STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
STOKASTIK Sannolikhetsteori och statistikteori med tillämpningar
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
152 KAPITEL 3 SLUMPVARIABLER<br />
BEVIS<br />
2007-10-08 – sida 152 – # 156<br />
Vi ger endast en skiss av beviset för det diskreta fallet. Den viktiga insikten<br />
är att det för en konvex funktion följer från definitionen att olikheten även<br />
gäller för fler ”viktade punkter” dvs. f( <br />
k kpX(k)) ≤ <br />
k pX(k)f(k).<br />
Men detta är just detsamma som Jensens olikhet påstår!<br />
EXEMPEL 3.52<br />
Det gäller att f(x) = x 2 <strong>och</strong> g(x) = e x bägge är konvexa funktioner. Från<br />
Jensens olikhet kan vi således dra slutsatsen att E(X 2 ) ≥ (E(X)) 2 <strong>och</strong> att<br />
E(e X ) ≥ e E(X) . Den första olikheten är detsamma som att V (X) ≥ 0.<br />
Vi avslutar detta avsnitt <strong>med</strong> att härleda två räkneregler för väntevärden<br />
<strong>och</strong> varianser, som kan vara användbara då dessa är svåra att beräkna, men där<br />
man lättare kan beräkna dessa moment om man får betinga på någon annan<br />
variabel. Låt för detta ändamål (X, Y ) vara en två-dimensionell slumpvariabel.<br />
Betrakta nu funktionen g(k) := E(X | Y = k) som ju enligt definitionen<br />
av betingade väntevärden ges av<br />
g(k) = E(X | Y = k) = <br />
jpX|Y (j | k) = <br />
j pX,Y (j, k)<br />
.<br />
pY (k)<br />
k<br />
j<br />
Om vi nu vill beräkna väntevärdet av denna funktion när vi betraktar Y som<br />
slumpvariabel får vi således<br />
E(g(Y )) = <br />
g(k)pY (k) = <br />
j pX,Y (j, k)<br />
pY (k) pY (k)<br />
j,k<br />
= <br />
jpX(j) = E(X).<br />
j<br />
Ofta skrivs denna relation på formen E(X) = E(E(X | Y )) eftersom g(Y ) =<br />
E(X | Y ).<br />
Vi ska nu härleda en liknande formel för variansen. Inför<br />
h(k) = E(X 2 | Y = k) − (E(X | Y = k)) 2<br />
= <br />
j 2 <br />
<br />
pX|Y (j | k) − jpX|Y (j | k)<br />
j<br />
j<br />
j<br />
2<br />
,