ถ้าเป็น IID ให้คำนวณโดยที่


14

คำถาม

หากมี IID แล้วคำนวณที่x_iX1,,XnN(μ,1)E(X1T)T=iXi


ความพยายาม : โปรดตรวจสอบว่าด้านล่างถูกต้องหรือไม่

สมมติว่าเราใช้ผลรวมของความคาดหวังตามเงื่อนไขเหล่านั้น หมายความว่าแต่ละตั้งแต่คือ IID

iE(XiT)=E(iXiT)=T.
E(XiT)=TnX1,,Xn

ดังนั้นE(X1T)=Tn{n} ถูกต้องหรือไม่


2
's ไม่ได้ IID เงื่อนไขในแต่มีการจัดจำหน่ายร่วมแลกเปลี่ยน นี่คือสิ่งที่แสดงว่าความคาดหวังตามเงื่อนไขของพวกเขาเท่าเทียมกัน (กับ ) T T / nXiTT/n
Jarle Tufto

@JarleTufto: คุณหมายถึงอะไรโดย "การแลกเปลี่ยนข้อต่อแบบแลกเปลี่ยนได้" การกระจายข้อต่อของและ ? TXiT
เรียนรู้

2
หมายความว่าการแจกแจงร่วมของเหมือนกับของ (และการเรียงสับเปลี่ยนอื่น ๆ ) ดูen.wikipedia.org/wiki/Exchangeable_random_variables หรือดูคำตอบของ @ whuber! X 2 , X 3 , X 1X1,X2,X3X2,X3,X1
Jarle Tufto

2
โดยเฉพาะอย่างยิ่งคำตอบคือเป็นอิสระจากการกระจายตัวของX_1X1,,Xn
StubbornAtom

คำตอบ:


11

ความคิดถูกต้อง - แต่มีคำถามที่แสดงให้เห็นว่ามันเข้มงวดขึ้นเล็กน้อย ดังนั้นฉันจะมุ่งเน้นไปที่สัญกรณ์และการเปิดเผยสาระสำคัญของความคิด


เริ่มจากความคิดเรื่องการแลกเปลี่ยนกันเถอะ:

ตัวแปรสุ่มX=(X1,X2,,Xn)สามารถแลกเปลี่ยนได้เมื่อการแจกแจงของตัวแปรที่เปลี่ยนรูปแบบXσ=(Xσ(1),Xσ(2),,Xσ(n))ทุกคนเหมือนกันสำหรับทุกการเปลี่ยนแปลงที่เป็นไปได้σσ

iidอย่างชัดเจนหมายถึงการแลกเปลี่ยน

เป็นเรื่องของสัญกรณ์เขียนXiσ=Xσ(i)สำหรับithส่วนประกอบของและให้Xσ

Tσ=i=1nXiσ=i=1nXi=T.

ปล่อยให้เป็นดัชนีใด ๆ และให้เปลี่ยนรูปของดัชนีที่ส่งถึง (เช่นมีอยู่เพราะเราสามารถสลับและ ) การแลกเปลี่ยนของหมายถึงjσ1j=σ(1).σ1Jj.X

E[X1T]=E[X1σTσ]=E[XjT],

เพราะ (ในความไม่เท่าเทียมกันครั้งแรก) เราเพิ่งแทนที่ด้วย vectorกระจาย นี่คือปมของเรื่องXXσ.

ดังนั้น

T=E[TT]=E[i=1nXiT]=i=1nE[XiT]=i=1nE[X1T]=nE[X1T],

จากไหน

E[X1T]=1nT.


4

นี่ไม่ใช่ข้อพิสูจน์ (และ +1 ถึง @ คำตอบของ whuber) แต่มันเป็นวิธีเรขาคณิตในการสร้างสัญชาตญาณว่าทำไม คือ คำตอบที่สมเหตุสมผลE(X1|T)=T/n

ให้และดังนั้น\ จากนั้นเราจะปรับเงื่อนไขในเหตุการณ์ที่สำหรับบางดังนั้นนี่จึงเหมือนกับการวาดเกาส์หลายตัวแปรที่รองรับในแต่ดูเฉพาะที่จบลงด้วยการเลียนแบบ พื้นที่\} จากนั้นเราต้องการทราบค่าเฉลี่ยของพิกัดของจุดที่ที่ดินในพื้นที่เลียนแบบนี้ (ไม่เป็นไรหรอกว่าเป็นหน่วยย่อยเป็นศูนย์)X=(X1,,Xn)T1=(1,,1)TT=1TX1TX=ttRRn{xRn:1Tx=t}x1

เรารู้ ดังนั้นเราจึงมีทรงกลมเกาส์เซียนที่มีค่าเฉลี่ยคงที่เวกเตอร์และเวกเตอร์เฉลี่ยอยู่ในบรรทัดเดียวกับเวกเตอร์ปกติของไฮเพอร์เพลน0

XN(μ1,I)
μ1xT1=0

สิ่งนี้ทำให้เรามีสถานการณ์เหมือนภาพด้านล่าง: ป้อนคำอธิบายรูปภาพที่นี่

แนวคิดสำคัญ: ครั้งแรกจินตนาการความหนาแน่นมากกว่าสเปซเลียนแบบ\} ความหนาแน่นของสมมาตรรอบตั้งแต่\ ความหนาแน่นนอกจากนี้ยังจะได้ส่วนบนเป็นยังเป็นสมมาตรผ่านสายเดียวกันและจุดที่อยู่รอบ ๆ ซึ่งมันเป็นสมมาตรเป็นจุดตัดของเส้นและx_2 นี้เกิดขึ้นสำหรับ2)Ht:={x:xT1=t}Xx1=x2E(X)span 1HtHtx1+x2=tx1=x2x=(t/2,t/2)

ไปที่รูปภาพเราสามารถจินตนาการการสุ่มตัวอย่างซ้ำแล้วซ้ำอีกและเมื่อใดก็ตามที่เราได้คะแนนเป็นเราจะใช้พิกัดและบันทึกไว้ จากสมมาตรของความหนาแน่นที่กระจายของพิกัดยังจะสมมาตรและมันจะมีจุดศูนย์กลางเดียวกันของ 2 ค่าเฉลี่ยของการแจกแจงแบบสมมาตรคือจุดศูนย์กลางของสมมาตรดังนั้นนี่หมายความว่าและตั้งแต่และสามารถถูก excahnged ได้โดยไม่มีผลกระทบ สิ่งใดE(X1|T)Htx1Htx1t/2E(X1|T)=T/2E(X1|T)=E(X2|T)X1X2

ในมิติที่สูงขึ้นสิ่งนี้ยาก (หรือเป็นไปไม่ได้) ที่จะมองเห็นได้อย่างชัดเจน แต่แนวคิดเดียวกันนี้นำไปใช้: เรามี Gaussian ทรงกลมที่มีค่าเฉลี่ยในช่วงและเรากำลังดูพื้นที่ย่อยเลียนแบบที่ตั้งฉากกับมัน . จุดสมดุลของการแจกแจงในพื้นที่ย่อยจะยังคงเป็นจุดตัดของและซึ่งอยู่ที่และความหนาแน่นยังคงสมมาตรดังนั้นจุดสมดุลนี้คือค่าเฉลี่ยอีกครั้ง1span 1{x:xT1=t}x=(t/n,,t/n)

อีกครั้งนั่นไม่ใช่ข้อพิสูจน์ แต่ฉันคิดว่ามันให้ความคิดที่ดีว่าทำไมคุณถึงคาดหวังพฤติกรรมนี้ตั้งแต่แรก


นอกเหนือจากนี้เนื่องจากบางคนเช่น @StubbornAtom ได้ระบุไว้ว่าสิ่งนี้ไม่จำเป็นต้องใช้ในการเป็นเกาส์เซียน ใน 2-D ให้สังเกตว่าถ้าสามารถแลกเปลี่ยนได้แล้ว (โดยทั่วไปแล้ว ) ดังนั้นfจะต้องสมมาตรอยู่เหนือเส้นx 1 = x 2 นอกจากนี้เรายังมีE ( X ) ขยาย  1ดังนั้นทุกอย่างที่ฉันพูดเกี่ยวกับ "ความคิดหลัก" ในภาพแรกยังคงอยู่ นี่คือตัวอย่างที่X iเป็น iid จากแบบจำลองการผสมแบบเกาส์เซียน ทุกบรรทัดมีความหมายเหมือนเมื่อก่อนXXf(x1,x2)=f(x2,x1)f(x)=f(xσ)fx1=x2E(X)span 1Xi

ป้อนคำอธิบายรูปภาพที่นี่


1

ฉันคิดว่าคำตอบของคุณถูกต้องแม้ว่าฉันจะไม่แน่ใจเกี่ยวกับบรรทัดนักฆ่าในบทพิสูจน์ของคุณ แต่มันก็เป็นเรื่องจริง "เพราะพวกเขาเป็น iid" อีกวิธีหนึ่งในการแก้ปัญหาแบบเดียวกันนี้มีดังต่อไปนี้:

คิดเกี่ยวกับสิ่งE(xi|T)จริง ๆ แล้วหมายถึง คุณรู้ว่าคุณมีตัวอย่างที่มีการอ่านค่า N และค่าเฉลี่ยของพวกเขาคือ T ความหมายนี้คืออะไรในตอนนี้การแจกแจงพื้นฐานที่พวกเขาถูกสุ่มตัวอย่างจากเรื่องอื่น ๆ อีกต่อไป (คุณจะสังเกตเห็นว่า ตัวอย่างจาก Gaussian ในหลักฐานของคุณ)

E(xi|T)คือคำตอบสำหรับคำถามหากคุณสุ่มตัวอย่างจากตัวอย่างของคุณโดยมีการแทนที่หลายครั้งสิ่งที่จะเป็นค่าเฉลี่ยที่คุณได้รับ นี่คือผลรวมของค่าที่เป็นไปได้ทั้งหมด, คูณด้วยความน่าจะเป็นหรือi=1N1Nxiซึ่งเท่ากับ T


1
โปรดทราบว่าไม่สามารถ IID เช่นที่พวกเขามีข้อ จำกัด ที่จะสรุปไปT ถ้าคุณรู้ว่าn - 1ของพวกเขาที่คุณรู้ว่าn ทีเอชหนึ่งมากเกินไป xi|TTn1nth
jbowman

ใช่ แต่ฉันทำบางสิ่งที่ลึกซึ้งยิ่งขึ้นฉันบอกว่าถ้าคุณสุ่มตัวอย่างหลายครั้งด้วยการแทนที่แต่ละตัวอย่างจะเป็นตัวอย่างจากการกระจายแบบไม่ต่อเนื่อง
gazza89

ขออภัย! ใส่ผิดความคิดเห็นก็ควรจะได้รับการ OP มันมีความหมายในการอ้างอิงถึงคำว่า "มันหมายความว่าแต่ละตั้งแต่X1,,Xnเป็น IID "E(XiT)=TnX1,,Xn
jbowman
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.