Trong trường hợp khi sự hỗ trợ của phân phối không phụ thuộc vào tham số chưa biết, chúng ta có thể gọi định lý Pitman-Koopman (Fréchet-Darmois-) , cụ thể là mật độ của các quan sát nhất thiết phải là dạng gia đình hàm mũ,
để kết luận rằng, vì thống kê đủ tự nhiên
cũng đủ tối thiểu, thì trung vị phải là một hàm của , điều này là không thể: sửa đổi một cực trị trong các quan sát , , sửa đổi nhưng không sửa đổi trung vị.S = n Σ i = 1 T ( x i ) S x 1 , ... , x n n > 2 S
điểm kinh nghiệm{ Θ T( x ) - ψ ( θ ) } h ( x )
S= ∑i = 1nT( xtôi)
Sx1, Lọ , xnn > 2S
Trong trường hợp thay thế khi sự hỗ trợ của phân phối phụ thuộc vào tham số chưa biết, chúng ta có thể xem xét trường hợp khi
trong đó tập được lập chỉ mục bởi θ là hỗ trợ của . Trong trường hợp đó, định lý hệ số hàm ý rằng
là hàm 0-1 của trung vị mẫu
Thêm một quan sát tiếp theo giá trị nào sao cho không sửa đổi trung vị mẫu sau đó dẫn đến mâu thuẫn vì nó có thể nằm trong hoặc bên ngoài bộ hỗ trợ, trong khi
f( x | θ ) = h ( x ) tôiMộtθ( X ) τ( θ )
MộtθfΠi = 1ntôiMộtθ( xtôi)
X n + 1 Tôi B n + 1 θ ( med ( x 1 : n + 1 ) ) = I B n θ ( med ( x 1 : n ) ) × tôi Một θ ( x n + 1 )Πi = 1ntôiMộtθ( xtôi) = TôiBnθ( trung bình ( x1 : n) )
xn + 1tôiBn + 1θ( trung gian( x1 : n + 1) ) = TôiBnθ( Med (x1: n) ) × tôiMộtθ(xn +1)