Quelle est l'attente d'une variable aléatoire divisée par une moyenne ?

Soit IID et . Cela semble évident, mais j'ai du mal à le déduire formellement. $X_i$ $\bar{X} = \sum_{i=1}^{n} X_i$

E [\frac{X_{i}}{\bar{X}}] = ?

$E\left[\frac{X_i}{\bar{X}}\right] = \ ?$

probability random-variable expected-value

— stollenm
source

Soit des variables aléatoires indépendantes et distribuées de manière identique et définissons $X_1,\dots,X_n$

\bar{X} = \frac{X_{1} + X_{2} \dots + X_{n}}{n} .

$\bar{X}=\frac{X_1+X_2\dots+X_n}{n}.$

Supposons que . Comme les sont distribués de manière identique, la symétrie nous dit que, pour , les variables aléatoires (dépendantes) ont la même distribution: Si les attentes existent (c'est un point crucial), alors et, pour , nous avons $\Pr\{\bar{X}\ne 0\}=1$ $X_i$ $i=1,\dots n$ $X_i/\bar{X}$

\frac{X_{1}}{\bar{X}} \sim \frac{X_{2}}{\bar{X}} \sim \dots \sim \frac{X_{n}}{\bar{X}} .

$\frac{X_1}{\bar{X}} \sim \frac{X_2}{\bar{X}} \sim \dots \sim \frac{X_n}{\bar{X}}.$

E [X_{i} / \bar{X}]

$\mathrm{E}[X_i/\bar{X}]$

E [\frac{X_{1}}{\bar{X}}] = E [\frac{X_{2}}{\bar{X}}] = \dots = E [\frac{X_{n}}{\bar{X}}],

$\mathrm{E}\left[ \frac{X_1}{\bar{X}} \right] = \mathrm{E}\left[ \frac{X_2}{\bar{X}} \right] = \dots = \mathrm{E}\left[ \frac{X_n}{\bar{X}} \right],$

i = 1, \dots, n

$i=1,\dots,n$

\begin{aligned} E [\frac{X_{je}}{\bar{X}}] & = \frac{1}{n} (E [\frac{X_{1}}{\bar{X}}] + E [\frac{X_{2}}{\bar{X}}] + \dots + E [\frac{X_{n}}{\bar{X}}]) \\ = \frac{1}{n} E [\frac{X_{1}}{\bar{X}} + \frac{X_{2}}{\bar{X}} + \dots + \frac{X_{n}}{\bar{X}}] \\ = \frac{1}{n} E [\frac{X_{1} + X_{2} + \dots + X_{n}}{\bar{X}}] \\ = \frac{1}{n} E [\frac{n \bar{X}}{\bar{X}}] \\ = \frac{n}{n} E [\frac{\bar{X}}{\bar{X}}] = 1. \end{aligned}

$\begin{align} \mathrm{E}\left[ \frac{X_i}{\bar{X}} \right] &= \frac{1}{n} \left( \mathrm{E}\left[ \frac{X_1}{\bar{X}} \right] + \mathrm{E}\left[ \frac{X_2}{\bar{X}} \right] + \dots + \mathrm{E}\left[ \frac{X_n}{\bar{X}} \right] \right) \\ &= \frac{1}{n}\,\mathrm{E}\left[ \frac{X_1}{\bar{X}} + \frac{X_2}{\bar{X}} + \dots + \frac{X_n}{\bar{X}} \right] \\ &= \frac{1}{n}\,\mathrm{E}\left[ \frac{X_1+X_2+\dots+X_n}{\bar{X}} \right] \\ &= \frac{1}{n}\,\mathrm{E}\left[ \frac{n\bar{X}}{\bar{X}} \right] \\ &= \frac{n}{n}\,\mathrm{E}\left[ \frac{\bar{X}}{\bar{X}} \right] = 1. \end{align}$

Voyons voir si nous pouvons vérifier cela par simple Monte Carlo.

x <- matrix(rgamma(10^6, 1, 1), nrow = 10^5)
mean(x[, 3] / rowMeans(x))

[1] 1.00511

Très bien, et les résultats ne changent pas beaucoup sous répétition.

— Zen
source

(+1) La conclusion selon laquelle n'existe pas est vraie, mais nécessite un argument plus subtil que ceux auxquels vous avez déjà lié, car et ne sont pas indépendants.

E [X_{i} / \bar{X}]

$E[X_i/\bar X]$

X_{i}

$X_i$

\bar{X}

$\bar X$

— whuber

@whuber: Pouvez-vous développer cela un peu, Bill? J'ai mentionné la dépendance de et dans l'un des commentaires de la question liée. De plus, la réponse de Xi'an aborde le cas avec une transformation simple. Il a également donné la distribution de dans l'un de ses commentaires. Merci pour vos réflexions à ce sujet.

X_{i}

$X_i$

\bar{X}

$\bar{X}$

n = 2

$n=2$

X_{i} / \bar{X}

$X_i/\bar{X}$

— Zen

@whuber: Je pense que mon explication fonctionne puisque qui est , étant un Cauchy standard. Aucune dépendance impliquée.

X_{i} / \bar{X} = n / {1 + X_{2} / X_{1} + \dots + X_{n} / X_{1}}

$X_i/\bar{X}=n/\{1+X_2/X_1+\cdots+X_n/X_1\}$

n / {1 + (n - 1) Z}

$n/\{1+(n-1)Z\}$

Z

$Z$

— Xi'an

@ Xi'an: avez-vous utilisé ici cela (considérez le cas ), puisque et sont Cauchy standard, alors est également Cauchy standard? Mais ce n'est pas vrai parce que et ne sont pas indépendants, non?

n = 3

$n=3$

U = X_{2} / X_{1}

$U=X_2/X_1$

V = X_{3} / X_{1}

$V=X_3/X_1$

(U + V) / 2

$(U+V)/2$

U

$U$

V

$V$

— Zen

@Zen: Cependant, et sont des variables normales indépendantes, donc est un Cauchy, si avec une échelle plutôt que .

(X_{2} + \dots + X_{n})

$(X_2+\cdots+X_n)$

X_{1}

$X_1$

(X_{2} + \dots + X_{n}) / X_{1}

$(X_2+\cdots+X_n)/X_1$

\sqrt{n - 1}

$\sqrt{n-1}$

n - 1

$n-1$

— Xi'an