Słyszałem, że stosunki lub odwrotności zmiennych losowych często są problematyczne, ponieważ nie mają oczekiwań. Dlaczego?


Odpowiedzi:


25

Chciałbym przedstawić bardzo proste, intuicyjne wyjaśnienie. Sprowadza się do spojrzenia na zdjęcie: reszta tego postu wyjaśnia zdjęcie i wyciąga z niego wnioski.

Oto, co się sprowadza: gdy „masa prawdopodobieństwa” skoncentrowana jest w pobliżu X=0 , prawdopodobieństwo będzie zbyt duże w pobliżu 1/X± , co spowoduje, że jego oczekiwanie będzie niezdefiniowane.


Zamiast być w pełni ogólnym, skupmy się na zmiennych losowych X które mają ciągłe gęstości fX w sąsiedztwie 0 . Załóżmy, że fX(0)0 . Wizualnie te warunki oznaczają, że wykres f leży powyżej osi wokół 0 :

Rysunek przedstawiający wykres gęstości i obszar pod nią.

Ciągłość wokół 0 oznacza, że ​​dla dowolnej dodatniej wysokości p mniejszej niż f X ( 0 ) i wystarczająco małej ϵ , możemy wykroić prostokąt pod tym wykresem, który jest wyśrodkowany wokół x = 0 , ma szerokość 2 ϵ i wysokość p , jak pokazano. Odpowiada to wyrażeniu pierwotnego rozkładu jako mieszaniny równomiernego rozkładu (o wadze p × 2 ϵ = 2 p ϵ ) i wszystkiego, co pozostanie. fX0pfX(0)ϵx=02ϵpp×2ϵ=2pϵ

Rysunek przedstawiający wykres jako mieszaninę.

Innymi słowy, możemy myśleć o jako powstającym w następujący sposób:X

  1. Z prawdopodobieństwem draw wartość z jednolitej ( - ε , ε ) dystrybucji.2pϵ(ϵ,ϵ)

  2. W przeciwnym razie narysuj wartość z rozkładu, którego gęstość jest proporcjonalna do . (Jest to funkcja narysowana na żółto po prawej stronie).fXpI(ϵ,ϵ)

( jest funkcją wskaźnika).I

Etap pokazuje, że dla każdej 0 < u < ε , prawdopodobieństwo, że x wynosi 0 i U przekracza s U / 2 . Równolegle jest to szansa, że 1 / X przekroczy 1 / u . Innymi słowy: napisanie S dla funkcji przeżycia 1 / X(1)0<u<ϵX0upu/21/X1/uS1/X

S(x)=Pr(1/X>x),

obrazek pokazuje dla wszystkich .x > 1 / ϵS(x)>p/(2x)x>1/ϵ

Skończyliśmy teraz, ponieważ ten fakt dotyczący sugeruje, że oczekiwanie jest nieokreślone. S Porównaj całki zaangażowane w obliczanie oczekiwanej dodatniej części , :( 1 / X ) + = max ( 0 , 1 / X )1/X(1/X)+=max(0,1/X)

E[(1/X)+]=0S(x)dx>1/ϵxS(x)dx>1/ϵxp2xdx=p2log(xϵ).

(Jest to argument czysto geometryczny: każda całka reprezentuje możliwy do zidentyfikowania dwuwymiarowy region, a wszystkie nierówności wynikają z ścisłych wtrąceń w tych obszarach. Rzeczywiście, nie musimy nawet wiedzieć, że ostateczna całka jest logarytmem: istnieją proste geometryczne argumenty wskazujące na tę całkowitą rozbieżność).

Ponieważ prawa strona różni się jako , różni. Sytuacja z ujemną częścią jest taka sama (ponieważ prostokąt jest wyśrodkowany wokół ), a ten sam argument pokazuje oczekiwanie, że ujemna część rozbieżna. W związku z tym oczekiwanie samego jest niezdefiniowane.xE[(1/X)+]1/X01/X1/X

Nawiasem mówiąc, takie same przedstawiono argumentów, że gdy jest prawdopodobieństwo skoncentrowane na jednym boku z , takie jak dowolny rozkład wykładniczy lub gamma (parametr kształtu mniejszy niż ), a następnie jeszcze pozytywne rozbieżna oczekiwania, ale oczekiwana ujemny wynosi zero. W tym przypadku oczekiwanie jest zdefiniowane, ale jest nieskończone.X01


3
Czy mam rację podejrzewając, że założenie jest kluczowe dla wyniku? Mam na myśli przypadki, w których ma momenty co najmniej dla pewnego zakresu zaangażowanych parametrów, i wydaje się, że fX(0)01/XfX(0)=0
dzieje

3
@Alecos Nie, założenie to nie jest kluczowe. To i ciągłość przy sprawiają, że argument jest prosty, ale żadne nie jest istotne. Rozważmy o gęstości proporcjonalna do o i . Jest to ciągłe przy ale nie oczekuje. f0XfX1/log(x)0<x<1/efX(0)=001/X
whuber

15

Stosunki i inwersje są w większości znaczące w przypadku nieujemnych zmiennych losowych, więc prawie na pewno przyjmę . Następnie, jeśli X jest zmienną dyskretną, która przyjmuje wartość zero z prawdopodobieństwem dodatnim, będziemy dzielić z zerą z prawdopodobieństwem dodatnim, co tłumaczy, dlaczego oczekiwanie 1 / X nie istnieje.X0X1/X

Teraz spójrz na przypadek rozkładu ciągłego, gdzie jest losową zmienną z funkcją gęstości f ( x ) . Zakładamy, że f ( 0 ) > 0 i że f jest ciągłe (co najmniej zero). Następnie jest ϵ > 0 takie, że f ( x ) > ϵ dla 0 x < ϵ . Oczekiwaną wartość 1 / X podaje E 1X0f(x)f(0)>0fϵ>0f(x)>ϵ0x<ϵ1/X Teraz zmieńmy zmienną całkowania na u = 1 / x , mamy d u = - 1

E1X=01xf(x)dx
u=1/x , otrzymując E 1du=1x2dx Teraz, z założenia f ( u ) > ϵ na [ 0 , ϵ ), więc f ( 1
E1X=0uf(1u)(1u)2du=01uf(1u)du
f(u)>ϵ[0,ϵ)on(1/ϵ,), używając tego mamy E1f(1u)>1/ϵ(1/ϵ,) pokazujące, że oczekiwanie nie istnieje. Przykładem spełniającym to założenie jest rozkład wykładniczy ze stopniem 1.
E1X>ϵ1/ϵ1udu=

Udzieliliśmy odpowiedzi na odwrotność, a co ze stosunkami? Niech będzie stosunkiem dwóch nieujemnych zmiennych losowych. Jeśli są niezależne, możemy zapisać E Z = E YZ=Y/X więc prawie wszystko sprowadza się do pierwszego przypadku i nie ma wiele do powiedzenia. Co jeśli są zależne, z faktorowaniem gęstości połączeń jako f(x,y)=f(xy)g(y) Następnie otrzymujemy (stosując takie samo podstawienie jak powyżej) EY

EZ=EYX=EYE1x
f(x,y)=f(xy)g(y)
i możemy rozumować jak powyżej na wewnętrznej całce. Rezultat będzie taki, że jeśli gęstość warunkowa (podana y ) jest dodatnia i ciągła przy wartości zerowej, dla zbioru y z dodatnim prawdopodobieństwem krańcowym oczekiwanie będzie nieskończone. Myślę, że nie będzie łatwo znaleźć przykłady, w których krańcowe oczekiwanie 1 / X jest nieskończone, ale oczekiwanie stosunku Y / X jest skończone, chyba że istnieje idealna korelacja. Miło byłoby zobaczyć takie przykłady!
EYX=0y01xf(xy)dxg(y)dy=0y01uf(1uy)dug(y)dy
yy1/XY/X
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.