Với thông tin được cung cấp bởi @Glen_b tôi có thể tìm thấy câu trả lời. Sử dụng các ký hiệu giống như câu hỏi
P(Zk≤x)=∑j=0k+1(k+1j)(−1)j(1−jx)k+,
trong đó nếu và khác. Tôi cũng đưa ra kỳ vọng và sự hội tụ tiệm cận cho phân phối Gumbel ( NB : không phải Beta)a > 0 0a+=aa>00
E(Zk)=1k+1∑i=1k+11i∼log(k+1)k+1,P(Zk≤x)∼exp(−e−(k+1)x+log(k+1)).
Tài liệu của các bằng chứng được lấy từ một số ấn phẩm được liên kết trong các tài liệu tham khảo. Chúng hơi dài, nhưng đơn giản.
1. Bằng chứng phân phối chính xác
Đặt là các biến ngẫu nhiên thống nhất IID trong khoảng . Bằng cách đặt hàng chúng, chúng tôi có được số liệu thống kê đơn hàng được ký hiệu . Các khoảng cách đồng đều được xác định là , với và . Các khoảng cách được đặt hàng là số liệu thống kê được sắp xếp tương ứng . Biến quan tâm là .( 0 , 1 ) k ( U ( 1 ) , Mạnh , U ( k ) ) Δ i = U ( i ) - U ( i - 1 )(U1,…,Uk)(0,1)k(U(1),…,U(k))Δi=U(i)−U(i−1)U ( k + 1 ) = 1 Δ ( 1 ) ≤U(0)=0U(k+1)=1 Δ ( k + 1 )Δ(1)≤…≤Δ(k+1)Δ(k+1)
Đối với cố định , chúng tôi xác định biến chỉ báo . Theo đối xứng, vectơ ngẫu nhiên có thể trao đổi, do đó phân phối chung của một tập hợp con có kích thước giống như phân phối chung của đầu tiên . Bằng cách mở rộng sản phẩm, do đó chúng tôi có được1 i = 1 { Δ i > x }x∈(0,1)1tôi= 1{ Δtôi> x }j j( 11, Lọ , 1k + 1)jj
P( Δ( k + 1 )≤ x ) = E( ∏i = 1k + 1( 1 - 1tôi) ) = 1 + Σj = 1k + 1( k+1j) (−1)jE(∏tôi =1j1tôi) .
Bây giờ chúng tôi sẽ chứng minh rằng , sẽ thiết lập phân phối được đưa ra ở trên. Chúng tôi chứng minh điều này cho , vì trường hợp chung được chứng minh tương tự. j = 2E( ∏ji = 11tôi) =(1-jx )k+j = 2
E( ∏i = 121tôi) =P( Δ1> X ∩ delta2> x ) = P( Δ1> x ) P( Δ2> x | Δ1> x ) .
Nếu , các điểm dừng nằm trong khoảng . Có điều kiện trong sự kiện này, các điểm dừng vẫn có thể trao đổi, do đó xác suất khoảng cách giữa điểm dừng thứ hai và điểm dừng thứ nhất lớn hơn giống như xác suất khoảng cách giữa điểm dừng đầu tiên và rào chắn bên trái (tại vị trí ) lớn hơn . Vì thếk ( xΔ1> xkx x x( x , 1 )xxx
P( Δ2> x | Δ1> x ) = P( Tất cả các điểm nằm trong (2x,1) ||tất cả các điểm nằm trong ( x , 1 ) ),vì thếP( Δ2> X ∩ delta1> x ) = P( tất cả các điểm nằm trong (2x,1) ) =(1-2x)k+.
2. Kỳ vọng
Đối với các bản phân phối có hỗ trợ hữu hạn, chúng tôi có
E(X)=∫P(X>x)dx=1−∫P(X≤x)dx.
Tích hợp phân phối của , chúng tôi thu đượcΔ(k+1)
E(Δ(k+1))=1k+1∑j=1k+1(k+1j)(−1)j+1j=1k+1∑j=1k+11j.
Bình đẳng cuối cùng là một biểu diễn cổ điển của các số hài , mà chúng tôi trình bày dưới đây.Hi=1+12+…+1i
Hk+1=∫101+x+…+xkdx=∫101−xk+11−xdx.
Với sự thay đổi của biến và mở rộng sản phẩm, chúng tôi thu đượcu=1−x
Hk+1=∫10∑j=1k+1(k+1j)(−1)j+1uj−1du=∑j=1k+1(k+1j)(−1)j+1j.
3. Thay thế xây dựng không gian thống nhất
Để có được sự phân bố tiệm cận của mảnh lớn nhất, chúng ta sẽ cần phải trưng bày một cấu trúc cổ điển của các khoảng cách đồng nhất dưới dạng các biến số mũ chia cho tổng của chúng. Mật độ xác suất của thống kê đơn hàng liên quan là(U(1),…,U(k))
fU(1),…U(k)(u(1),…,u(k))=k!,0≤u(1)≤…≤u(k+1).
Nếu chúng ta biểu thị các khoảng cách đồng đều , với , chúng ta thu đượcΔi=U(i)−U(i−1)U(0)=0
fΔ1,…Δk(δ1,…,δk)=k!,0≤δi+…+δk≤1.
Bằng cách xác định , do đó, chúng tôi có đượcU(k+1)=1
fΔ1,…Δk+1(δ1,…,δk+1)=k!,δ1+…+δk=1.
Bây giờ, hãy để là các biến ngẫu nhiên theo cấp số nhân của IID với giá trị trung bình 1 và đặt . Với một thay đổi đơn giản của biến, chúng ta có thể thấy rằng(X1,…,Xk+1)S=X1+…+Xk+1
fX1,…Xk,S(x1,…,xk,s)=e−s.
Xác định , sao cho bằng cách thay đổi biến chúng ta thu đượcYi=Xi/S
fY1,…Yk,S(y1,…,yk,s)=ske−s.
Tích hợp mật độ này đối với , do đó chúng tôi có đượcs
fY1,…Yk,(y1,…,yk)=∫∞0ske−sds=k!,0≤yi+…+yk≤1,and thusfY1,…Yk+1,(y1,…,yk+1)=k!,y1+…+yk+1=1.
Vì vậy, phân phối chung của các khoảng cách đồng đều trên khoảng giống như phân phối chung của các biến ngẫu nhiên theo hàm mũ chia cho tổng của chúng. Chúng tôi đi đến sự tương đương sau đây của phân phốik+1(0,1)k+1
Δ(k+1)≡X(k+1)X1+…+Xk+1.
4. Phân phối tiệm cận
Sử dụng sự tương đương ở trên, chúng tôi có được
P((k+1)Δ(k+1)−log(k+1)≤x)=P(X(k+1)≤(x+log(k+1))X1+…+Xk+1k+1)=P(X(k+1)−log(k+1)≤x+(x+log(k+1))Tk+1),
trong đó . Biến này biến mất trong xác suất vì và . Không có triệu chứng, phân phối giống như của . Bởi vì là IID, chúng tôi cóTk+1=X1+…+Xk+1k+1−1E(Tk+1)=0Var(log(k+1)Tk+1)=(log( k + 1 ) )2k + 1↓ 0X( k + 1 )- đăng nhập( k + 1 )Xtôi
P( X( k + 1 )- đăng nhập( k + 1 ) ≤ x )= P( X1≤ x + nhật ký( k + 1 ) )k + 1= ( 1 - e- x - nhật ký( k + 1 ))k + 1= ( 1 - e- xk + 1)k + 1∼ điểm kinh nghiệm{ - e- x} .
5. Tổng quan về đồ họa
Biểu đồ dưới đây cho thấy sự phân phối của đoạn lớn nhất cho các giá trị khác nhau của . Với , tôi cũng đã phủ lên phân phối Gumbel không triệu chứng (đường mỏng). Gumbel là một xấp xỉ rất xấu cho các giá trị nhỏ của nên tôi bỏ qua chúng để không làm quá tải hình ảnh. Xấp xỉ Gumbel là tốt từ .kk = 10 , 20 , 50kk ≈ 50
6. Tài liệu tham khảo
Các bằng chứng ở trên được lấy từ tài liệu tham khảo 2 và 3. Tài liệu được trích dẫn chứa nhiều kết quả hơn, chẳng hạn như phân phối các khoảng cách theo thứ tự của bất kỳ cấp bậc nào, phân phối giới hạn của chúng và một số cấu trúc thay thế của các khoảng cách thống nhất được đặt hàng. Các tài liệu tham khảo chính không dễ truy cập, vì vậy tôi cũng cung cấp các liên kết đến toàn văn.
- Bairamov và cộng sự. (2010) Giới hạn kết quả cho các khoảng cách thống nhất được đặt hàng , các giấy tờ Stat, 51: 1, trang 227-240
- Holst (1980) Về độ dài của các mảnh que bị gãy ngẫu nhiên , J. Appl. Dự luật, 17, tr 623-634
- Pyke (1965) Không gian , JRSS (B) 27: 3, trang 395-449
- Renyi (1953) Về lý thuyết thống kê đơn hàng , Acta math Hung, 4, tr. 191-231