Tytuł jest pytaniem. Powiedziano mi, że stosunki i inwersje zmiennych losowych często stanowią problem. Oznacza to, że oczekiwania często nie istnieją. Czy istnieje proste, ogólne wyjaśnienie tego?
Tytuł jest pytaniem. Powiedziano mi, że stosunki i inwersje zmiennych losowych często stanowią problem. Oznacza to, że oczekiwania często nie istnieją. Czy istnieje proste, ogólne wyjaśnienie tego?
Odpowiedzi:
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 , prawdopodobieństwo będzie zbyt duże w pobliżu , co spowoduje, że jego oczekiwanie będzie niezdefiniowane.
Zamiast być w pełni ogólnym, skupmy się na zmiennych losowych które mają ciągłe gęstości w sąsiedztwie . Załóżmy, że . Wizualnie te warunki oznaczają, że wykres leży powyżej osi wokół :
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.
Innymi słowy, możemy myśleć o jako powstającym w następujący sposób:
Z prawdopodobieństwem draw wartość z jednolitej ( - ε , ε ) dystrybucji.
W przeciwnym razie narysuj wartość z rozkładu, którego gęstość jest proporcjonalna do . (Jest to funkcja narysowana na żółto po prawej stronie).
( jest funkcją wskaźnika).
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
obrazek pokazuje dla wszystkich .x > 1 / ϵ
Skończyliśmy teraz, ponieważ ten fakt dotyczący sugeruje, że oczekiwanie jest nieokreślone. Porównaj całki zaangażowane w obliczanie oczekiwanej dodatniej części , :( 1 / X ) + = max ( 0 , 1 / X )
(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.
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.
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.
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 1 Teraz zmieńmy zmienną całkowania na u = 1 / x , mamy d u = - 1
Udzieliliśmy odpowiedzi na odwrotność, a co ze stosunkami? Niech będzie stosunkiem dwóch nieujemnych zmiennych losowych. Jeśli są niezależne, możemy zapisać E Z = E Y 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(x∣y)g(y) Następnie otrzymujemy (stosując takie samo podstawienie jak powyżej) EY