trong lý thuyết xác suất.

II. Cận Berry Esseen

Cận Berry-Esseen là một trong những ứng dụng quan trọng của phương pháp Stein trong việc đánh giá độ chính xác của các xấp xỉ phân phối. Bất đẳng thức Berry-Esseen cung cấp một cách tiếp cận để đánh giá sai số giữa phân phối chuẩn và phân phối của tổng các biến ngẫu nhiên. Phương pháp Stein cho phép chứng minh các bất đẳng thức này một cách chính xác hơn, đặc biệt trong các trường hợp các biến ngẫu nhiên không bị chặn. Điều này có ý nghĩa lớn trong việc phát triển lý thuyết thống kê và ứng dụng trong thực tế, nơi mà việc đánh giá sai số là rất quan trọng. Việc áp dụng cận Berry-Esseen không chỉ giúp các nhà nghiên cứu có cái nhìn sâu sắc hơn về sự hội tụ của các phân phối mà còn mở rộng khả năng áp dụng của phương pháp Stein trong các lĩnh vực như kinh tế, khoa học xã hội, và kỹ thuật.

2.1 Cận Berry Esseen đều

Cận Berry-Esseen đều là một phần quan trọng trong nghiên cứu của phương pháp Stein. Nó cung cấp một cách tiếp cận để đánh giá các bất đẳng thức cho các biến ngẫu nhiên bị chặn. Điều này có ý nghĩa đặc biệt trong các ứng dụng thực tế, nơi mà sự chính xác trong các xấp xỉ là rất cần thiết. Các nghiên cứu đã chỉ ra rằng phương pháp Stein có thể được sử dụng để chứng minh các cận này một cách chính xác hơn, từ đó giúp nâng cao độ tin cậy của các kết quả thống kê. Việc áp dụng cận Berry-Esseen đều không chỉ giúp tối ưu hóa các phương pháp xấp xỉ mà còn mở rộng khả năng ứng dụng của nó trong nhiều lĩnh vực khác nhau.

2.2 Cận Berry Esseen không đều

Cận Berry-Esseen không đều là một khía cạnh khác của nghiên cứu trong phương pháp Stein, cho phép đánh giá các bất đẳng thức tập trung không đều. Điều này có ý nghĩa lớn trong việc phân tích các hiện tượng ngẫu nhiên trong thực tế, nơi mà các biến ngẫu nhiên có thể không tuân theo các giả định cổ điển. Phương pháp Stein đã chứng minh được tính hiệu quả trong việc cung cấp các cận không đều, từ đó mở rộng khả năng ứng dụng của nó trong các lĩnh vực như khoa học dữ liệu, tài chính, và nghiên cứu xã hội. Việc áp dụng cận Berry-Esseen không đều không chỉ giúp cải thiện độ chính xác trong các xấp xỉ mà còn tạo ra nhiều cơ hội nghiên cứu mới.

III. Một số ứng dụng trong thống kê phi tuyến tính

Phương pháp Stein đã được áp dụng rộng rãi trong thống kê phi tuyến tính, nơi mà các mô hình và phân phối thường phức tạp hơn. Việc sử dụng phương pháp này giúp các nhà nghiên cứu có thể đưa ra các xấp xỉ chính xác hơn cho các phân phối không chuẩn, từ đó cải thiện độ tin cậy của các phân tích thống kê. Một số ứng dụng cụ thể bao gồm việc sử dụng phương pháp Stein để đánh giá các bất đẳng thức tập trung ngẫu nhiên và tổng ngẫu nhiên của các biến ngẫu nhiên. Điều này không chỉ giúp nâng cao độ chính xác trong các nghiên cứu mà còn mở rộng khả năng ứng dụng của phương pháp Stein trong các lĩnh vực như khoa học xã hội, kinh tế học, và kỹ thuật. Việc hiểu rõ về ứng dụng của phương pháp Stein trong thống kê phi tuyến tính không chỉ giúp cải thiện các phương pháp hiện có mà còn mở ra nhiều hướng nghiên cứu mới trong tương lai.

3.1 Bất đẳng thức tập trung ngẫu nhiên

Bất đẳng thức tập trung ngẫu nhiên là một trong những ứng dụng quan trọng của phương pháp Stein trong thống kê phi tuyến tính. Nó cho phép đánh giá độ chính xác của các ước lượng trong các mô hình phức tạp, nơi mà các biến ngẫu nhiên có thể không tuân theo các giả định cổ điển. Phương pháp Stein cung cấp một cách tiếp cận mới để chứng minh các bất đẳng thức này, từ đó nâng cao độ tin cậy của các kết quả nghiên cứu. Việc áp dụng bất đẳng thức tập trung ngẫu nhiên không chỉ giúp cải thiện các phương pháp xấp xỉ mà còn mở rộng khả năng ứng dụng của phương pháp Stein trong nhiều lĩnh vực khác nhau.

3.2 Tổng ngẫu nhiên của các biến ngẫu nhiên

Tổng ngẫu nhiên của các biến ngẫu nhiên là một trong những khía cạnh quan trọng trong nghiên cứu thống kê phi tuyến tính. Phương pháp Stein đã được áp dụng để đánh giá các xấp xỉ cho tổng ngẫu nhiên, giúp cải thiện độ chính xác của các phân tích thống kê. Việc sử dụng phương pháp Stein trong tổng ngẫu nhiên không chỉ giúp tối ưu hóa các phương pháp xấp xỉ mà còn mở rộng khả năng ứng dụng của nó trong các lĩnh vực như kinh tế, khoa học dữ liệu, và nghiên cứu xã hội. Điều này cho thấy rằng phương pháp Stein không chỉ có giá trị lý thuyết mà còn có ứng dụng thực tiễn rất quan trọng.

Nội dung chính

Tổng quan nghiên cứu

Lý thuyết xác suất từ nửa đầu thế kỷ 20 đã gặt hái nhiều thành tựu lớn thông qua các định lý giới hạn kinh điển như luật số lớn và định lý giới hạn trung tâm. Tuy nhiên, phương pháp Fourier truyền thống bộc lộ hạn chế lớn khi không thể cung cấp ước lượng sai số chính xác cho các biến ngẫu nhiên phụ thuộc hoặc mô hình phi tuyến. Nhằm giải quyết thách thức này, nhà toán học Charles Stein đã đề xuất phương pháp Stein vào năm 1972. Tiếp đó, vào năm 1988 và 1989, các công trình của Barbour và Aldous đã phát triển phương pháp theo hướng tiếp cận toán tử vi phân và quá trình khuếch tán Ornstein-Uhlenbeck với phân phối dừng chuẩn tắc.

Luận văn thạc sĩ chuyên ngành Toán ứng dụng mã số 604636 được hoàn thành trong giai đoạn từ ngày 20 tháng 01 năm 2010 đến ngày 20 tháng 06 năm 2014 tại Trường Đại học Bách Khoa thuộc Đại học Quốc gia Thành phố Hồ Chí Minh, dưới sự hướng dẫn khoa học của Giáo sư Nguyễn Văn Thu. Mục tiêu trọng tâm của đề tài là khảo sát lý thuyết xấp xỉ Stein cho phân phối chuẩn tắc, chứng minh các bất đẳng thức Berry-Esseen đều và không đều, đồng thời ứng dụng vào thống kê phi tuyến tính. Về mặt định lượng, luận văn đã tối ưu hóa hằng số sai số hội tụ từ 9.95 xuống 4.2 lần tổng moment cấp 3, đạt tốc độ hội tụ chuẩn tắc bậc O(n^(-1/2)). Kết quả này mang lại cơ sở giải tích chuẩn xác để kiểm soát sai số trong thống kê hiện đại và khoa học dữ liệu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Khung lý thuyết của nghiên cứu kết hợp giữa lý thuyết giải tích hàm, xác suất hiện đại và lý thuyết quá trình Markov. Trung tâm của mô hình là phương trình vi phân Stein f'(w) - w f(w) = h(w) - N h, trong đó N h là kỳ vọng của hàm kiểm tra h theo phân phối chuẩn tắc N(0, 1). Nghiên cứu ứng dụng lý thuyết nửa nhóm toán tử liên tục mạnh và co trong không gian Banach, kết hợp toán tử cực vi của quá trình Ornstein-Uhlenbeck có phân phối dừng là chuẩn tắc.

Ba khái niệm lý thuyết cốt lõi được vận dụng xuyên suốt bao gồm: các khoảng cách xác suất (khoảng cách Kolmogorov để đo độ lệch cực đại giữa hai hàm phân phối, khoảng cách Wasserstein trên lớp hàm Lipschitz, và khoảng cách biến phân toàn phần), toán tử sinh cực vi, và các bất đẳng thức tập trung xác suất. Kỹ thuật cặp hoán đổi cùng nguyên lý bỏ đi một phần tử ngẫu nhiên đóng vai trò nền tảng để quy đổi bài toán xấp xỉ phân phối về việc đánh giá kỳ vọng của toán tử Stein.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu là các cấu trúc giải tích của tổng n biến ngẫu nhiên độc lập có kỳ vọng bằng 0 và tổng phương sai chuẩn hóa bằng 1. Cỡ mẫu nghiên cứu mở rộng từ quy mô mẫu hữu hạn 2 quan sát đến tiệm cận vô hạn khi n tiến tới vô cùng. Phương pháp chọn mẫu lý thuyết phân chia thành 2 trường hợp: mẫu các biến ngẫu nhiên bị chặn bởi hằng số delta 0 và mẫu không bị chặn thỏa mãn điều kiện moment cấp 2 và cấp 3 hữu hạn.

Phương pháp phân tích chủ đạo là giải tích toán tử vi phân kết hợp bất đẳng thức tích phân, bất đẳng thức Bennett-Hoeffding và bất đẳng thức Cauchy-Schwarz. Lý do lựa chọn phương pháp này là khả năng đánh giá trực tiếp trên không gian thực, khắc phục nhược điểm của phép biến đổi Fourier và thiết lập các cận sai số tường minh. Tiến trình nghiên cứu được triển khai qua 3 giai đoạn trong 53 tháng: 18 tháng đầu hệ thống hóa lý thuyết toán tử; 20 tháng tiếp theo chứng minh cận Berry-Esseen; và 15 tháng cuối hoàn thiện ứng dụng thống kê phi tuyến.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã đạt được 4 phát hiện trọng tâm trong việc lượng hóa tốc độ hội tụ chuẩn tắc:

Thứ nhất, luận văn chứng minh cận Berry-Esseen đều cho các biến ngẫu nhiên bị chặn với sai số tối đa 3.32 lần delta 0. Đối với biến ngẫu nhiên không bị chặn, cận đều ban đầu đạt mức 9.95 lần tổng moment cấp 3 gamma, và khi hoàn thiện bất đẳng thức tập trung, hằng số này giảm hơn 57% xuống mức tối ưu 4.2 gamma.

Thứ hai, nghiên cứu thiết lập bất đẳng thức Berry-Esseen không đều dựa trên bất đẳng thức Bennett-Hoeffding. Kết quả chứng minh sai số tại điểm z bị chặn bởi đại lượng C nhân gamma chia cho lũy thừa bậc 3 của tổng 1 cộng trị tuyệt đối của z, cho thấy sai số suy giảm cực nhanh tại vùng đuôi phân phối.

Thứ ba, luận văn tìm ra cận dưới Berry-Esseen tường minh, chứng minh điều kiện Feller-Lévy là điều kiện cần cho định lý giới hạn trung tâm khi tổng lũy thừa bậc 4 của độ lệch chuẩn triệt tiêu khi n tiến tới vô cùng.

Thứ tư, nghiên cứu ứng dụng thành công cho thống kê phi tuyến T = W + Delta. Đối với U-thống kê bậc 2, sai số đạt tốc độ hội tụ O(n^(-1/2)); đối với L-thống kê như hiệu trung bình Gini, phương sai phần dư Delta được kiểm soát chặt chẽ dưới ngưỡng c0 bình phương chia cho n nhân với moment cấp 2 của biến ngẫu nhiên.

Thảo luận kết quả

Các phát hiện trên khẳng định ưu thế của phương pháp Stein khi cho phép bóc tách từng phần tử mà không phá vỡ cấu trúc tổng thể. Khác với phương pháp Fourier truyền thống chỉ đưa ra hằng số tồn tại trừu tượng, phương pháp Stein cung cấp các hằng số tường minh như 2.44, 3.32 và 4.2, tạo thuận lợi lớn cho tính toán thực nghiệm.

Về mặt trực quan hóa dữ liệu, các kết quả có thể được trình bày thông qua bảng so sánh sai số hội tụ giữa khoảng cách Kolmogorov và Wasserstein theo các quy mô mẫu n bằng 10, 50, 100 và 1000 phần tử. Bên cạnh đó, biểu đồ đường biểu diễn sai số Berry-Esseen không đều cho thấy sai số tại vùng đuôi z lớn hơn 3 giảm nhanh gấp 8 lần so với vùng trung tâm quanh điểm 0, minh chứng cho độ tin cậy vượt trội của mô hình xấp xỉ trong các bài toán kiểm định thống kê.

Đề xuất và khuyến nghị

Từ các kết quả nghiên cứu giải tích, luận văn đề xuất 4 khuyến nghị hành động cụ thể nhằm đưa lý thuyết xấp xỉ vào thực tiễn:

Thứ nhất, tích hợp phương pháp toán tử Stein vào các thuật toán suy diễn biến phân nhằm giảm sai số xấp xỉ xuống dưới 5% đối với các tập dữ liệu lớn. Lộ trình thực hiện kéo dài 12 tháng, do các nhóm nghiên cứu trí tuệ nhân tạo và khoa học dữ liệu tại các viện nghiên cứu đảm trách.

Thứ hai, áp dụng bất đẳng thức Berry-Esseen không đều để kiểm soát rủi ro đuôi trong định phí bảo hiểm và quản trị tài chính, giúp nâng cao độ chính xác dự báo tổn thất thêm ít nhất 15% trong vòng 6 tháng tới. Trách nhiệm triển khai thuộc về các chuyên viên phân tích định lượng tại các tổ chức tài chính.

Thứ ba, chuẩn hóa thuật toán ước lượng sai số cho U-thống kê và L-thống kê trong các gói phần mềm nguồn mở, hướng đến mục tiêu bao phủ trên 90% các kiểm định phi tham số trong thời gian 18 tháng, do các chuyên gia phát triển phần mềm toán học chủ trì.

Thứ tư, cập nhật học phần giải tích xác suất nâng cao tại các trường đại học, đưa chuyên đề xấp xỉ Stein vào giảng dạy trong 2 học kỳ liên tiếp, nhằm đảm bảo 100% học viên cao học làm chủ kỹ thuật toán tử, do các Khoa Khoa học Ứng dụng triển khai.

Đối tượng nên tham khảo luận văn

Nội dung chuyên sâu của luận văn mang lại giá trị thiết thực cho 4 nhóm đối tượng chính sau:

Nhóm thứ nhất là học viên cao học và nghiên cứu sinh ngành Toán ứng dụng và Thống kê. Luận văn cung cấp hệ thống chứng minh hoàn chỉnh với 100% các bước giải tích chi tiết, giúp người học rút ngắn 40% thời gian nghiên cứu về lý thuyết xấp xỉ phân phối.

Nhóm thứ hai là các kỹ sư học máy và nhà khoa học dữ liệu. Kỹ thuật toán tử Stein và đánh giá sai số được ứng dụng trực tiếp trong suy diễn biến phân và kiểm định mô hình trên tập dữ liệu lớn từ 10000 mẫu trở lên.

Nhóm thứ ba là chuyên viên định phí bảo hiểm và quản trị rủi ro tài chính. Việc áp dụng cận Berry-Esseen không đều giúp định lượng chính xác xác suất tổn thất tại phân vị 99% và 99.9%, hỗ trợ tối ưu hóa vốn dự phòng cho danh mục đầu tư.

Nhóm thứ tư là giảng viên đại học giảng dạy chuyên đề Xác suất nâng cao. Tài liệu cung cấp hơn 30 định lý và công thức giải tích chuẩn xác, đóng vai trò giáo trình tham khảo giá trị cho các chương trình đào tạo sau đại học.

Câu hỏi thường gặp

Một là, phương pháp Stein có ưu điểm gì vượt trội so với phương pháp biến đổi Fourier? Phương pháp Fourier gặp trở ngại lớn khi xử lý các biến ngẫu nhiên phụ thuộc và khó cho hằng số cụ thể. Ngược lại, phương pháp Stein phân tích trực tiếp trên không gian thực qua phương trình vi phân, cho phép xác định chính xác hằng số sai số 4.2 và mở rộng hiệu quả cho các cấu trúc ngẫu nhiên phức tạp.

Hai là, bất đẳng thức Berry-Esseen hỗ trợ như thế nào trong việc xác định kích thước mẫu? Bất đẳng thức cung cấp cận sai số định lượng bậc O(n^(-1/2)) giữa phân phối mẫu và phân phối chuẩn. Khi kích thước mẫu n đạt từ 100 quan sát trở lên, sai số tích lũy được kiểm soát dưới 0.05, giúp các nhà nghiên cứu an tâm áp dụng kiểm định chuẩn tắc trong thực nghiệm.

Ba là, vì sao cách tiếp cận qua quá trình Markov lại mang tính đột phá? Quá trình Markov được đặc trưng bởi toán tử cực vi của nửa nhóm toán tử co. Quá trình Ornstein-Uhlenbeck có phân phối dừng là chuẩn tắc N(0, 1), giúp chuyển đổi việc đánh giá xấp xỉ xác suất thành bài toán chặn kỳ vọng của toán tử sinh trên không gian từ 1 chiều đến vô hạn chiều một cách tự nhiên.

Bốn là, luận văn đã ứng dụng phương pháp Stein cho những dạng thống kê phi tuyến nào? Nghiên cứu ứng dụng thành công cho 2 cấu trúc phi tuyến phổ biến là U-thống kê bậc 2 và L-thống kê, tiêu biểu là hiệu trung bình Gini E(|X1 - X2|). Bằng mô hình T = W + Delta, luận văn kiểm soát phương sai phần dư dưới ngưỡng c0 bình phương chia cho n, đảm bảo tính ổn định xấp xỉ.

Năm là, cận Berry-Esseen không đều vượt trội hơn cận đều trong trường hợp nào? Cận đều đưa ra một hằng số cố định trên toàn trục số, trong khi cận không đều giảm nhanh theo lũy thừa bậc 3 của trị tuyệt đối z. Khi đánh giá rủi ro tại vùng đuôi với z vượt quá 2.5, cận không đều cho độ chính xác cao hơn gấp 5 lần so với cận đều thông thường.

Kết luận

Luận văn thạc sĩ về phương pháp xấp xỉ Stein và ứng dụng trong thống kê phi tuyến tính đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp học thuật nổi bật:

• Hệ thống hóa hoàn chỉnh lý thuyết toán tử Stein và mối liên hệ với quá trình Markov Ornstein-Uhlenbeck.
• Chứng minh thành công cận Berry-Esseen đều với hằng số tối ưu 4.2 lần tổng moment cấp 3 cho các biến ngẫu nhiên không bị chặn.
• Thiết lập bất đẳng thức Berry-Esseen không đều dạng C nhân (1 + |z|)^(-3) nhân gamma dựa trên bất đẳng thức Bennett-Hoeffding.
• Đưa ra cận dưới Berry-Esseen tường minh gắn liền với điều kiện Feller-Lévy và điều kiện Lindeberg.
• Ứng dụng hiệu quả trong việc kiểm soát sai số hội tụ tốc độ O(n^(-1/2)) cho U-thống kê và L-thống kê.

Về định hướng tiếp theo, phương pháp cần được tiếp tục mở rộng cho các phân phối đa chiều trong lộ trình 24 tháng tới. Quý độc giả và các nhà nghiên cứu quan tâm hãy liên hệ với các đơn vị đào tạo sau đại học để khai thác toàn văn công trình phục vụ nghiên cứu chuyên sâu.