条件期望的求法及应用

发布时间:2023-01-24 08:41:56   来源:文档文库   
字号:
2012年2月 渭南师范学院学报 Feb.2O12 第27卷第2期 JoumM of Weinan NormM Universi哆 V01.27 No.2 条件期望的求法及应用 魏艳华,王丙参,张凡弟 (天水师范学院数学与统计学院,甘肃天水741001) 要:研究了条件期望的性质及求法,系统论述了Radon—Nikodym定理与条件期望的相互关系,探讨了它在统计推 断中的应用,并利用条件期望预测实际问题,从而便于更好理解条件期望的本质. 关键词:条件期望;可测;代数;检验 中图分类号:0211.67 文献标志码:A 文章编号:1009-5128(2012)02—0037—04 收稿日期:2011—o9—07 基金项目:甘肃省自然科学研究基金计划项目(096RJZE106) 作者简介:魏艳华(1980一),女,吉林四平人,天水师范学院数学与统计学院讲师,硕士.研究方向:数理统计. 近年来,条件期望在计算科学、统计、物理、工程、经济管理和金融领域中得到了广泛应用,并取得良好 效果,特别是条件期望在统计推断中的应用 .利用条件概率,可根据实际数据,判断或修正以往信息. 由于用测度论描述的条件期望是鞅论的基础,也是严格论述现代概率论与数理统计必不可缺的基本概念, 所以现代概率论与数理统计总是从条件期望开始讲起.鉴于此,本文研究了条件期望的性质及求法,探讨 了它在统计推断中的应用,并利用条件期望预测实际问题.  条件期望 定义1【 设( , P)为概率空间, 是,的子 代数,随机变量(r, ) 的数学期望存在,一个 可 测r ,7若满足:VA∈ ,I =JaP,则称 为 关于 的数学期望,当 = (∞),A∈F,则称条件 期望E( I )为事件A关于or代数 的条件概率,记为P(A  ). 此定义理论严谨,表述简洁,但需对其存在性和唯一性进行证明. 事实上,Radon—Nikodym(R—N)定理保证了上述条件期望的存在,VA∈ ,v(a)@J 是 上的 符号测度,且关于概率测度P绝对连续・由R—N定理可知存在R—N导数叼= ,于是VA∈ , 咖: v(a)=f 咖,即,7=E( l .实际上,E( I )是r , 在 的每个可测子集上按照概率测度取平均.若 取 = ({A}),A E F,则E( I )=alA+ 其中a,b分别是 在A与A上的均值,即E( I )是对 的某种局部平均,平均的效果随 的增大而减弱.若 ={力, },则E( I )=  被彻底修平;若增大 3 ( ),则E( I )= ,此时修平作用消失.从这个角度看,条件期望E( I )是介于 与 之间的一 个平滑r 定理1【 若 为 代数,则 (1) (o4+6 l )=口E( I )+6 (叼l ),口,b,∈R; 2)(全期望公式)E[E( l )]=E( );全概率公式是全期望公式的特例,事实上,记 为事件A的 示性函数,易知巩=P(3),E(厶J Y=Y)=P(A  Y=Y),于是有:P(A)=JP(A  Y:Y)dFr()). 3)女口果 为 可i4,贝0 E( l )= ; (4)如果孝与 独立,则层( I )=E( ); (5)如果 。是t代数 的子 代数,则E[E( l )I 。]=E( I ). 
38・ 魏艳华,王丙参,张凡弟:条件期望的求法及应用 第27卷 2 条件期望的求法 在现代概率论中,条件期望的概念太抽象,其定义中没有包含算法,所以求条件期望往往很难,需要技 巧. (1)利用问题本身具有的对称性求解 . n > 例1 设 一, 是i.i.r E  。I<∞,S=∑ ,显然E( I.)=E(£I I),i≠_则E(s  S)=nE( I.s)=.s,J}=1,…,n,即E( I 5)= 口.s,.}=1,2,…,凡. 2)利用线性变换将r 分解为关于条件 代数可测或独立的r 之和,利用条件期望的性质求和. 例2 设样本 ¨…, 一N(O, ),统计量T=∑孔,令s=∑焉,则E(x2 )=÷E(   作正交变换:Y=(Y1, ,…,  =c(x。, ,…,  ,其中C为正交阵,第一行为({,…,{),则有Ey √ √忍 0,Coy(y,)=CC =L,即 与∑ 独立, 一Ⅳ(0, ), =2,…,n,从而|=∑置=∑ =  毫 . 由于 关于 )可钡所 2    鲁+毫 ] 薯+  .  (3)条件期望是一个具有这样性质的 可测函数:它在 中任一元素A上的平均值等于 在A上的平 均值. 例3 设 = {Af≥1}c F,U  = , I =f ≠ ),则Y=E(X  )=∑口 且当 P(A )≠0时口i=P (A )JXdP.当P( )=0时, 为V给定的实数值.显然y是 可测的,VA∈ , j{e≥1}c{2,…}使得A=U于是 yP=∑√ 。P=∑ P(k)=∑。 。 dP:  . 例4 设( ,F,P)上的实值r.喏~vEo,1].又设A={ <0.5}, ={  ,A,A },则E( I )= 0.25,^+0.75厶. 从以上例题可看出,条件期望的求法很复杂,要因地制宜,从问题本身出发,边思考,边化简,将其转化 为可测,或者独立于 代数的r 然后运用条件期望的性质进行求解. 3 条件期望在统计推断上的应用 定理2 设y是概率空间( ,F,P)上的任一r Ey2<ao, 代数D F,则对每个D上可测函数 z,若EZ2<∞,则有 (】,一z) ]≥E[(y—E(y  D)) ]当且仅当z=E(Y  D),0.s时等号成立. 推论 若Ey2<∞,则VarY≥Var[E(YI D)],等号当且仅当Y=E(YI D),口.s时成立.如果z= g(X),D= ( ),则 (Y—g(X)) ]≥E[(y—E(y  )) ],等号当且仅当Y=E(YI ),a. 时成立. (1)估计问题:设 =( 一, )是定义在( ,F,P)上的随机向量,T=r(x 一, )是0的充分 统计量.若y是0的无偏估计量(EY=0),方差有限,则 (】,I )也是0的无偏估计且有较小的方差.即如 果要找0的最小方差无偏估计,只要研究依赖与 的那些无偏估计就够了.条件均值E[y  ]的波动性比 y小,即危险性小,此结论是Rao—Blackwell定理的理论基础 J,意思是:如果l是某个参数0的无偏估计 量,则E[yI ]是它的一个更好无偏估计量,这里假定E[yI ]是一个统计量,即样本的函数,不含未知 参数.在事件 = 上的,y的条件分布的概率质量集中在E[1,I X= ]的附近,使得发散程度变低,因而 它是一个更好的估计量. 
2012年第2期 渭南师范学院学报 ・39・ (2)预测问题:在最小二乘(LS)意义下,已知D的条件下, (】 D),口.s是y的最佳预测.通常当观察 到D={X= }时,E(1 )是一切对y的估计值中均方误差最小的一个,则称之为y关于 的回归.特 别当 =( 一,以),D= ( )则在 R的一切可测函数g中,在 I意义下,E(】I墨,…, )是y 的最佳预测. 例5 设 =( , )~Ⅳn口, )互, 是一个子向量,El,=口X2=口 =f 。21  2, 曰 2 分别是 -, 的协方差矩阵,B。:则是 。与 的相应分量构成的协方差阵,做线性变化(y1,y2)=(置,  一 z1, :E。:口 ):V ,):B2:a一口 。 :a):E( EY:) (y2一E )=B22一B: 8 B 2=台.由于E(Y1一EY1) (y2一EL)=0,即COV(Yl,y2)=o,在正 态分布中,不相关等价于独立,所以 ,y2相互独立.又因为变换的Jacobi行列式等于1,所以 =( 。, :)   ・,Y2)= (Y (Y2),这里Y。= 。,Y2=一XlB ̄B。2+ :,显然 。 )=^( ),因此在 。= 。 条件下, 的条件密度 :I )= A(厶 x )x , :) 一 ()F ,(y ) ) (y2)  = (一X1 B。 +X,2),因为y2一Ⅳ( , 含),所以在互= 条件下, 的条件分布为N(a:+( 一0 ) :,含), ( l 。= )=口2+( ,一 口。) z称为 关于 。的回归,显然它是 的线性函数.综上所述,在正态分布场合,最佳预测是线性预 测. 例6 设到达某车站的顾客数{N;t≥0}为参数是入的泊松过程(p。P),如果每分钟到达车站5个顾 Ⅳl 客,每10分钟有一列车通过, 是第 个顾客到达的时刻, =t—S是第 个顾客的等待时间. J=1∑( t— ∞ Nt n 2 ]= EEn -  (J l  —S)I =儿]P(ⅣI=n)=∑ ,t—E(∑ )J 1 P( =n)=It一了一 t] =竽 一 因为A:5人/分钟,所以一天(4小时)顾客由于等车而浪费的平均时间和为:_× ×6 ×24: 二 工U 36000(分钟).由上可知,如果增加车次,顾客浪费的时间就会减少,但是满载率将降低,费用必然增加,也 会造成浪费.而如何确定车次,使时间、金钱的浪费最小,这是运筹学所要研究的优化问题.通过均方误差 最小,我们可以解决一系列预测问题. (3)Bayes估计:考虑参数0 E 的某个函数:d:O 的估计问题.在Bayes模型中,0被看成是一个  0的一个实现,而P 则被解释称在给定0=0时x(x 一, )的条件分布.在这一框架下,我们的目 的是找d的一个估计占( 一,疋)使风险E[6(X)一d( )] 为最小.由定理2可知此问题的解为 ( ’) =E[d( )l 一,疋].如果知道了(X,d(0))的联合分布就能计算 ( ’). 4)假设检验:设(力, P)是概率空间, 是至少含有两个元素的集合.对于每个0∈0,设Q 是( , F)上的概率测度,又设 c ,0。=0— o,X=( 一, )是观测向量,用P 表示 对应导出的分 布.问题是判断:究竟0∈0,还是0∈0 .可以选择一个可测函数 :R R,0≤ ≤1,使它满足  ( )dP日( )≤ ,0≤Ol≤1,V 0∈Oo且势函数 (0)=J ( )dP口 ),V Oo∈0达到最大.设T= r(x,,£,疋)是0的充分统计量, 是一个检验函数且满足I(X)de ( )≤a,0≤ ≤l,V 0 E O。,则 (T)=E[ ( )I ]也是一个检验函数(与0无关),而且, (0)=E。[ (T)]=E。{E[ ( )l ]}= E ( )=卢。(0),这样 就与 有同样的势,因而只考虑作为该充分量 的函数的那些检验就可以了. 参考文献: [1]魏艳华,王丙参.Radon-Nikodym定理与条件关系的研究[J].重庆文理学院学报(自然科学版),2011,30(2):24—26 [2]赵志文,杨丰凯.关于条件期望求法的讨论[J].吉林师范大学学报,2005,8(3):94—95. 

本文来源:https://www.2haoxitong.net/k/doc/8e8d9d73e0bd960590c69ec3d5bbfd0a7956d591.html

《条件期望的求法及应用.doc》
将本文的Word文档下载到电脑,方便收藏和打印
推荐度:
点击下载文档

文档为doc格式