Les exemples suivants pourraient être cités:
- Une distribution avec une moyenne infinie et une variance infinie.
- Une distribution avec une variance moyenne et infinie infinie.
- Une distribution avec une moyenne finie et une variance infinie.
- Une distribution avec une moyenne et une variance finies.
Cela vient de ce que je vois ces termes inconnus (moyenne infinie, variance infinie) utilisés dans un article que je suis en train de lire, googler et lire un fil de discussion sur le forum / site Web de Wilmott , sans y trouver une explication suffisamment claire. De plus, je n'ai trouvé aucune explication dans aucun de mes propres manuels.
distributions
variance
mean
user1205901 - Rétablir Monica
la source
la source
Réponses:
La moyenne et la variance sont définies en termes d'intégrales. Pour la moyenne ou la variance, cela signifie que le comportement limite de ces intégrales est énoncé.
lim a , blima , b → ∞∫b- unx d F lima , b → ∞∫b- unx f( x ) d X
Cela peut arriver, par exemple, si la queue est "assez lourde". Considérez les exemples suivants pour quatre cas de moyenne et variance finis / infinis:
Une distribution avec une moyenne infinie et une variance infinie.
Exemples: Distribution de Pareto avec , une distribution zeta (2).α = 1
Une distribution avec une variance moyenne et infinie infinie.
Pas possible.
Une distribution avec une moyenne finie et une variance infinie.
Exemples: distribution . Pareto avec .t2 α = 32
Une distribution avec une moyenne et une variance finies.
Exemples: Toute normale. Tout uniforme (en effet, toute variable bornée a tous les moments). .t3
Vous pouvez également avoir une distribution où l'intégrale n'est pas définie mais ne dépasse pas nécessairement toutes les limites finies de la limite.
Ces notes de Charles Geyer expliquent comment calculer des intégrales pertinentes en termes simples. On dirait qu'il traite ici des intégrales de Riemann, qui ne couvrent que le cas continu, mais des définitions plus générales d'intégrale (Stieltjes par exemple) couvriront tous les cas dont vous aurez probablement besoin [L'intégration de Lebesgue est la forme d'intégration utilisée dans la théorie des mesures (ce qui sous-tend la probabilité) mais le point ici fonctionne très bien avec des méthodes plus basiques]. Il couvre également (Sec. 2.5, p13-14) pourquoi "2." n'est pas possible (la moyenne existe si la variance existe).
la source
Les distributions stables fournissent des exemples paramétriques intéressants de ce que vous recherchez:
moyenne infinie et variance:0<stability parameter<1
N / A
moyenne finie et variance infinie:1≤stability parameter<2
moyenne finie et variance: (gaussien)stability parameter=2
la source
Personne n'a mentionné le paradoxe de Saint-Pétersbourg ici; sinon, je ne posterais pas dans un fil de discussion cet ancien qui a déjà plusieurs réponses, dont une réponse "acceptée".
Si une pièce tombe "en tête", vous gagnez un cent.
Si "queues", les gains doublent et puis si "têtes" sur le deuxième tirage au sort, vous gagnez deux cents.
Si "tails" la deuxième fois, les gains doublent à nouveau et si "têtes" sur le troisième tirage au sort, vous gagnez quatre cents.
La réponse est qu’il est très rare que vous receviez une longue séquence de queues, de sorte que les gains vous compenseront pour l’immense dépense que vous avez engagée. C’est vrai, quel que soit le prix à payer pour chaque lancer.
la source
la source