非负整数值随机变量的凸序随机占优等价性问题

DevOps 小满

2026-4-21

嗨，我来帮你理清楚这个等价性的推导过程——其实你已经摸到门儿了，只差最后一步把离散条件的递推关系用上就行！

首先先明确一个关键的观察：对于取值在非负整数$\mathbb{N}_0$上的随机变量$X$，$P(X>x)$是个阶梯函数：当$x$落在区间$[k, k+1)$（$k$是整数）时，$P(X>x)=P(X>k)$，毕竟$X$是整数，$x$小于$k+1$的话，$X>x$就等价于$X\geq k+1$，也就是$X>k$。

接下来我们就顺着你想到的积分分解思路往下走：

对任意非负实数$t$，设$k=\lfloor t \rfloor$（$t$的整数部分），$f=t-k$（$t$的小数部分，满足$0\leq f<1$）。我们把积分拆成两段：

从$t$到$k+1$的部分：$\int_t^{k+1} P(X>x)dx = (k+1 - t)P(X>k) = (1-f)P(X>k)$，这部分你已经写对了；
从$k+1$到$\infty$的部分：$\int_{k+1}^\infty P(X>x)dx = \sum_{m=k+1}^\infty \int_m^{m+1} P(X>x)dx = \sum_{m=k+1}^\infty P(X>m)$，因为每个区间$[m,m+1)$上$P(X>x)$都是常数$P(X>m)$，积分长度是1，加起来就是这个和。

把两部分加起来，积分可以改写为：
$$
\int_t^\infty P(X>x)dx = (1-f)P(X>k) + \sum_{m=k+1}^\infty P(X>m)
$$

现在我们把这个式子和离散条件里的求和式联系起来：$\sum_{j\geq k} P(X>j) = P(X>k) + \sum_{j\geq k+1} P(X>j)$，所以上面的积分可以进一步整理为：
$$
\int_t^\infty P(X>x)dx = \sum_{j\geq k} P(X>j) - f \cdot P(X>k)
$$

对$Y$做同样的推导，会得到：
$$
\int_t^\infty P(Y>x)dx = \sum_{j\geq k} P(Y>j) - f \cdot P(Y>k)
$$

现在我们来计算两个积分的差：
$$
\begin{align*}
\int_t^\infty P(X>x)dx - \int_t^\infty P(Y>x)dx &= \left( \sum_{j\geq k} P(X>j) - \sum_{j\geq k} P(Y>j) \right) - f \cdot \left( P(X>k) - P(Y>k) \right)
\end{align*}
$$

这里我们定义$S(n) = \sum_{j\geq n} P(X>j) - \sum_{j\geq n} P(Y>j)$，根据离散版本的凸序条件，所有的$S(n)\leq0$。

接下来注意一个递推关系：$S(n) - S(n+1) = P(X>n) - P(Y>n)$，这个很容易验证——把$S(n)$和$S(n+1)$展开，相减之后中间的求和项抵消，剩下的就是$P(X>n)-P(Y>n)$。

把这个递推关系代入积分差的式子：
$$
\begin{align*}
\int_t^\infty P(X>x)dx - \int_t^\infty P(Y>x)dx &= S(k) - f \cdot (S(k)-S(k+1)) \
&= S(k)(1-f) + f \cdot S(k+1)
\end{align*}
$$

现在看这个结果：$S(k)\leq0$，$S(k+1)\leq0$，而$1-f\geq0$，$f\geq0$——两个非正数乘以非负系数再相加，结果肯定还是非正的！也就是说：
$$
\int_t^\infty P(X>x)dx - \int_t^\infty P(Y>x)dx \leq 0
$$

这就证明了离散条件可以推出连续版本的条件。反过来其实更容易，只要取$t$为整数$n$，积分就直接等于$\sum_{j\geq n} P(X>j)$，所以连续条件自然能推出离散条件。

这样就完整证明了两个条件的等价性啦，核心就是利用离散求和的递推关系，把积分差转化为两个非正项的加权和，从而得到结果。

备注：内容来源于stack exchange，提问作者xyz