ฉันพยายามหาหลักฐานโดยไม่คำนึงถึงฟังก์ชั่นพิเศษ Kurtosis ส่วนเกินทำเคล็ดลับ ต่อไปนี้เป็นคำตอบสองบรรทัด: Kurt ( U ) = Kurt ( X + Y ) = Kurt ( X ) / 2เนื่องจากXและYเป็น iid จากนั้น เคิร์ต( U ) = - 1.2หมายถึงเคิร์ต( X ) = - 2.4ซึ่งเป็นความขัดแย้งเป็นเคิร์ต( X )Kurt(U)=Kurt(X+Y)=Kurt(X)/2XYKurt(U)=−1.2Kurt(X)=−2.4≥ - 2สำหรับตัวแปรสุ่มใด ๆKurt(X)≥−2
สิ่งที่น่าสนใจมากกว่านั้นคือเหตุผลที่ทำให้ฉันถึงจุดนั้น X (และY ) จะต้องมีขอบเขตระหว่าง 0 ถึง 0.5 - มีความชัดเจนมาก แต่เป็นประโยชน์หมายถึงช่วงเวลาและช่วงเวลาส่วนกลาง เริ่มจากการพิจารณาค่าเฉลี่ยและความแปรปรวน: E ( U ) = 0.5และVar ( U ) = 1XYE(U)=0.512 . ถ้าXและYมีการกระจายเหมือนกันเรามี:Var(U)=112XY
E ( X + Y ) = E ( X ) + E ( Y ) = 2 E ( X ) = 0.5
E(X+Y)=E(X)+E(Y)=2E(X)=0.5
ดังนั้นE ( X ) = 0.25 สำหรับความแปรปรวนที่เรายังต้องใช้ความเป็นอิสระในการใช้:E(X)=0.25
Var ( X + Y ) = Var ( X ) + Var ( Y ) = 2 Var ( X ) = 112
Var(X+Y)=Var(X)+Var(Y)=2Var(X)=112
ดังนั้นVar ( X ) = 124และσX=1Var(X)=1242 √6 ≈0.204 ว้าว! นั่นคือความแตกต่างมากมายสำหรับตัวแปรสุ่มที่การสนับสนุนอยู่ในช่วงตั้งแต่ 0 ถึง 0.5 แต่เราควรคาดหวังว่าเนื่องจากค่าเบี่ยงเบนมาตรฐานจะไม่ขยายในลักษณะเดียวกันกับที่ค่าเฉลี่ยได้σX=126√≈0.204
ทีนี้ค่าเบี่ยงเบนมาตรฐานที่ใหญ่ที่สุดที่ตัวแปรสุ่มสามารถมีได้ถ้าค่าที่เล็กที่สุดที่สามารถใช้ได้คือ 0, ค่าที่ใหญ่ที่สุดที่สามารถใช้ได้คือ 0.5 และค่าเฉลี่ยคือ 0.25? การรวบรวมความน่าจะเป็นทั้งหมดที่มวลสองจุดบนสุดขั้ว 0.25 ห่างจากค่าเฉลี่ยจะให้ค่าเบี่ยงเบนมาตรฐานอย่างชัดเจน 0.25 ดังนั้นσ Xของเรามีขนาดใหญ่ แต่ไม่เป็นไปไม่ได้ (ฉันหวังว่าจะแสดงให้เห็นว่าสิ่งนี้บ่งบอกถึงความน่าจะเป็นที่มากเกินไปที่จะอยู่ในหางเพื่อให้X + Yเหมือนกัน แต่ฉันไม่สามารถไปไหนมาไหนได้ที่ด้านหลังของซองจดหมาย)σXX+Y
การพิจารณาช่วงเวลาที่สองเกือบทำให้ข้อ จำกัด ที่เป็นไปไม่ได้บนXดังนั้นลองพิจารณาช่วงเวลาที่สูงขึ้น สิ่งที่เกี่ยวกับค่าสัมประสิทธิ์เพียร์สันของเบ้ , แกมมา1 = E ( X - μ X ) 3Xσ 3 X =κ3κ 3 / 2 2 ? นี้มีอยู่ตั้งแต่ช่วงเวลากลางอยู่และσX≠0 มันจะช่วยให้ทราบคุณสมบัติบางอย่างของ cumulants โดยเฉพาะอย่างยิ่งการใช้ความเป็นอิสระและจากนั้นการกระจายที่เหมือนกันให้:γ1=E(X−μX)3σ3X=κ3κ3/22σX≠0
κi(U)=κi(X+Y)=κi(X)+κi(Y)=2κi(X)
κi(U)=κi(X+Y)=κi(X)+κi(Y)=2κi(X)
This additivity property is precisely the generalisation of how we dealt with the mean and variance above - indeed, the first and second cumulants are just κ1=μκ1=μ and κ2=σ2κ2=σ2.
Then κ3(U)=2κ3(X)κ3(U)=2κ3(X) and (κ2(U))3/2=(2κ2(X))3/2=23/2(κ2(X))3/2(κ2(U))3/2=(2κ2(X))3/2=23/2(κ2(X))3/2. The fraction for γ1γ1 cancels to yield Skew(U)=Skew(X+Y)=Skew(X)/√2Skew(U)=Skew(X+Y)=Skew(X)/2–√. Since the uniform distribution has zero skewness, so does XX, but I can't see how a contradiction arises from this restriction.
So instead, let's try the excess kurtosis, γ2=κ4κ22=E(X−μX)4σ4X−3γ2=κ4κ22=E(X−μX)4σ4X−3. By a similar argument (this question is self-study, so try it!), we can show this exists and obeys:
Kurt(U)=Kurt(X+Y)=Kurt(X)/2
Kurt(U)=Kurt(X+Y)=Kurt(X)/2
The uniform distribution has excess kurtosis −1.2−1.2 so we require XX to have excess kurtosis −2.4−2.4. But the smallest possible excess kurtosis is −2−2, which is achieved by the Binomial(1,12)Binomial(1,12) Bernoulli distribution.