Expectativa condicional de variable aleatoria exponencial

13

Para una variable aleatoria ( ) Siento intuitivamente que debería ser igual a ya que por la propiedad sin memoria la distribución de es la misma que la de pero desplazada a la derecha por . $X\sim \text{Exp}(\lambda)$ $\mathbb{E}[X] = \frac{1}{\lambda}$ $\mathbb{E}[X|X > x]$ $x + \mathbb{E}[X]$ $X|X > x$ $X$ $x$

Sin embargo, estoy luchando por usar la propiedad sin memoria para dar una prueba concreta. Cualquier ayuda es muy apreciada.

Gracias.

random-variable exponential conditional-expectation mchen
fuente

Sugerencia: es la expresión matemática correspondiente a "desplazado a la derecha por ", por lo queAhora haga un cambio de variables en la integral de la derecha.

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

Tenga en cuenta que es una distribución truncada truncada debajo de " ". Especialmente es una distribución exponencial desplazada y la exponencial desplazada no tiene propiedad sin memoria .

X | X > x

$X|X>x$

x

$x$

AD

13

$\ldots$ por la propiedad sin memoria la distribución de es la misma que la de pero desplazada a la derecha por . $X|X > x$ $X$ $x$

Deje denota la función de densidad de probabilidad (pdf) de . Entonces, la formulación matemática de lo que usted dice correctamente es decir, el pdf condicional de dado que es el mismo que el de pero desplazado a la derecha por es que . Por lo tanto, , el valor esperado de dado que es $f_X(t)$ $X$ $-$ $X$ $\{X > x\}$ $X$ $x$ $-$ $f_{X \mid X > x}(t) = f_X(t-x)$ $E[X\mid X > x]$ $X$ $\{X > x\}$

\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}

$\begin{align} E[X\mid X > x] &= \int_{-\infty}^\infty t f_{X \mid X > x}(t)\,\mathrm dt\\ &= \int_{-\infty}^\infty t f_X(t-x)\,\mathrm dt\\ &= \int_{-\infty}^\infty (x+u) f_X(u)\,\mathrm du &\scriptstyle{\text{on substituting}~u = t-x}\\ &= x + E[X]. \end{align}$ Tenga en cuenta que no hemos usado explícitamente la densidad de en el cálculo, y ni siquiera necesitamos integrar explícitamente si simplemente recordamos que (i) el área debajo de un pdf es y (ii) la definición del valor esperado de una variable aleatoria continua en términos de su pdf.

X

$X$

1

$1$

Dilip Sarwate
fuente

9

Para , el evento tiene probabilidad . Por lo tanto, pero (usando el truco de Feynman, vindicado por el teorema de convergencia dominada, porque es divertido) $x>0$ $\{X>x\}$ $P\{X>x\}=1-F_X(x)=e^{-\lambda x} > 0$

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},

$= -\lambda\frac{d}{d\lambda}\left(\frac{e^{-\lambda x}}{\lambda}\right) = \left(\frac{1}{\lambda}+x\right)e^{-\lambda x} \, ,$ que da el resultado deseado

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

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

zen
fuente

2

Aunque el uso del truco de Feynman es interesante, ¿por qué no integrarse por partes para obtener

\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

Expectativa condicional de variable aleatoria exponencial

Respuestas: