Jaki jest rozkład proporcji odstępu i próbki?

Niech będą próbką iid wykładniczych zmiennych losowych ze średnią , i niech będą statystykami porządkowymi z tej próbki. Niech . $X_1,\dots,X_n$ $\beta$ $X_{(1)},\dots,X_{(n)}$ $\bar X = \frac{1}{n}\sum_{i=1}^n X_i$

Zdefiniuj odstępyMożna wykazać, że każdy jest również wykładniczy, ze średnią .

W_{i} = X_{(i + 1)} - X_{(i)} \forall 1 \leq i \leq n - 1 .

$W_i=X_{(i+1)}-X_{(i)}\ \forall\ 1 \leq i \leq n-1\,.$

W_{i}

$W_i$

β_{i} = \frac{β}{n - i}

$\beta_i=\frac{\beta}{n-i}$

Pytanie: Jak bym poszedł o znalezieniu , gdzie jest znane i nieujemne? $\mathbb{P}\left( \frac{W_i}{\bar X} > t \right)$ $t$

Próba: Wiem, że jest to równe . Użyłem więc zasady całkowitego prawdopodobieństwa: $1 - F_{W_i}\left(t \bar X\right)$

P (W_{i} > t \bar{X}) = 1 - F_{W_{i}} (t \bar{X}) = 1 - \int_{0}^{\infty} F_{W_{i}} (t s) f_{\bar{X}} (s) d s,

$\mathbb{P}\left( W_i > t \bar X \right) = 1 - F_{W_i}\left( t \bar X \right) = 1 - \int_0^\infty F_{W_i}(ts)f_{\bar X}(s) \mathrm{d}s \,,$

co zamienia się w bałagan, ale myślę, że całka możliwa do przełożenia.

Czy jestem na dobrej drodze? Czy jest to prawidłowe zastosowanie prawa całkowitego prawdopodobieństwa?

Innym podejściem może być spojrzenie na rozkład różnic:

P (W_{i} - t \bar{X} > 0)

$\mathbb{P}\left( W_i - t \bar X > 0\right)$

Lub nawet rozbić sumy:

P (W_{i} - t \bar{X} > 0) = P ((X_{(i + 1)} - X_{(i)}) + \frac{t}{n} (X_{(1)} + \dots + X_{(n)}))

$\mathbb{P}\left( W_i - t \bar X > 0 \right) = P \left( \left(X_{(i+1)} - X_{(i)}\right) + \frac{t}{n}\left(X_{(1)} + \dots + X_{(n)} \right) \right)$

Rozwiązanie przypadku wykładniczego byłoby świetne, ale jeszcze lepsze byłyby jakieś ogólne ograniczenia w rozkładzie. A przynajmniej chwile, które wystarczyłyby, by dać mi nierówności Czebyszewa i Markowa.

Aktualizacja: oto całka z pierwszej metody:

\begin{aligned} 1 - \int_{0}^{\infty} (1 - \exp (- \frac{t s}{β_{i}})) (\frac{1}{Γ (n) β^{n}} s^{n - 1} \exp (- β s)) d s \\ 1 - \int_{0}^{\infty} (1 - \exp (- \frac{(n - i) t s}{β})) (\frac{1}{Γ (n) β^{n}} s^{n - 1} \exp (- β s)) d s \end{aligned}

$\begin{align} 1 - \int_0^\infty \left( 1 - \exp \left( -\frac{ts}{\beta_i} \right) \right) \left( \frac{1}{\Gamma(n)\beta^n} s^{n-1} \exp \left( -\beta s \right) \right) \mathrm{d}s \\ 1 - \int_0^\infty \left( 1 - \exp \left( -\frac{(n-i)ts}{\beta} \right) \right) \left( \frac{1}{\Gamma(n)\beta^n} s^{n-1} \exp \left( -\beta s \right) \right) \mathrm{d}s \end{align}$

Bawię się nim od jakiegoś czasu i nie jestem pewien, dokąd z tym pójść.

probability distributions exponential order-statistics Shadowtalker
źródło

Całka, którą otrzymasz, wydaje się stosunkowo prosta po rozpowszechnieniu nawiasów. Po zmianie zmiennych wygląda na to, że dostaniesz kilka funkcji gamma.

Alex R.

@AlexR rzeczywiście tak jest, ale po przejściu do połowy zacząłem podejrzewać, że nie będzie on ograniczony między 0 a 1. Bardziej szukam potwierdzenia, że poprawnie skonfigurowałem problem. Jeśli utknę z samą całką, zapytam na Math.SE

shadowtalker

Odpowiedzi:

Trudność, którą tu masz, polega na tym, że masz zdarzenie związane z niezależnymi zmiennymi losowymi. Problem można uprościć i rozwiązać, manipulując zdarzeniem, aby porównać niezależne przyrosty. Aby to zrobić, najpierw zauważamy, że dla każdą statystykę zamówienia można zapisać jako: $X_1, ..., X_N \sim \text{IID Exp}(\beta)$

X_{(k)} = β \sum_{i = 1}^{k} \frac{Z_{i}}{n - i + 1},

$X_{(k)} = \beta \sum_{i=1}^{k} \frac{Z_i}{n-i+1},$

gdzie (patrz np. Renyi 1953, David i Nagaraja 2003). To pozwala nam pisać i możemy zapisać średnią próbną jako: $Z_1, Z_2, ..., Z_n \sim \text{IID Exp} (1)$ $W_k = \beta Z_{k+1} / (n-k)$

\begin{aligned} \bar{X} \equiv \frac{β}{n} \sum_{k = 1}^{n} X_{(k)} & = \frac{β}{n} \sum_{k = 1}^{n} \sum_{i = 1}^{k} \frac{Z_{i}}{n - i + 1} \\ = \frac{β}{n} \sum_{i = 1}^{n} \sum_{k = i}^{n} \frac{Z_{i}}{n - i + 1} \\ = \frac{β}{n} \sum_{i = 1}^{n} Z_{i} . \end{aligned}

$\begin{equation} \begin{aligned} \bar{X} \equiv \frac{\beta }{n} \sum_{k=1}^n X_{(k)} &= \frac{\beta }{n} \sum_{k=1}^n \sum_{i=1}^k \frac{Z_i}{n-i+1} \\ &= \frac{\beta }{n} \sum_{i=1}^n \sum_{k=i}^n \frac{Z_i}{n-i+1} \\ &= \frac{\beta }{n} \sum_{i=1}^n Z_i. \end{aligned} \end{equation}$

Aby ułatwić naszą analizę, określamy ilość:

a \equiv \frac{t (n - k)}{n - t (n - k)} .

$a \equiv \frac{t(n-k)}{n-t(n-k)}.$

Dla mamy wówczas: $a > 0$

\begin{aligned} P (W_{k} ⩾ t \bar{X}) & = P (\frac{Z_{k + 1}}{n - k} ⩾ \frac{t}{n} \sum_{i = 1}^{n} Z_{i}) \\ = P (\frac{n}{n - k} \cdot Z_{k + 1} ⩾ t \sum_{i = 1}^{k} Z_{i}) \\ = P ((\frac{n}{n - k} - t) Z_{k + 1} ⩾ t \sum_{i \neq k} Z_{i}) \\ = P ((\frac{n}{n - k} - t) Z ⩾ t G) = P (Z ⩾ a G), \end{aligned}

$\begin{equation} \begin{aligned} \mathbb{P}(W_k \geqslant t \bar{X}) &= \mathbb{P} \left( \frac{Z_{k+1}}{n-k} \geqslant \frac{t}{n} \sum_{i=1}^n Z_i \right) \\ &= \mathbb{P} \left( \frac{n}{n-k} \cdot Z_{k+1} \geqslant t \sum_{i = 1}^k Z_i \right) \\ &= \mathbb{P} \left( \left( \frac{n}{n-k} - t \right) Z_{k+1} \geqslant t \sum_{i \neq k} Z_i \right) \\ &= \mathbb{P} \left( \left( \frac{n}{n-k} - t \right) Z \geqslant t G \right) = \mathbb{P} \left( Z \geqslant a G \right), \end{aligned} \end{equation}$

gdzie i są niezależnymi zmiennymi losowymi. W trywialnym przypadku, w którym mamy . W przypadku nietrywialnym, w którym mamy , a prawdopodobieństwo zainteresowania wynosi: $Z \sim \text{Exp} (1)$ $G \sim \text{Ga}(n-1, 1)$ $t \geqslant n / (n-k)$ $\mathbb{P}(W_k \geqslant t \bar{X}) = 0$ $t < n / (n-k)$ $a>0$

\begin{aligned} P (W_{k} ⩾ t \bar{X}) & = \int_{0}^{\infty} Ga (g | n - 1, 1) \int_{a g}^{\infty} Exp (z | 1) d z d g \\ = \int_{0}^{\infty} \frac{1}{Γ (n - 1)} g^{n - 2} \exp (- g) \int_{a g}^{\infty} \exp (- z) d z d g \\ = \int_{0}^{\infty} \frac{1}{Γ (n - 1)} g^{n - 2} \exp (- g) (1 - \exp (a g)) d g \\ = \int_{0}^{\infty} \frac{1}{Γ (n - 1)} g^{n - 2} \exp (- g) d g - \int_{0}^{\infty} \frac{1}{Γ (n - 1)} g^{n - 2} \exp (- (a + 1) g) d g \\ = 1 - (a + 1)^{- (n - 1)} \\ = 1 - {(1 - \frac{n - k}{n} \cdot t)}^{n - 1} . \end{aligned}

$\begin{equation} \begin{aligned} \mathbb{P}(W_k \geqslant t \bar{X}) &= \int\limits_0^\infty \text{Ga} (g| n-1, 1 ) \int\limits_{ag}^\infty \text{Exp}(z|1) dz dg \\ &= \int\limits_0^\infty \frac{1}{\Gamma{(n-1)}} g^{n-2} \exp{(-g)} \int\limits_{ag}^\infty \exp{(-z)} dz dg \\ &= \int\limits_0^\infty \frac{1}{\Gamma{(n-1)}} g^{n-2} \exp{(-g)} \left( 1 - \exp (ag) \right) dg \\ &= \int\limits_0^\infty \frac{1}{\Gamma{(n-1)}} g^{n-2} \exp{(-g)} dg - \int\limits_0^\infty \frac{1}{\Gamma{(n-1)}} g^{n-2} \exp{(-(a+1)g)} dg \\ &= 1 - (a+1)^{-(n-1)} \\ &= 1 - \left( 1- \frac{n-k}{n} \cdot t \right)^{n-1}. \end{aligned} \end{equation}$

Ta odpowiedź jest intuicyjnie uzasadniona. Prawdopodobieństwo to ściśle maleje , z prawdopodobieństwem jednostkowym, gdy i zerowym prawdopodobieństwem, gdy . $t$ $t=0$ $t = \frac{n}{n-k}$

Ben - Przywróć Monikę
źródło