Odniesienia: Ogon odwrotnego pliku cdf

10

Jestem prawie pewien, że widziałem już następujący wynik w statystykach, ale nie pamiętam gdzie.

Jeżeli jest dodatnią zmienną losową i E ( X ) < następnie ε F - 1 ( 1 - ε ) 0 gdy ε 0 + , gdzie M jest CDF X .XE(X)<εF1(1ε)0ε0+FX

Można to łatwo zobaczyć geometrycznie stosując równość i rozważa poziomym odcinkiem w ε powierzchni pod krzywą podcałkowej 1 - F .E(X)=1Fε1F

Czy znasz odniesienie do tego wyniku i czy ma on nazwę?

Stéphane Laurent
źródło
3
„Ogólnie” jest prostym zastosowaniem integracji przez części. To prawie nie wymaga odniesienia!
whuber
@ whuber Proszę również o referencję na temat pierwszego wyniku.
Stéphane Laurent
2
Być może widziałeś go, a przynajmniej coś bardzo podobnego, na stats.stackexchange.com/questions/18438 . Wynik ten wynika z podstawienia całki, która znowu jest tak podstawowa, że ​​nie można oczekiwać, że zostanie ona szczególnie zauważona w literaturze lub otrzyma jakąś specjalną nazwę.
whuber
1
@ whuber Nie widzę w twoim linku. Ponadto wynik wspomnieć, odnosi się do dyskretnej F też (poprzez g być sekwencją i zastępując z Ď w bardziej ogólnym Statement). Myślę, że pierwszy wynik jest nawet prawdziwy dla ogólnego F. ϵF1(1ϵ)0FgF
Stéphane Laurent
2
Uważam, że można tego użyć bez żadnego odniesienia, pod warunkiem, że jest to określone bardziej klasycznie. Z grubsza mówiąc, jest to: dlaxz ˉ F :=1-F, bezpośrednia konsekwencja:xxF¯(x)0xF¯:=1F i dominującej konwergencji. Potrzeba trochę pracy, aby uzyskać instrukcję dla (lewej ciągłej) odwrotnej wartości F - 1 w ogólnym przypadku, w którym F może mieć kroki. xPr{X>x}E[X1{X>x}]F1F
Yves

Odpowiedzi:

2

Aby poradzić sobie z „małą pracą” sugerowaną przez Yvesa w komentarzach, geometria sugeruje rygorystyczny iw pełni ogólny dowód.

Jeśli chcesz, możesz zastąpić wszystkie odniesienia do obszarów całkami, a odniesienia do „arbitralnych” zwykłymi argumentami epsilon-delta. Tłumaczenie jest łatwe.

Aby ustawić obraz, niech będzie funkcją przetrwaniaG

G(x)=1F(x)=Pr(X>x).

Postać

Figura działki część . (Zwróć uwagę na skok na wykresie: ten konkretny rozkład nie jest ciągły.) Pokazano duży próg T i wybrano małe prawdopodobieństwo ϵ G ( T ) (tak, że G - 1 ( ϵ ) T ).GTϵG(T)G1(ϵ)T

Jesteśmy gotowi do pracy: interesująca nas wartość, (ta, którą chcemy pokazać, zbiega się do zera), to obszar bieli prostokąt o wysokości ϵ i podstawie od x = 0 do x = G - 1 ( ϵ ) . Odwołajmy ten obszar do oczekiwania F , ponieważ jedynym dostępnym dla nas założeniem jest to, że oczekiwanie to istnieje i jest skończone.ϵF1(1ϵ)=ϵG1(ϵ)ϵx=0x=G1(ϵ)F

E+EF(X)0

EF(X)=E+E=0G(x)dx0F(x)dx.

E+TG0TE+

GTϵG1(ϵ)E+

  • ϵ0x<TTT

  • E+Tϵ

  • x=Tx=G1(ϵ)

ϵG1(ϵ)ϵG1(ϵ)0

Whuber
źródło