O título é a pergunta. Disseram-me que proporções e inversas de variáveis aleatórias geralmente são problemáticas. O que se quer dizer é que a expectativa geralmente não existe. Existe uma explicação simples e geral disso?
fonte
O título é a pergunta. Disseram-me que proporções e inversas de variáveis aleatórias geralmente são problemáticas. O que se quer dizer é que a expectativa geralmente não existe. Existe uma explicação simples e geral disso?
Eu gostaria de oferecer uma explicação muito simples e intuitiva. Isso equivale a olhar para uma figura: o restante deste post explica a figura e tira conclusões dela.
Aqui está o que se resume: quando há uma "massa de probabilidade" concentrada perto de , haverá muita probabilidade perto de , fazendo com que sua expectativa seja indefinida.
Em vez de ser totalmente geral, vamos nos concentrar nas variáveis aleatórias que possuem densidades contínuas em uma vizinhança de . Suponha . Visualmente, essas condições significam que o gráfico de está acima do eixo em torno de :
A continuidade de torno de implica que, para qualquer altura positiva menor que e suficientemente pequeno , podemos esculpir um retângulo abaixo deste gráfico, centrado em torno de , com largura e altura , como mostrado. Isso corresponde a expressar a distribuição original como uma mistura de uma distribuição uniforme (com peso ) e o que resta. 0 p f X ( 0 ) ϵ x = 0 2 ϵ p p × 2 ϵ = 2 p ϵ
Em outras palavras, podemos pensar em como surgindo da seguinte maneira:
Com probabilidade , desenhe um valor de uma distribuição Uniforme .( - ϵ , ϵ )
Caso contrário, desenhe um valor da distribuição cuja densidade seja proporcional a . (Esta é a função desenhada em amarelo à direita.)
( é a função do indicador.)
O passo mostra que, para qualquer , a chance de estar entre e exceder . Equivalentemente, essa é a chance de exceder . Em outras palavras: escrevendo para a função sobrevivente de0 < u < ε X 0 u p u / 2 1 / X 1 / u S 1 / X
a imagem mostra para todos .x > 1 / ϵ
Terminamos agora, porque esse fato sobre implica que a expectativa é indefinida. Compare as integrais envolvidas no cálculo da expectativa da parte positiva de , :( 1 / X ) + = máx ( 0 , 1 / X )
(Esse é um argumento puramente geométrico: toda integral representa uma região bidimensional identificável e todas as desigualdades surgem de inclusões estritas nessas regiões. De fato, nem precisamos saber que a integral final é um logaritmo: existem formas geométricas simples argumentos mostrando essa integral divergem.)
Como o lado direito diverge como , diverge. A situação com a parte negativa de é a mesma (porque o retângulo é centrado em torno de ) e o mesmo argumento mostra que a expectativa da parte negativa de diverge. Conseqüentemente, a expectativa de si é indefinida.E [ ( 1 / X ) + ] 1 / X 0 1 / X 1 / X
A propósito, o mesmo argumento mostra que, quando tem probabilidade concentrada em um lado de , como qualquer distribuição Exponencial ou Gama (com parâmetro de forma menor que ), ainda assim a expectativa positiva diverge, mas a expectativa negativa é zero. Nesse caso, a expectativa é definida, mas é infinita.0 1
Razões e inversos são principalmente significativos com variáveis aleatórias não negativas, portanto, assumirei quase certamente. Então, se é uma variável discreta que assume o valor zero com probabilidade positiva, estaremos dividindo com zero com uma probabilidade positiva, o que explica por que a expectativa de não existe.X 1 / XX≥0 X 1/X
Agora observe o caso de distribuição contínua, com uma variável aleatória com função de densidade . Vamos assumir que e que é contínuo (pelo menos em zero). Então existe um tal que para . O valor esperado de é dado por Agora vamos mudar a variável de integração para , temos , obtendoX≥0 f(x) f(0)>0 f ϵ>0 f(x)>ϵ 0≤x<ϵ 1/X
Demos uma resposta para inversos, e quanto a proporções? Seja a razão de duas variáveis aleatórias não-negativas. Se eles são independentes, podemos escrever portanto isso se reduz ao primeiro caso e não há muito o que dizer . E se eles forem dependentes, com fatoração da densidade articular como Então obtemos (usando a mesma substituição que a anterior) e podemos raciocinar como acima na integral interna. O resultado será que, se a densidade condicional (dadoZ=Y/X
fonte