Tìm phân phối chung của và


8

Câu hỏi này là từ Giới thiệu về Thống kê toán học của Robert Hogg phiên bản thứ 6 7.6.7. Vấn đề là :

Đặt một mẫu ngẫu nhiên có kích thước được lấy từ một bản phân phối với pdfn

f(x;θ)=(1/θ)exp(x/θ)I(0,)(x)

Tìm MLE và MVUE của .P(X2)

Tôi biết làm thế nào để tìm MLE.

Tôi nghĩ ý tưởng để tìm MVUE là sử dụng Rao-Blackwell và Lehmann và Scheffe. Trước tiên, chúng tôi tìm thấy một công cụ ước tính không thiên vị của có thể là và chúng tôi biết a đủ thống kê.P(X2)I(0,2)(X1)Y=i=1nXi

Khi đó sẽ là MUVE.E[I(0,2)(X1)Y]

Để tìm kỳ vọng, chúng ta cần phân phối chung vàX1Y=i=1nXi

Tôi bị kẹt ở đây.

Cuốn sách có một giải pháp, nhưng tôi không hiểu giải pháp. Giải pháp cho biết chúng ta hãy tìm phân phối chung của và nhưng trước tiên hãy để và Jacobian là một trong đó chúng ta tích hợp các biến khác đó.Z=X1YV=X1+X2U=X1+X2+X3+...

Làm thế nào đến Jacobian bằng với một?

Câu trả lời cho phân phối chung là

g(z,y;θ)=(yz)n2(n2)!θney/θ

Làm thế nào để chúng ta có được điều này?

Cập nhật: Theo đề xuất của Xi'an (cuốn sách gợi ý chuyển đổi gây nhầm lẫn), chúng ta hãy thực hiện chuyển đổi theo cách sau:

Để cho

Y1=X1,Y2=X1+X2,Y3=X1+X2+X3,Y4=X1+X2+X3+X4,Yn=X1+X2+X3+X4++Xn

sau đó

X1=Y1,X2=Y2Y1,X3=Y3Y2,X4=Y4Y3,Xn=YnYn1

và Jacobian tương ứng là:

|J|=|x1y1x1y2x1y3x1ynx2y1x2y2x2y3x2ynx3y1x3y2x3y3x3ynxny1xny2xny3xnyn|=10000110000110000011=1

Vì là iid [hoặc ], mật độ chung của là:X1,X2,,XnΓ(1,θ)E(1/θ)x1,x2,,xn

f(x1,x2,,xn)=1θexp(x1/θ)×1θexp(x2/θ)××1θexp(xn/θ)Ix10Ixn0

Do đó, pdf chung của là(Y1,Y2,,Yn)

h(y1,y2,,yn)=1θnexp(y1/θ)exp[(y2y1)/θ]exp[(y3y2)/θ]exp[(ynyn1)/θ]|J|Iy10Iy2y10Iynyn10=1θnexp(yn/θ)Iy10Iy2y1Iynyn1

Tiếp theo, chúng ta có thể tích hợp ra để có được pdf vày2,y3,,yn1y1yn

Nhờ các đề xuất từ ​​Xi'an, bây giờ tôi có thể giải quyết vấn đề, tôi sẽ đưa ra các tính toán chi tiết bên dưới

g(y1,yn)=y1yny2ynyn3ynyn2yn1θnexp(yn/θ)dyn1dyn2dy3dy2=1θnexp(yn/θ)y1yny2ynyn3ynyn2yndyn1dyn2dy3dy2=1θnexp(yn/θ)y1yny2ynyn4ynyn3yn(ynyn2)dyn2dyn3dy3dy2=1θnexp(yn/θ)y1yny2ynyn5ynyn4yn(ynyn3)22dyn3dyn4dy3dy2=1θnexp(yn/θ)y1yny2ynyn6ynyn5yn(ynyn4)32×3dyn4dyn5dy3dy2=1θnexp(yn/θ)y1yny2ynyn7ynyn6yn(ynyn5)42×3×4dyn5dyn4dy3dy2==1θnexp(yn/θ)(yny1)n2(n2)!

Thay đổi ký hiệu của cuốn sách, , chúng tôi nhận đượcy=yn,z=y1

g(z,y;θ)=(yz)n2θn(n2)!ey/θ.

Điều này giải quyết vấn đề.


Tôi không hiểu khái niệm đi qua nhưng việc chuyển đổi từ thành có một Jacobian của một, chỉ cần áp dụng định nghĩa của một người Jacob. X1+X2(x1,...,xn)(x1,x1+x2,,x1++xn)
Tây An

@ Tây An, cảm ơn bạn. Tôi đã thử chuyển đổi nhưng vẫn không thể nhận được giải pháp mà cuốn sách đã đề xuấtY1=X1,Y2=X1+X2,...,Yn=X1+X2+...+Xn
Deep North

1
Bạn gần như ở đó: Tôi đã sửa lỗi đạo hàm của mật độ khớp của bằng cách thêm các hàm chỉ báo. Điều này ngụ ý rằng các giới hạn trên các tích phân của phải là nếu bạn tích hợp trước, sau đó , sau đó ... Điều này sẽ cung cấp cho bạn phần còn thiếu. (Y1,,Yn)y2,,yn1
y1yny2ynyn2yn
yn1yn2(n2)!
Tây An

Câu trả lời:


4

Đối số chuyển đổi hoạt động tốt và luôn hữu ích, nhưng bây giờ tôi sẽ đề xuất một cách khác để giải quyết vấn đề này có sự tương đồng nhất định với phương pháp bạn sẽ sử dụng nếu các biến rời rạc. Hãy nhớ rằng sự khác biệt chính là trong khi đối với một biến ngẫu nhiên rời rạc được xác định rõ cho một rv liên tục , , vì vậy chúng ta cần cẩn thận một chút.X P(X=x)YP(Y=y)=0

Đặt và chúng tôi hiện đang tìm kiếm phân phối chungS=i=1nXi

fX1,S(x1,s)

mà chúng ta có thể tính gần đúng với xác suất

fX1,S(x1,s)P[x1<X1<x1+Δx1,s<S<s+Δs]P[x1<X1<x1+Δx1,sx1<i=2nXi<sx1+Δs]=P[x1<X1<x1+Δx1]P[sx1<i=2nXi<sx1+Δs]1θexp{x1θ}(sx1)n2exp{sx1θ}Γ(n1)θn1=(sx1)n2θn(n2)!exp{sθ}

cho . Lưu ý rằng trong dòng thứ tư, chúng tôi đã sử dụng thuộc tính gây nghiện của phân phối gamma, trong đó số mũ là trường hợp đặc biệt.0<x1<s<

Nếu bạn điều chỉnh ký hiệu, chúng ta sẽ nhận được điều tương tự ở đây như trên. Phương pháp này cho phép bạn thoát khỏi sự tích hợp nhiều và đó là lý do tại sao tôi thích nó. Tuy nhiên, một lần nữa, hãy cẩn thận trong cách bạn xác định mật độ.

Hi vọng điêu nay co ich.


4

Sửa lỗi cho tôi nếu tôi sai, nhưng tôi không nghĩ người ta cần tìm phân phối có điều kiện để tìm kỳ vọng có điều kiện cho UMVUE. Chúng ta có thể tìm thấy ý nghĩa có điều kiện bằng cách sử dụng các mối quan hệ nổi tiếng giữa các biến Beta và Gamma độc lập. Cụ thể, thực tế là nếu và là các biến thể Gamma độc lập, thì là một biến thể Gamma và nó độc lập với biến thiên Beta .UVU+VUU+V

Tại đây, lưu ý rằng và được phân phối độc lập. Và được phân phối độc lập với .X1Gamma(1,1θ)i=2nXiGamma(n1,1θ)X1+i=2nXiGamma(n,1θ)X1X1+i=2nXiBeta(1,n1)

Xác địnhh(X1,,Xn)={1, if X120, otherwise 

T=i=1nXi hoàn toàn đủ cho gia đình phân phối .{1exp(xθ):θ>0}

Vậy UMVUE của là theo định lý Lehmann-Scheffe.P(X2)E(hT)

Chúng tôi có,

E(hT=t)=P(X12i=1nXi=t)=P(X1i=1nXi2ti=1nXi=t)=P(X1X1+i=2nXi2ti=1nXi=t)=P(X1X1+i=2nXi2t)=02/t(1x)n2B(1,n1)dx=1(12t)n1

Do đó UMVUE của phải là .1 - ( 1 - 2P(X2)1(12i=1nXi)n1


1
Tôi thích câu trả lời này tốt hơn.
hyg17
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.