Attente de

10

Soit , , , et être indépendant. Quelle est l'attente de ? $X_1$ $X_2$ $\cdots$ $X_d \sim \mathcal{N}(0, 1)$ $\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2}$

Il est facile de trouver par symétrie. Mais je ne sais pas comment trouver l'attente de . Pourriez-vous s'il vous plaît fournir quelques conseils? $\mathbb{E}\left(\frac{X_1^2}{X_1^2 + \cdots + X_d^2}\right) = \frac{1}{d}$ $\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2}$

Ce que j'ai obtenu jusqu'à présent

Je voulais trouver par symétrie. Mais ce cas est différent de celui de car peut ne pas être égal à . J'ai donc besoin d'autres idées pour trouver l'attente. $\mathbb{E}\left(\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2}\right)$ $\mathbb{E}\left(\frac{X_1^2}{X_1^2 + \cdots + X_d^2}\right)$ $\mathbb{E}\left(\frac{X_i^4}{(X_1^2 + \cdots + X_d^2)^2}\right)$ $\mathbb{E}\left(\frac{X_i^2X_j^2}{(X_1^2 + \cdots + X_d^2)^2}\right)$

D'où vient cette question

Une question en échange de pile mathématique demande la variance de pour un vecteur aléatoire uniforme sur . Ma dérivation montre que la réponse dépend fortement des valeurs de et pour . Depuis et par symétrie, nous n'avons besoin que de connaître la valeur de $\|Ax\|_2^2$ $x$ $S^{d-1}$ $\mathbb{E}\left(\frac{X_i^4}{(X_1^2 + \cdots + X_d^2)^2}\right)$ $\mathbb{E}\left(\frac{X_i^2X_j^2}{(X_1^2 + \cdots + X_d^2)^2}\right)$ $i \neq j$

\sum_{i \neq j} E (\frac{X_{i}^{2} X_{j}^{2}}{(X_{1}^{2} + \dots + X_{d}^{2})^{2}}) + \sum_{i} E (\frac{X_{i}^{4}}{(X_{1}^{2} + \dots + X_{d}^{2})^{2}}) = 1

$\sum_{i \neq j}\mathbb{E} \left( \frac{X_i^2X_j^2}{(X_1^2 + \cdots + X_d^2)^2}\right) + \sum_i \mathbb{E}\left(\frac{X_i^4}{(X_1^2 + \cdots + X_d^2)^2}\right) = 1$

E (\frac{X_{1}^{4}}{(X_{1}^{2} + \dots + X_{d}^{2})^{2}})

$\mathbb{E}\left(\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2}\right)$ pour obtenir d'autres attentes.

— Michael Hardy
source

7

La distribution de $X_i^2$ est khi carré (et aussi un cas particulier de gamma).

La distribution de est donc bêta. $\frac{X_1^2}{X_1^2 + \cdots + X_d^2}$

L'attente du carré d'une bêta n'est pas difficile.

— Glen_b -Reinstate Monica
source

5

Cette réponse élargit la réponse de @ Glen_b.

Fait 1: Si , , , sont des variables aléatoires de distribution normale standard indépendantes, alors la somme de leurs carrés a la distribution chi carré avec degrés de liberté. En d'autres termes, $X_1$ $X_2$ $\cdots$ $X_n$ $n$
$X_{1}^{2} + \dots + X_{n}^{2} \sim χ^{2} (n)$ $X_1^2 + \cdots + X_n^2 \sim \chi^2(n)$

Par conséquent, et . $X_1^2 \sim \chi^2(1)$ $X_2^2 + \cdots + X_d^2 \sim \chi^2(d-1)$

Fait 2: Si et , alors $X \sim \chi^2(\lambda_1)$ $Y \sim \chi^2(\lambda_2)$
$\frac{X}{X + Y} \sim beta (\frac{λ_{1}}{2}, \frac{λ_{2}}{2})$ $\frac{X}{X + Y} \sim \texttt{beta}(\frac{\lambda_1}{2}, \frac{\lambda_2}{2})$

Par conséquent, . $Y = \frac{X_1^2}{X_1^2 + \cdots + X_d^2} \sim \texttt{beta}(\frac{1}{2}, \frac{d-1}{2})$

Fait 3: Si , alors et $X \sim \texttt{beta}(\alpha, \beta)$
$E (X) = \frac{α}{α + β}$ $\mathbb{E}(X) = \frac{\alpha}{\alpha + \beta}$ $V a r (X) = \frac{α β}{(α + β)^{2} (α + β + 1)}$ $\mathbb{Var}(X) = \frac{\alpha\beta}{(\alpha + \beta)^2(\alpha + \beta + 1)}$

Par conséquent, et

E (Y) = \frac{1}{d}

$\mathbb{E}(Y) = \frac{1}{d}$

V a r (Y) = \frac{2 (d - 1)}{d^{2} (d + 2)}

$\mathbb{Var}(Y) = \frac{2(d-1)}{d^2(d+2)}$

Enfin,

E (Y^{2}) = V a r (Y) + E (Y)^{2} = \frac{3 d}{d^{2} (d + 2)} .

$\mathbb{E}(Y^2) = \mathbb{Var}(Y) + \mathbb{E}(Y)^2 = \frac{3d}{d^2(d+2)}.$

— user603
source

1

@ NP-dur: Il vous semble que , en fait , posé cette question afin de pouvoir répondre à cette question ? Pourquoi ne pas simplement mentionner cela?

— joriki

@joriki Merci. J'ajouterai le lien vers la question.