本专栏主要作个人复习自测,有相关知识预备的同学也可作复习用。不保证无相应基础的人士能看明白。
万一考试考到了,或者对你的学习有较大帮助,一键三连不过分吧(斜眼笑)
期望、尾分布与阿贝尔变换
- X X X期望有界则 ∣ X ∣ |X| ∣X∣期望()。记号 E X = + ∞ EX=+\infty EX=+∞意思是()。
- 解释”数字特征”中“特征”的含义。说期望是“分布的数字特征”,相比认为它是“随机变量的数字特征”思想上有何不同?
- (阿贝尔变换)对取非负整数值的随机变量,将期望表示为一列随机事件的概率之和。对只可能取非负整数值乘以 0.1 0.1 0.1的随机变量又如何?回忆尾分布,并由此直接写出对连续型非负随机变量用尾分布的积分表示期望的方法。
- 你能把2.拓展到 n n n阶原点矩情况吗?
- 为了对一般情况的随机变量定义期望,我们可以用 Y 1 = [ n X ] n Y_1=\frac {[nX]}n Y1=n[nX]和()做夹逼。()(填人名)积分 ∫ R ∣ x ∣ d F ( x ) \int_\mathbb R|x|dF(x) ∫R∣x∣dF(x)( F F F是分布函数)满足()时我们称 X X X期望存在。
- 非负函数黎曼积分为0则连续点处(),对比非负随机变量期望为0则 P ( X > 0 ) = P(X>0)= P(X>0)=(),两者有什么联系?
- 证明 E X ≥ P ( X > 1 n ) n EX\ge \frac{P(X>\frac 1n)}n EX≥nP(X>n1). 从而用()(一系列可数个零概率事件)的并仍是()可以证明5.中关于随机变量的结论。
- 请考察单调且求和收敛的级数 ∑ a n \sum a_n ∑an的 l i m n → ∞ n a n lim_{n\to\infty} na_n limn→∞nan. 类比地,对期望有限情况,求 x → ∞ x\to \infty x→∞时 x G ( x ) xG(x) xG(x)( G G G是尾分布). 由于 x = 0 x=0 x=0和 x → ∞ x\to \infty x→∞时都有 x G ( x ) = xG(x)= xG(x)=(),所以形式上可以用分部积分导出2.
- 综合7.和2.,分两段估计 l i m x → ∞ E X 1 { X > x } lim_{x\to \infty}EX1_{\{X>x\}} limx→∞EX1{ X>x}
- 由8.可以得到期望存在时截断变量的期望的极限即()等于 E X EX EX. 若非负随机变量 X X X的 E X = + ∞ EX=+\infty EX=+∞,我们仍有类似的结论:为此考察() N N N,() M M M使得 ∫ 0 M G ( x ) d x > N + 1 \int_0^MG(x)dx>N+1 ∫0MG(x)dx>N+1,然后估计() = ∫ 0 ∞ P ( y < X ≤ x ) d y ≥ ∫ 0 M P ( y < X ≤ x ) d y =\int_0^\infty P(y<X\le x)dy\ge\int_0^MP(y<X\le x)dy =∫0∞P(y<X≤x)dy≥∫0MP(y<X≤x)dy,最后一式在 x x x()时,一定和()足够接近从而大于 N N N.
答案
- 有界,略(注:这时虽然形式上写出 E X = ⋯ EX=\cdots EX=⋯,但仍称期望不存在)
- 从复杂事物提取出简单事物。即使对于不同随机变量,只要分布相同( X = d Y X\mathop=\limits^dY X=dY)则期望相同。
- E X = ∑ k = 1 ∞ P ( X ≥ k ) , E X = ∑ k = 1 ∞ P ( x ≥ 0.1 k ) 0.1 EX=\sum_{k=1}^\infty P(X \ge k),EX=\sum_{k=1}^\infty P(x\ge0.1k)0.1 EX=∑k=1∞P(X≥k),EX=∑k=1∞P(x≥0.1k)0.1,此处0.1相当于积分的 d x dx dx. E X = ∫ 0 ∞ G ( x ) d x EX=\int_0^\infty G(x)dx EX=∫0∞G(x)dx
- 本质还是阿贝尔变换(特殊情况下,分部积分)。
- Y 2 = [ n X ]