如何舉例說明數學期望有時是不存在的?


另一個回答的例子舉得很好,但是沒有答到點子上。

數學期望的定義里要求定義式是絕對收斂的,出發點是,當一個分布給定下來之後,它的期望值不應該受到定義式求和順序的改變而改變,而絕對收斂是能夠保證這一點的。

連續型分布中有一個典型的例子就是Cauchy分布。


柯西分布的例子上面已經有答主給出,但想借這個問題說一下:期望值定義裡面的絕對收斂條件只是一個習慣(convention),這不是唯一的定義也不是最全面的定義方法。它的好處如上面答主所說,期望值是個和,絕對收斂可以保證其取唯一的(有限)值,而不會因為重排求和順序而得到不同的值的情況(即條件收斂)。但要求絕對收斂,會忽略期望值取pm infty的情況,事實上這種情況在另一種定義是允許發生的。

X^+=max(X,0), X^-=max(-X,0)分別為X的正部和負部,則它們都是非負的隨機變數(會有非負的期望值),並有X=X^+-X^-, |X|=X^++X^-

EX=EX^+-EX^-, E|X|=EX^++EX^-···(*)

那麼一共有四種情況

(i)EX^+<+infty,EX^-<+inftyLeftrightarrow E|X|<+infty,EX<+infty

(ii)EX^+=+infty,EX^-<+inftyRightarrow E|X|=+infty,EX=+infty

(iii)EX^+<+infty,EX^-=+inftyRightarrow E|X|=+infty,EX=-infty

(iv)EX^+=+infty,EX^-=+inftyRightarrow E|X|=+infty,EX=(+infty)-(+infty)

關於期望值(存在)更全面的定義應該是這樣的,

定義:(1)如果E|X|<+infty(此時EX^+EX^-都有限),則稱X可積(Xin L^1),EXX的期望值。

(2)如果EX^+EX^-有限(即EX^+,EX^-不同時為正無窮),則稱X關於概率測度P的期望值EX存在

不難看出(1)對應的是(i)的情形,而(2)對應的是(i),(ii),(iii), (2)包含(1)。

關鍵在於(*)式中的兩個運算, EX是兩個非負數(可取正無窮)之差,EX^+EX^-取有限值時,這個差是有意義的(分別是a-b,a-infty,infty-b的情況,a,b有限)。但兩個數都是正無窮時((iv)),這個差是沒有意義的,因為我們不知道它們分別發散的速度(特別地如果 EX能取某個有限值時總可以通過重排求和次序(改變其發散方式)使其取任意有限值,即條件收斂)。

因此只要差運算有意義時,我們可以都認為期望存在。在很多資料中,定義期望時只提到了(1),而沒有提到(2),這樣的做法可以帶來很大的方便,因為絕對收斂條件 E|X|<+infty成立時我們不用去考慮會否出現無窮減無窮的情況,得到的期望值一定有意義,這是一種習慣的做法也是最常用到的情況。然而這樣得到的期望一定是有限的。取值(正負)無窮的期望也是有意義的((ii),(iii)的情況),但這種情況並不常見。

因此上面離散的例子在上述定義下是存在的,它是一個取值正無窮的期望

EX^-=0,EX^+=+infty),但不可積。

連續的無窮期望例子,如:布朗運動的首達時T_a=inf{tgeq0:B_t=a}ET_a=+infty

不存在的例子就是柯西分布,因為出現無窮減無窮的情形。

歡迎指正。


我來補一個離散的例子。

假設一個隨機變數取正整數n的概率為frac{6}{pi^{2} n^{2}} ,容易驗證sum_{n=1}^{infty}{frac{6}{pi^{2}n^{2}}}=1

則期望不存在,因為sum_{n=1}^{infty}{frac{6n}{pi^{2}n^{2}}}=frac{6}{pi^{2}}sum_{n=1}^{infty}{frac{1}{n}}不收斂。


你可以搜一下聖彼得堡悖論


我也來摻和一下,嘗試從統計的角度來解釋。

假想我有2台隨機數生成器A和B,

首先按照同一個分布各自獨立地生成隨機序列Xa和Xb,

然後分布對兩個序列作統計平均,得到ma和mb

最後比較ma和mb之間的差異。

如果數學期望存在,那就幾乎一定能發現數學期望,ma和mb三者之間的差別要多小就有多小只有序列長度足夠長

如果數學期望不存在,那觀察到的現象就是ma和mb之間不會隨著序列長度的增加無限地靠近


推薦閱讀:

宿命是否存在?真的存在隨機事件嗎?
量子通信迄今最通俗易懂的解釋在哪裡?
為什麼隨機變數X和Y不相關卻不一定獨立?
如何理解及運用王和朗道演算法(Wang and Landau algorithm)?
中醫黑們為什麼喜歡說概率?

TAG:概率 | 概率論 | 隨機過程 | 概率論與數理統計 |