지수 랜덤 변수의 조건부 기대

13

임의 변수 ( )의 경우 같아야 무 메모리 속성에 의해 이후의 분포 동일하다 있지만만큼 우측으로 시프트 . $X\sim \text{Exp}(\lambda)$ $\mathbb{E}[X] = \frac{1}{\lambda}$ $\mathbb{E}[X|X > x]$ $x + \mathbb{E}[X]$ $X|X > x$ $X$ $x$

그러나 나는 메모리리스 속성을 사용하여 구체적인 증거를 제공하기 위해 고심하고 있습니다. 도움을 주시면 감사하겠습니다.

감사.

random-variable exponential conditional-expectation

— 첸
소스

힌트 : 에 대응하는 수학 식이다 "만큼 우측으로 시프트 "등이제 오른쪽의 적분에서 변수를 변경하십시오.

f_{X | X > a} (x) = f_{X} (x - a)

$f_{X|X > a}(x) = f_X(x-a)$

a

$a$

E [X ∣ X > a] = \int_{- \infty}^{\infty} x f_{X ∣ X > a} (x) d x = \int_{- \infty}^{\infty} x f_{X} (x - a) d x .

$E[X\mid X>a] = \int_{-\infty}^\infty xf_{X\mid X>a}(x)\,\mathrm dx= \int_{-\infty}^\infty xf_X(x-a)\,\mathrm dx.$

— Dilip Sarwate

2

참고 하는 절단 분포가 "아래립니다 ".Specially가 이동 지수 분포 지수가없는 이동 메모리없이 속성을 .

X | X > x

$X|X>x$

x

$x$

— AD

13

$\ldots$ 무 메모리 속성으로의 분포 의 것과 동일 만에 의해 오른쪽으로 이동 . $X|X > x$ $X$ $x$

하자 확률 밀도 함수 (PDF)에 나타내는 . 그런 다음, 당신이 올바르게 상태에 대한 수학 공식 즉, 조건 의 PDF 점을 감안 의 것과 동일 만에 의해 오른쪽으로 이동 입니다 입니다. 따라서, 는 기대 값 의 주어진 있다 $f_X(t)$ $X$ $-$ $X$ $\{X > x\}$ $X$ $x$ $-$ $f_{X \mid X > x}(t) = f_X(t-x)$ $E[X\mid X > x]$ $X$ $\{X > x\}$

\begin{aligned} E [X ∣ X > x] & = \int_{- \infty}^{\infty} t f_{X ∣ X > x} (t) d t \\ = \int_{- \infty}^{\infty} t f_{X} (t - x) d t \\ = \int_{- \infty}^{\infty} (x + u) f_{X} (u) d u & on substituting u = t - x \\ = x + E [X] . \end{aligned}

$\begin{align} E[X\mid X > x] &= \int_{-\infty}^\infty t f_{X \mid X > x}(t)\,\mathrm dt\\ &= \int_{-\infty}^\infty t f_X(t-x)\,\mathrm dt\\ &= \int_{-\infty}^\infty (x+u) f_X(u)\,\mathrm du &\scriptstyle{\text{on substituting}~u = t-x}\\ &= x + E[X]. \end{align}$ 계산에서 의 밀도를 명시 적으로 사용 하지 않았으며 (i) pdf 아래의 영역이 이고 (ii) 정의 라는 것을 기억하면 명시 적 으로 통합 할 필요조차 없습니다. pdf의 관점에서 연속 랜덤 변수의 예상 값.

X

$X$

1

$1$

— 디립 사르 베이트
소스

9

들면 , 이벤트 확률 가지고 . 따라서 그러나 (Feyinman의 트릭을 사용하여 재미 있기 때문에 지배적 수렴 정리에 의해 입증 됨) $x>0$ $\{X>x\}$ $P\{X>x\}=1-F_X(x)=e^{-\lambda x} > 0$

E [X ∣ X > x] = \frac{E [X I_{{X > x}}]}{P {X > x}},

$\newcommand{\E}{\mathbb{E}} \E[X\mid X> x] = \frac{\E[X\,I_{\{X>x\}}]}{P\{X>x\}} \, ,$

E [X I_{{X > x}}] = \int_{x}^{\infty} t λ e^{- λ t} d t = (*)

$\E[X\,I_{\{X>x\}}] = \int_x^\infty t\,\lambda\,e^{-\lambda t}\,dt = (*)$

(*) = - λ \int_{x}^{\infty} \frac{d}{d λ} (e^{- λ t}) d t = - λ \frac{d}{d λ} \int_{x}^{\infty} e^{- λ t} d t

$(*) = -\lambda \int_x^\infty \frac{d}{d\lambda}(e^{-\lambda t}) \,dt = -\lambda \frac{d}{d\lambda} \int_x^\infty e^{-\lambda t} \,dt$

= - λ \frac{d}{d λ} (\frac{1}{λ} \int_{x}^{\infty} λ e^{- λ t} d t) = - λ \frac{d}{d λ} (\frac{1}{λ} (1 - F_{X} (x)))

$= -\lambda \frac{d}{d\lambda} \left(\frac{1}{\lambda} \int_x^\infty \lambda\,e^{-\lambda t} \,dt\right) = -\lambda\frac{d}{d\lambda}\left(\frac{1}{\lambda}\left(1 - F_X(x)\right)\right)$

= - λ \frac{d}{d λ} (\frac{e^{- λ x}}{λ}) = (\frac{1}{λ} + x) e^{- λ x},

$= -\lambda\frac{d}{d\lambda}\left(\frac{e^{-\lambda x}}{\lambda}\right) = \left(\frac{1}{\lambda}+x\right)e^{-\lambda x} \, ,$ 원하는 결과를 제공합니다.

E [X ∣ X > x] = \frac{1}{λ} + x = E [X] + x .

$\E[X\mid X>x] = \frac{1}{\lambda}+x = \E[X] + x \, .$

— 선
소스

2

Feynman의 트릭을 사용하는 것은 흥미롭지 만, 부분적으로 통합하여

\int_{x}^{\infty} t λ e^{- λ t} d t = - t e^{- λ t} |_{x}^{\infty} + \int_{x}^{\infty} e^{- λ t} d t = (x + \frac{1}{λ}) e^{- λ x} ?

$\int_x^\infty t\lambda e^{-\lambda t}\,dt = -t e^{-\lambda t}\biggr |_x^\infty + \int_x^\infty e^{-\lambda t}\,dt = \left(x + \frac{1}{\lambda}\right)e^{-\lambda x}?$

— Dilip Sarwate