Ouvi dizer que proporções ou inversas de variáveis ​​aleatórias geralmente são problemáticas, por não ter expectativas. Por que é que?


Respostas:


25

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.X=01/X±


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 :XfX0fX(0)0f0

Figura mostrando o gráfico de uma densidade e a área abaixo dela.

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 ϵfX0pfX(0)ϵx=02ϵpp×2ϵ=2pϵ

Figura mostrando o gráfico como uma mistura.

Em outras palavras, podemos pensar em como surgindo da seguinte maneira:X

  1. Com probabilidade , desenhe um valor de uma distribuição Uniforme .( - ϵ , ϵ )2pϵ(ϵ,ϵ)

  2. Caso contrário, desenhe um valor da distribuição cuja densidade seja proporcional a . (Esta é a função desenhada em amarelo à direita.)fXpI(ϵ,ϵ)

( é a função do indicador.)I

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(1)0<u<ϵX0upu/21/X1/uS1/X

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

a imagem mostra para todos .x > 1 / ϵS(x)>p/(2x)x>1/ϵ

Terminamos agora, porque esse fato sobre implica que a expectativa é indefinida. S Compare as integrais envolvidas no cálculo da expectativa da parte positiva de , :( 1 / X ) + = máx ( 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).

(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 / XxE[(1/X)+]1/X01/X1/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 1X01


3
Estou certo ao suspeitar que a suposição é crucial para o resultado? Quero dizer, temos casos em que tem momentos pelo menos para algum intervalo de parâmetros envolvidos, e parece que é nos casos em que , como Gamma / Gamma Inverso1 / X f X ( 0 ) = 0fX(0)01/XfX(0)=0
Alecos Papadopoulos

3
@Alecos Não, essa suposição não é crucial. Isso e a continuidade de at tornam o argumento simples, mas nenhum é essencial. Considere um com densidade proporcional a para e . Isso é contínuo em mas não tem expectativa. 0 X f X - 1f0XfX0 < x < 1 / e f X ( 0 ) = 0 0 1 / X1/log(x)0<x<1/efX(0)=001/X
whuber

15

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 / XX0X1/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 , obtendo X0f(x)f(0)>0fϵ>0f(x)>ϵ0x<ϵ1/X

E1X=01xf(x)dx
u=1/xdu=1x2dx
E1X=0uf(1u)(1u)2du=01uf(1u)du
Agora, por hipótese em então em , usando isso temos mostrando que a expectativa não existe. Um exemplo que cumpre essa suposição é a distribuição exponencial com a taxa 1.f(u)>ϵ[0,ϵ)f(1u)>1/ϵ(1/ϵ,)
E1X>ϵ1/ϵ1udu=

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

EZ=EYX=EYE1x
f(x,y)=f(xy)g(y)
y y 1 / X Y / X
EYX=0y01xf(xy)dxg(y)dy=0y01uf(1uy)dug(y)dy
y) é positivo e contínuo em zero, para um conjunto de com probabilidade marginal positiva, a expectativa será infinita. Acho que não será fácil encontrar exemplos em que a expectativa marginal de seja infinita, mas a expectativa da razão é finita, a menos que haja uma correlação perfeita. Seria bom ver alguns exemplos!y1/XY/X
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.