Answers:
我想提供一个非常简单,直观的解释。这相当于看一眼图片:本文的其余部分将解释图片并从中得出结论。
归结为:当“概率质量”集中在附近时,在附近会有太多的概率,从而导致期望值不确定。1 / X 听,说:± ∞
让我们着眼于随机变量,它具有在附近的连续密度,而不是完全笼统。 假设。 在视觉上,这些条件意味着的图形位于周围的轴上方:f X 0 f X(0 )≠ 0 f 0
在附近的连续性表示,对于任何小于正高度和足够小的,我们可以在该图下方雕刻一个矩形,该矩形以为中心,宽度为,高度为,如图所示。这相当于将原始分布表示为均匀分布(权重)和任何剩余量的混合物。 0 p ˚F X(0 )ε X = 0 2 ε p
换句话说,我们可能认为是通过以下方式产生的:
以概率,从均匀分布中得出一个值。(− ϵ ,ϵ )
否则,从分布中得出一个值,该值的密度与成正比。(此功能在右侧以黄色绘制。)
(是指标功能。)
步骤表明,对于任何,介于和之间的机会超过。等效地,这是超过的机会。换句话说:为的幸存者功能写0 < u < ϵ X 0 u p u / 2 1 / X 1 / u S 1 / X
该图显示所有。
我们现在完成了,因为关于事实意味着期望是不确定的。 比较参与运算的正的部分的期望的积分,:
(这是一个纯粹的几何论证:每个积分代表一个可识别的二维区域,所有不等式都来自这些区域内的严格包含。实际上,我们甚至不需要知道最终的积分是一个对数:存在简单的几何显示此积分差异的参数。)
由于右侧随着偏离,因此偏离。负数部分为是相同的(因为矩形以为中心),并且相同的参数显示了对的负数部分的期望。因此,本身的期望是不确定的。
顺便提一句,同一论点表明,当概率集中在一侧时,例如任何指数或Gamma分布(形状参数小于),则正期望值仍会发散,但负期望值将为零。在这种情况下,期望是定义的,但它是无限的。
比率和逆对非负随机变量而言最有意义,因此我几乎可以肯定地假设。然后,如果是一个离散变量,其概率为零,则概率为零,我们将以零的概率除以零,这解释了为什么不存在的期望。
现在来看连续分布情况,其中是具有密度函数的随机变量。我们将假设且是连续的(至少为零)。然后有一个使得为。的期望值由 现在让我们将积分变量更改为,我们有,获取
我们给出了逆的答案,那么比率呢?令为两个非负随机变量的比率。如果它们是独立的,我们可以写 所以这几乎可以为第一种情况,没有太多新的要说的内容。如果它们是相互依存的,联合密度因数为 那么我们得到(使用与上述相同的替代方法) ,我们可以对内部积分进行上述推理。其结果将是,如果条件密度(给定