การแจกแจงที่มีค่าเฉลี่ย จำกัด และความแปรปรวนแบบไม่สิ้นสุดมีฟังก์ชันสร้างช่วงเวลาได้หรือไม่? แล้วการกระจายตัวที่มีค่าเฉลี่ย จำกัด และความแปรปรวนอัน จำกัด แต่ช่วงเวลาที่สูงขึ้นไม่มีที่สิ้นสุด?
การแจกแจงที่มีค่าเฉลี่ย จำกัด และความแปรปรวนแบบไม่สิ้นสุดมีฟังก์ชันสร้างช่วงเวลาได้หรือไม่? แล้วการกระจายตัวที่มีค่าเฉลี่ย จำกัด และความแปรปรวนอัน จำกัด แต่ช่วงเวลาที่สูงขึ้นไม่มีที่สิ้นสุด?
คำตอบ:
คำถามนี้ให้โอกาสที่ดีในการรวบรวมข้อเท็จจริงบางอย่างเกี่ยวกับฟังก์ชั่นการสร้างช่วงเวลา ( mgf )
ในคำตอบด้านล่างเราทำดังต่อไปนี้:
คำตอบนี้ค่อนข้างยาวซึ่งฉันต้องขออภัยล่วงหน้า ถ้าสิ่งนี้จะถูกวางไว้ที่ดีขึ้นเช่นเป็นบล็อกโพสต์หรือที่อื่นโปรดแสดงความคิดเห็นดังกล่าวในความคิดเห็น
mgf พูดว่าอย่างไรเกี่ยวกับช่วงเวลา?
MGF ของตัวแปรสุ่มถูกกำหนดให้เป็น{} โปรดทราบว่ามีอยู่เสมอเนื่องจากเป็นส่วนที่สำคัญของฟังก์ชั่นที่ไม่สามารถลบได้ แต่ถ้าอาจจะไม่ แน่นอน ถ้ามันมีจำกัด (ในตำแหน่งที่ถูกต้อง) ดังนั้นสำหรับ (ไม่จำเป็นต้องเป็นจำนวนเต็ม) ช่วงเวลาที่แน่นอน (และดังนั้นยังคือ จำกัด ) นี่คือหัวข้อของข้อเสนอต่อไปm ( t ) = E e t X m ( t ) p > 0 E | X | p < ∞ E X p
ข้อเสนอ : หากมีและเช่นนั้นและดังนั้นช่วงเวลาของคำสั่งทั้งหมดของมีอยู่และมีขอบเขต จำกัดt p > 0 m ( t n ) < ∞ m ( t p ) < ∞ X
ก่อนดำน้ำเพื่อพิสูจน์นี่คือบทแทรกที่มีประโยชน์สองประการ
เล็มม่า 1 : สมมติว่าและมีอยู่ แล้วสำหรับการใด ๆ ,<\
พิสูจน์ สิ่งนี้ตามมาจากความนูนของและ monotonicity ของอินทิกรัล สำหรับเช่นใดมีอยู่เช่นว่า\ แต่แล้ว
ดังนั้นด้วยการรวมตัวของส่วนประกอบinftyทีพีที0 ∈ [ T n , ทีพี ] ม. ( T 0 ) < ∞ E x T 0 θ ∈ [ 0 , 1 ] T 0 = θ เสื้อn +
อีที0 X = e θ t n X + ( 1 - θอีอีที0 X ≤ θ อีอี
ดังนั้นถ้า mgf มี จำกัด ที่จุดสองจุดที่แตกต่างกันมันจะ จำกัด สำหรับค่าทั้งหมดในช่วงเวลาระหว่างจุดเหล่านั้น
บทแทรก 2 ( รังของช่องว่าง ): สำหรับถ้าแล้ว<\
หลักฐาน : สองวิธีจะได้รับในเรื่องนี้คำตอบและความคิดเห็นที่เกี่ยวข้อง EE | X | q < ∞
สิ่งนี้ทำให้เราเพียงพอที่จะดำเนินการต่อด้วยหลักฐานการเสนอ
หลักฐานของเรื่อง ถ้าและมีอยู่ตามที่ระบุไว้ในข้อเสนอจากนั้นรับเรารู้โดยบทแทรกแรกที่และ<\ แต่ และด้านขวามือที่ประกอบด้วยแง่ไม่ติดลบดังนั้นโดยเฉพาะอย่างยิ่งสำหรับการใด ๆ คงที่ ตอนนี้โดยสมมติฐาน<\ monotonicity ของอัตราผลตอบแทนหนึ่ง<\ ดังนั้นทั้งหมดm ( - t 0 ) < ∞ m ( t 0 ) < ∞ e - t 0 X + e t 0 X = 2 ∞ ∑ n = 0 t 2 n 0 X 2 nk e - t 0 X + e t 0 X ≥ 2 t 2 k 0 X 2 k / ( 2 k ) !
ผลที่สุด
ผลสุดท้ายของคำถามในมือคือถ้าช่วงเวลาใดของไม่มีที่สิ้นสุดหรือไม่มีตัวตนเราสามารถ สรุปได้ทันทีว่า mgf นั้นไม่แน่นอนในช่วงเวลาเปิดที่มีต้นกำเนิด (นี่เป็นเพียงคำแถลงที่ขัดแย้งกันของข้อเสนอ)
ดังนั้นข้อเสนอข้างต้นให้เงื่อนไข "ถูกต้อง" เพื่อพูดอะไรบางอย่างเกี่ยวกับช่วงเวลาของโดยยึดตาม mgf ของมัน
หางที่ล้อมรอบชี้แจงและ mgf
ข้อเสนอ : mgfมีขอบเขต จำกัด ในช่วงเวลาเปิด ที่มีต้นกำเนิดถ้าหากหางของถูกจำกัด ขอบเขตอย่างแทนเช่นสำหรับบางและ0( t n , t p ) F P ( | X | > x ) ≤ C e - t 0 x C > 0 t 0 > 0
พิสูจน์ เราจะจัดการกับหางขวาแยกจากกัน หางด้านซ้ายได้รับการจัดการอย่างสมบูรณ์แบบอะนาล็อก
m ( t 0 ) < ∞ t 0 > 0 F C > 0 b > 0 P ( X > x ) ≤ C e - b xสมมติสำหรับบาง0 แล้วหางขวาของถูกล้อมรอบชี้แจง ; กล่าวอีกอย่างหนึ่งว่ามีและซึ่ง หากต้องการดูสิ่งนี้โปรดทราบว่าสำหรับโดยความไม่เท่าเทียมของมาร์คอฟ ใช้และเพื่อให้ทิศทางการพิสูจน์นี้สมบูรณ์t > 0 P ( X > x ) = P ( e t X > e t x ) ≤ e - t x E e t X = m ( t ) e - t x
สมมติว่ามีอยู่และดังกล่าวว่า x} จากนั้นสำหรับ , ที่เท่าเทียมกันครั้งแรกต่อจากความจริงมาตรฐานเกี่ยวกับความคาดหวังของตัวแปรสุ่มที่ไม่จำเป็น เลือกใด ๆที่ ; อินทิกรัลทางด้านขวามือจะมี จำกัด
นี่เป็นการพิสูจน์ที่สมบูรณ์
หมายเหตุเกี่ยวกับความเป็นเอกลักษณ์ของการแจกแจงที่ให้ mgf
หาก MGF คือ จำกัด ในช่วงเวลาที่มีการเปิดศูนย์แล้วการกระจายที่เกี่ยวข้องจะโดดเด่นด้วยช่วงเวลาของมันคือมันคือการกระจายเฉพาะกับช่วงเวลา n หลักฐานมาตรฐานคือสั้นครั้งหนึ่งเคยมีในมือบางคน (ที่ค่อนข้างตรงไปตรงมา) ข้อเท็จจริงเกี่ยวกับฟังก์ชั่นลักษณะ รายละเอียดสามารถพบได้ในตำราความน่าจะเป็นที่ทันสมัยที่สุด (เช่น Billingsley หรือ Durrett) มีการพูดคุยกันในเรื่องที่เกี่ยวข้องกับคู่ในคำตอบนี้
ตัวอย่างและตัวอย่าง
( ) กระจาย Lognormal :เป็น lognormal ถ้าสำหรับตัวแปรสุ่มบางปกติYดังนั้นด้วยความน่าจะเป็น เพราะสำหรับทุกนี้ทันทีบอกเราว่าสำหรับทุก<0 ดังนั้น MGF คือ จำกัด ในจำนวนที่ไม่ติดลบครึ่งบรรทัด . ( NBเราได้ใช้เพียง nonnegativity ของที่จะสร้างความเป็นจริงนี้ดังนั้นนี่คือความจริงจากทุกตัวแปรสุ่มที่ไม่เป็นลบ).X = e Y
อย่างไรก็ตามสำหรับทุก0 เราจะนำ lognormal มาตรฐานเป็นเคสมาตรฐาน ถ้าแล้ว 3 จากการเปลี่ยนแปลงของตัวแปรเรามี สำหรับและใหญ่พอเรามีตามขอบเขตที่ระบุไว้ด้านบน แต่ สำหรับใด ๆและดังนั้น mgf จึงไม่มีที่สิ้นสุดสำหรับทั้งหมด
ในอีกทางหนึ่งช่วงเวลาทั้งหมดของการแจกแจงแบบปกตินั้นมี จำกัด ดังนั้นการดำรงอยู่ของ MGF ในช่วงเวลาเกี่ยวกับศูนย์คือไม่จำเป็นสำหรับข้อสรุปของข้อเสนอดังกล่าวข้างต้น
( b ) symmetrized lognormal : เราสามารถได้รับกรณีที่รุนแรงยิ่งขึ้นโดย "symmetrizing" การกระจาย lognormal พิจารณาความหนาแน่นสำหรับซึ่ง มันไม่ได้ยากที่จะเห็นในแง่ของตัวอย่างก่อนหน้านี้ว่า MGF คือ จำกัดเฉพาะสำหรับ0 ทว่าช่วงเวลาคู่นั้นเหมือนกันกับช่วงเวลาปกติและช่วงเวลาคี่จะเป็นศูนย์! ดังนั้น mgf จึงไม่มีที่ไหนเลย (ยกเว้นที่จุดกำเนิดที่มีอยู่เสมอ) และเราสามารถรับประกันช่วงเวลาที่แน่นอนของคำสั่งซื้อทั้งหมด
( ค ) Cauchy กระจาย : การกระจายนี้ยังมี MGF ซึ่งเป็นที่ไม่มีที่สิ้นสุดสำหรับทุกแต่ไม่มีช่วงเวลาที่แน่นอนมี จำกัด สำหรับ1 ผลลัพธ์สำหรับ mgf ต่อไปนี้สำหรับตั้งแต่สำหรับและดังนั้น การพิสูจน์สำหรับนั้นคล้ายคลึงกัน (บางทีอาจจะค่อนข้างน้อยที่รู้จักกันดีก็คือว่าช่วงเวลาสำหรับทำอยู่สำหรับ Cauchy. ดูคำตอบนี้E | X | พี
( d ) การกระจาย Half-Cauchy : หากคือ (มาตรฐาน) Cauchy ให้โทรตัวแปรสุ่มครึ่งโคชี จากนั้นจะเห็นได้ง่ายจากตัวอย่างก่อนหน้านี้ว่าสำหรับทั้งหมด ยังมี จำกัด สำหรับ0] Y = | X | E Y P = ∞ P ≥ 1 อีอีทีYเสื้อ∈ ( - ∞ , 0 ]