Lấy từ Grimmet và Stirzaker :
Chứng tỏ rằng không thể là trường hợp U = X + Y
Một bằng chứng đơn giản bằng cách cũng đủ mâu thuẫn đối với trường hợp X
Tuy nhiên, bằng chứng này không mở rộng đến X , Y
Lấy từ Grimmet và Stirzaker :
Chứng tỏ rằng không thể là trường hợp U = X + Y
Một bằng chứng đơn giản bằng cách cũng đủ mâu thuẫn đối với trường hợp X
Tuy nhiên, bằng chứng này không mở rộng đến X , Y
Câu trả lời:
Kết quả có thể được chứng minh bằng một hình ảnh: các vùng màu xám có thể nhìn thấy cho thấy phân phối đồng đều không thể bị phân tách thành tổng của hai biến phân phối nhận dạng độc lập.
Đặt X và Y là iid sao cho X + Y có phân phối đồng đều trên [ 0 , 1 ] . Điều này có nghĩa rằng đối với tất cả 0 ≤ một ≤ b ≤ 1 ,
Pr ( a < X + Y ≤ b ) = b - a .
Sự hỗ trợ thiết yếu của sự phân bố chung của X và Y do đó là [ 0 , 1 / 2 ] (đối với trường hợp sẽ có khả năng tích cực mà X + Y dối bên ngoài [ 0 , 1 ] ).
Hãy 0 < ε < 1 / 4 . Xem sơ đồ này cho thấy tổng các biến ngẫu nhiên được tính như thế nào:
Phân phối xác suất cơ bản là phân phối chung cho ( X , Y ) . Xác suất của bất kỳ sự kiện nào a < X + Y ≤ b được đưa ra bởi tổng xác suất được bao phủ bởi dải đường chéo kéo dài giữa các đường x + y = a và x + y = b . Ba ban nhạc như được hiển thị: từ 0 đến ε , xuất hiện như một hình tam giác nhỏ màu xanh ở dưới bên trái; từ 1 / 2 - ε đến 1 / 2
Bằng cách so sánh tam giác dưới bên trái trong hình với hình vuông bên trái chứa nó và khai thác giả định iid cho X và Y , rõ ràng là
ε = Pr ( X + Y ≤ ε ) < Pr ( X ≤ ε ) Pr ( Y ≤ ε ) = Pr ( X ≤ ε ) 2 .
Lưu ý rằng bất đẳng thức là nghiêm ngặt: không thể bình đẳng vì có một số xác suất dương rằng cả X và Y đều nhỏ hơn ϵ nhưng tuy nhiên
Tương tự, so sánh tam giác đỏ với hình vuông ở góc trên bên phải,
ε = Pr ( X + Y > 1 - ε ) < Pr ( X > 1 / 2 - ε ) 2 .
Cuối cùng, so sánh hai tam giác đối diện ở phía trên bên trái và phía dưới bên phải với dải chéo chứa chúng cho ra một bất đẳng thức nghiêm ngặt khác,
2 ε < 2 Pr ( X ≤ ε ) Pr ( X > 1 / 2 - ε ) < Pr ( 1 / 2 - ε < X + Y ≤ 1 / 2 + ε ) = 2 ε .
Các nảy sinh bất bình đẳng đầu tiên từ trước đó hai (lấy căn bậc hai của họ và nhân họ) trong khi cái thứ hai mô tả (chặt chẽ) bao gồm các hình tam giác trong biên độ và sự bình đẳng trước thể hiện sự thống nhất của X + Y . Kết luận rằng 2 ε < 2 ε là mâu thuẫn minh như X và Y không thể tồn tại, QED .
I tried finding a proof without considering characteristic functions. Excess kurtosis does the trick. Here's the two-line answer: Kurt(U)=Kurt(X+Y)=Kurt(X)/2
Rather more interesting is the line of reasoning that got me to that point. X
E(X+Y)=E(X)+E(Y)=2E(X)=0.5
So E(X)=0.25
Var(X+Y)=Var(X)+Var(Y)=2Var(X)=112
Hence Var(X)=124
Now, what's the largest standard deviation that a random variable can have if the smallest value it can take is 0, the largest value it can take is 0.5, and the mean is 0.25? Collecting all the probability at two point masses on the extremes, 0.25 away from the mean, would clearly give a standard deviation of 0.25. So our σX
Second moment considerations almost put an impossible constraint on X
κi(U)=κi(X+Y)=κi(X)+κi(Y)=2κi(X)
This additivity property is precisely the generalisation of how we dealt with the mean and variance above - indeed, the first and second cumulants are just κ1=μ
Then κ3(U)=2κ3(X)
So instead, let's try the excess kurtosis, γ2=κ4κ22=E(X−μX)4σ4X−3
Kurt(U)=Kurt(X+Y)=Kurt(X)/2
The uniform distribution has excess kurtosis −1.2