Erwartung von

10

Sei , , , und sei unabhängig. Was ist die Erwartung von ? $X_1$ $X_2$ $\cdots$ $X_d \sim \mathcal{N}(0, 1)$ $\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2}$

Es ist leicht, durch Symmetrie zu finden. Aber ich weiß nicht, wie ich die Erwartung von . Könnten Sie bitte einige Hinweise geben? $\mathbb{E}\left(\frac{X_1^2}{X_1^2 + \cdots + X_d^2}\right) = \frac{1}{d}$ $\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2}$

Was ich bisher erhalten habe

Ich wollte durch Symmetrie finden. Dieser Fall unterscheidet sich jedoch von dem für da darf nicht gleich . Ich brauche also einige andere Ideen, um die Erwartung zu finden. $\mathbb{E}\left(\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2}\right)$ $\mathbb{E}\left(\frac{X_1^2}{X_1^2 + \cdots + X_d^2}\right)$ $\mathbb{E}\left(\frac{X_i^4}{(X_1^2 + \cdots + X_d^2)^2}\right)$ $\mathbb{E}\left(\frac{X_i^2X_j^2}{(X_1^2 + \cdots + X_d^2)^2}\right)$

Woher kommt diese Frage?

Eine Frage im mathematischen Stapelaustausch fragt nach der Varianz von für einen einheitlichen Zufallsvektor auf . Meine Ableitung zeigt, dass die Antwort stark von den Werten von und für . Da und aus Symmetriegründen müssen wir nur den Wert von kennen $\|Ax\|_2^2$ $x$ $S^{d-1}$ $\mathbb{E}\left(\frac{X_i^4}{(X_1^2 + \cdots + X_d^2)^2}\right)$ $\mathbb{E}\left(\frac{X_i^2X_j^2}{(X_1^2 + \cdots + X_d^2)^2}\right)$ $i \neq j$

\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}})

$\mathbb{E}\left(\frac{X_1^4}{(X_1^2 + \cdots + X_d^2)^2}\right)$ , um andere Erwartungen zu erhalten.

— Michael Hardy
quelle

7

Die Verteilung von ist Chi-Quadrat (und auch ein Sonderfall von Gamma). $X_i^2$

Die Verteilung von ist dabei Beta. $\frac{X_1^2}{X_1^2 + \cdots + X_d^2}$

Die Erwartung des Quadrats einer Beta ist nicht schwierig.

— Glen_b - Monica neu starten
quelle

5

Diese Antwort erweitert die Antwort von @ Glen_b.

Fakt 1: Wenn , , , unabhängige Zufallsvariablen für die Standardnormalverteilung sind, hat die Summe ihrer Quadrate die Chi-Quadrat-Verteilung mit Freiheitsgraden. Mit anderen Worten, $X_1$ $X_2$ $\cdots$ $X_n$ $n$
$X_{1}^{2} + \dots + X_{n}^{2} \sim χ^{2} (n)$ $X_1^2 + \cdots + X_n^2 \sim \chi^2(n)$

Daher und . $X_1^2 \sim \chi^2(1)$ $X_2^2 + \cdots + X_d^2 \sim \chi^2(d-1)$

Fakt 2: Wenn und , dann $X \sim \chi^2(\lambda_1)$ $Y \sim \chi^2(\lambda_2)$
$\frac{X}{X + Y} \sim beta (\frac{λ_{1}}{2}, \frac{λ_{2}}{2})$ $\frac{X}{X + Y} \sim \texttt{beta}(\frac{\lambda_1}{2}, \frac{\lambda_2}{2})$

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

Fakt 3: Wenn , dann und $X \sim \texttt{beta}(\alpha, \beta)$
$E (X) = \frac{α}{α + β}$ $\mathbb{E}(X) = \frac{\alpha}{\alpha + \beta}$ $V a r (X) = \frac{α β}{(α + β)^{2} (α + β + 1)}$ $\mathbb{Var}(X) = \frac{\alpha\beta}{(\alpha + \beta)^2(\alpha + \beta + 1)}$

Daher ist und

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

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

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

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

Schließlich ist

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
quelle

1

@ NP-hart: Es scheint , dass Sie in der Tat , diese Frage , um in der Lage zu antworten , fragten diese Frage ? Warum nicht einfach das erwähnen?

— Joriki

@joriki Danke. Ich werde den Link zur Frage hinzufügen.