Real-order moments, tail representations, and logarithmic means

Sintesi Tecnica: Momenti di Ordine Reale, Rappresentazioni delle Code e Media Logaritmica

Enunciato del Problema
Mentre la classica rappresentazione integrale delle code per i momenti di variabili aleatorie non negative è uno strumento standard nella teoria della probabilità (ad es., Feller, 1971; Shorack, 2000), le formule corrispondenti per variabili aleatorie con valori reali arbitrari sono spesso trattate in isolamento. Nello specifico, la letteratura esistente manca spesso di un quadro unificato che affronti simultaneamente distribuzioni continue, discrete e miste, nonché momenti di ordine positivo, frazionario e negativo. Inoltre, la connessione tra momenti logaritmici e trasformate di Laplace è spesso trattata separatamente dalle rappresentazioni generali dei momenti. Questo articolo affronta la necessità di una struttura teorica coesa che estenda le identità integrali delle code a variabili aleatorie arbitrarie supportate su l'intero retta reale.

Metodologia
Gli autori sviluppano un quadro unificato basato sulla decomposizione del valore atteso $E[X^p]$ in parti positive e negative, utilizzando la funzione di ripartizione (CDF) $F_X$ e le funzioni di sopravvivenza.

1. Rappresentazioni Integrali Generali: Per una variabile aleatoria arbitraria $X$ e un ordine reale $p > 0$, l'articolo deriva una formula generale dividendo il dominio in $X > 0$ e $X < 0$. Applicando il teorema di Fubini per scambiare l'ordine di integrazione e utilizzando la definizione di CDF, gli autori stabiliscono che il $p$-esimo momento può essere espresso come:
   $$E[X^p] = p \int_0^\infty t^{p-1}[1 - F_X(t)] dt - p \int_{-\infty}^0 t^{p-1}F_X(t-) dt$$
   Questa formulazione si basa sulla funzione di sopravvivenza per la parte positiva e sulla CDF sinistamente continua per la parte negativa.

2. Distribuzioni Discrete: Sfruttando la natura a gradini della CDF per le variabili discrete, gli autori convertono le rappresentazioni integrali in serie esplicite. Partizionando il dominio di integrazione nei punti di supporto della distribuzione, derivano formule di sommatoria che coinvolgono le probabilità cumulate. Per le variabili a valori interi, ciò produce serie specifiche che coinvolgono differenze di potenze di interi e probabilità di coda.

3. Momenti Negativi e Logaritmici:

   • Momenti Negativi: Applicando la rappresentazione generale alla variabile reciproca $Y = X^{-1}$, gli autori derivano un'espressione integrale per i momenti negativi $E[X^{-q}]$ in termini della CDF vicino all'origine.
   • Momenti Logaritmici: L'articolo investiga il comportamento limite dei momenti di ordine reale quando $p \to 0$. Differenziando la rappresentazione del momento rispetto a $p$ e utilizzando l'identità $1/t = \int_0^\infty e^{-tx} dx$, gli autori collegano il momento logaritmico $E[\log(X)]$ alla trasformata di Laplace di $X$.

Risultati Chiave e Contributi

• Rappresentazione Unificata dei Momenti: Il contributo primario è la derivazione di un'unica identità integrale (Equazione 4) che si applica a distribuzioni continue, discrete e miste su $\mathbb{R}$. Questa identità generalizza la classica formula dell'integrale di coda per variabili non negative a variabili con valori reali arbitrari.
• Criteri di Esistenza: L'articolo stabilisce condizioni necessarie e sufficienti per l'esistenza dei momenti di ordine reale. Il Teorema 1 dimostra che $E[|X|^p] < \infty$ se e solo se gli integrali delle probabilità di coda (pesati da $t^{p-1}$) convergono sia a $+\infty$ che a $-\infty$.
• Formule in Serie Discrete: Per le variabili aleatorie discrete, l'articolo fornisce rappresentazioni in serie esplicite (Equazione 8) per i momenti in termini di probabilità cumulate. Un caso specifico per variabili a valori interi (Equazione 9) recupera la nota identità $E[X] = \sum_{k=0}^\infty P(X > k) - \sum_{k=1}^\infty P(X \leq -k)$.
• Applicazioni a Distribuzioni Specifiche:
  • Distribuzione Zeta: La rappresentazione in serie discreta è applicata alla distribuzione Zeta per recuperare la classica condizione per l'esistenza dei momenti di potenza ($p < \alpha - 1$), dimostrando come il comportamento della coda determini la finitezza del momento.
  • Distribuzione Skellam: Il quadro viene applicato alla distribuzione Skellam (la differenza di due variabili di Poisson), fornendo un'interpretazione geometrica in cui la media è rappresentata come la differenza tra l'area sopra e sotto la CDF.
  • Distribuzione Skew-Normal: La rappresentazione continua è illustrata utilizzando la distribuzione skew-normal, mostrando come la media si relazioni con le aree sotto la CDF.
• Momenti Logaritmici e Trasformate di Laplace: L'articolo deriva l'identità:
  $$E[\log(X)] = \int_0^\infty \frac{e^{-x} - L_X(x)}{x} dx$$
  dove $L_X(x)$ è la trasformata di Laplace della variabile positiva $X$. Questo risultato collega direttamente le medie logaritmiche all'identità di Frullani ed estende il fatto che l'ordine della trasformata di Laplace ($L_X(s) \geq L_Y(s)$) implica un ordinamento dei momenti logaritmici ($E[\log(X)] \leq E[\log(Y)]$).

Significatività e Rivendicazioni
L'articolo sostiene di fornire una "prospettiva unificata" sulle rappresentazioni dei momenti. La sua significatività risiede in:

1. Generalità: Rimuove la restrizione alle variabili non negative e il requisito di funzioni di densità di probabilità, accogliendo naturalmente i casi discreti e misti.
2. Utilità Analitica: Le serie derivate per le distribuzioni discrete offrono criteri pratici per l'esistenza dei momenti basati sulle asintotiche delle code, il che è particolarmente utile per i modelli a coda pesante dove le densità possono essere difficili da gestire.
3. Connessione Teorica: La derivazione della rappresentazione del momento logaritmico colma il divario tra la teoria dei momenti, le trasformate di Laplace e le classiche identità integrali (Frullani), offendo un nuovo strumento per confrontare i momenti logaritmici tramite l'ordinamento stocastico.

Gli autori concludono che questi risultati facilitano lo studio del comportamento delle code, delle misure di rischio e della modellizzazione stocastica, fornendo un trattamento comune per momenti positivi, frazionari e negativi. Suggeriscono estensioni future ai momenti troncati, ai momenti condizionati e alle distribuzioni multivariate, ma non propongono specifiche validazioni sperimentali o applicazioni non menzionate.