Cho biến ngẫu nhiên
nơi là IID biến thống nhất, làm thế nào để tính toán PDF của ?
Cho biến ngẫu nhiên
nơi là IID biến thống nhất, làm thế nào để tính toán PDF của ?
Câu trả lời:
Có thể câu hỏi này là bài tập về nhà nhưng tôi cảm thấy câu hỏi xác suất cơ bản cổ điển này vẫn chưa có câu trả lời hoàn chỉnh sau vài tháng, vì vậy tôi sẽ đưa ra một câu hỏi ở đây.
Từ báo cáo vấn đề, chúng tôi muốn phân phối
trong đó là iid . Chúng ta biết rằng khi và chỉ khi mọi phần tử của mẫu nhỏ hơn . Sau đó, điều này, như được chỉ ra trong gợi ý của @ varty, kết hợp với thực tế là là độc lập, cho phép chúng tôi suy luận
trong đó là CDF của phân phối đồng đều . Do đó, CDF của là
Vì có phân phối hoàn toàn liên tục, chúng ta có thể lấy được mật độ của nó bằng cách phân biệt CDF . Do đó mật độ của là
Trong trường hợp đặc biệt khi , chúng ta có , đó là mật độ phân phối Beta với và , vì .
Lưu ý, trình tự bạn nhận được nếu bạn sắp xếp mẫu của mình theo thứ tự tăng dần - - được gọi là thống kê đơn hàng . Một khái quát của câu trả lời này là tất cả các thống kê đơn hàng của mẫu phân phối có phân phối Beta , như đã lưu ý trong câu trả lời của @ bnaul.
Tối đa của một mẫu là một trong các thống kê đơn hàng , đặc biệt là thống kê thứ tự thứ của mẫu . Nói chung, tính toán phân phối số liệu thống kê đơn hàng là khó khăn, như được mô tả bởi bài viết Wikipedia; đối với một số phân phối đặc biệt, số liệu thống kê đơn hàng được biết đến (ví dụ: phân phối thống nhất, có thống kê đơn hàng phân phối Beta).
EDIT: Bài viết Wikipedia về mẫu tối đa và tối thiểu cũng hữu ích và cụ thể hơn cho vấn đề của bạn.
Tối đa của một tập hợp các biến ngẫu nhiên IID khi được chuẩn hóa một cách thích hợp thường sẽ hội tụ đến một trong ba loại giá trị cực trị. Đây là định lý của Gnedenko, sự tương đương của định lý giới hạn trung tâm cho các cực trị. Loại cụ thể phụ thuộc vào hành vi đuôi của phân bố dân cư. Biết điều này, bạn có thể sử dụng phân phối giới hạn để xấp xỉ phân phối tối đa.
Vì phân phối đồng đều trên [a, b] là chủ đề của câu hỏi này, Macro đã đưa ra phân phối chính xác cho bất kỳ n và một câu trả lời rất hay. Kết quả khá tầm thường. Đối với phân phối bình thường, một dạng đóng đẹp là không thể nhưng bình thường hóa tối đa một cách hợp lý tối đa cho các phân phối bình thường cho phân phối Gumbel F (x) = exp (- e ).
Đối với đồng phục, chuẩn hóa là (ba) -x / n và F (bax / n) = (1-x / [n (ba)])
hội tụ đến e . Lưu ý ở đây rằng y = bax / n. và F (y) hội tụ đến 1 khi y đi đến ba. Điều này giữ cho tất cả 0
Trong trường hợp này, thật dễ dàng để so sánh giá trị chính xác với giới hạn tiệm cận của nó.