关于次高斯随机变量的技术问询

嘿，这个问题挺值得深挖的——咱们一步步来拆解：

问题回顾 #

给定零均值的1-次高斯随机变量 (X \sim \mu)（即对所有实数 (t)，满足矩生成函数约束 (\mathbb{E}[e^{tX}] \leq e^{t2/2})），定义指标 (f(\mu) = \frac{(\mathbb{E}[|X|])^{2}{\mathbb{E}[X}2]})，我们需要找到最小化 (f(\mu)) 的绝对连续分布（即有密度的分布），同时确定 (f(\mu)) 是否存在正的下界。

核心结论 #

1. 最小化 (f(\mu)) 的分布：标准正态分布 (N(0,1)) 是唯一（在分布意义下）达到最小值的绝对连续分布。
2. 下界：对于所有非退化的零均值1-次高斯绝对连续分布，(f(\mu) \geq \frac{2}{\pi} \approx 0.6366)，且这个下界是紧的（由标准正态分布实现）。

详细推导与解释 #

为什么标准正态分布是最小值点？

标准正态分布 (N(0,1)) 是1-次高斯的（它的矩生成函数恰好等于 (e^{t2/2})，完美满足约束条件）。我们可以直接计算它的 (f(\mu))：

• (\mathbb{E}[|X|] = \sqrt{\frac{2}{\pi}})
• (\mathbb{E}[X^2] = 1)
• 因此 (f(\mu) = \left(\sqrt{\frac{2}{\pi}}\right)^2 = \frac{2}{\pi})

接下来我们验证没有其他绝对连续分布能让 (f(\mu)) 更小：

• 对于任何零均值随机变量，由柯西-施瓦茨不等式，((\mathbb{E}[|X|])^2 \leq \mathbb{E}[X^2])，即 (f(\mu) \leq 1)，这是上界，但我们关心下界。
• 次高斯变量的尾部必须以至少 (e^{-t2/2}) 的速度衰减，这限制了分布不能过度集中在0附近（否则尾部概率的衰减速度不够，无法满足矩生成函数约束），也不能有过重的尾部。
• 通过变分分析（在矩生成函数约束下最小化 (f(\mu))），可以证明当矩生成函数取到等号（即高斯分布）时，(f(\mu)) 达到最小值。其他次高斯分布要么尾部更重（导致 (\mathbb{E}[X^2]) 增大，(f(\mu)) 升高），要么更集中在0附近（但此时 (\mathbb{E}[|X|]) 与 (\mathbb{E}[X^2]) 的比值不会更小，比如均匀分布在 ([-a,a]) 满足次高斯约束时，(f(\mu) = \frac{3}{4})，比 (\frac{2}{\pi}) 大）。

关于下界的说明

如果允许退化分布（即 (X=0) 几乎处处成立），则 (f(\mu)=0)，但退化分布没有密度，不符合题目中“density”的要求。对于所有非退化的绝对连续1-次高斯分布，(f(\mu)) 必须大于等于 (\frac{2}{\pi})，这个下界无法被突破——任何偏离高斯分布的次高斯分布，要么会让 (\mathbb{E}[|X|]) 相对方差变大，要么无法满足次高斯的矩生成函数约束。

备注：内容来源于stack exchange，提问作者Television