Misalkan

18

Apa cara termudah untuk melihat bahwa pernyataan berikut ini benar?

Misalkan Y1,,YniidExp(1) . Perlihatkan i=1n(YiY(1))Gamma(n1,1) .

Y(1)=min1inYi

Dengan , ini berarti bahwa .XExp(β)fX(x)=1βex/β1{x>0}

Mudah untuk melihat . Selain itu, kami juga memiliki bawah parametrization Y(1)Exponential(1/n)i=1nYiGamma(α=n,β=1)

fY(y)=1Γ(α)βαxα1ex/β1{x>0}α,β>0.

Solusi yang diberikan Jawaban Xi'an : Menggunakan notasi dalam pertanyaan asli: Dari ini, kita dapat1) .

i=1n[YiY(1)]=i=1n[Y(i)Y(1)]=i=1nY(i)nY(1)=i=1n{Y(i)Y(i1)+Y(i1)Y(1)+Y(1)}nY(1)=i=1nj=1i{Y(j)Y(j1)}nY(1) where Y(0)=0=j=1ni=jn{Y(j)Y(j1)}nY(1)=j=1n(nj+1)[Y(j)Y(j1)]nY(1)=i=1n(ni+1)[Y(i)Y(i1)]nY(1)=i=2n(ni+1)[Y(i)Y(i1)]+nY(1)nY(1)=i=2n(ni+1)[Y(i)Y(i1)].
i=2n(ni+1)[Y(i)Y(i1)]Gamma(n1,1)
Klarinetis
sumber
1
@MichaelChernick 1) Saya tidak yakin apakah bukti kemandirian saya benar, dan 2) Saya tidak yakin apakah hasil yang saya duga di atas berkaitan dengan perbedaan distribusi Gamma bahkan benar. Ini tampaknya bertentangan dengan apa yang diberikan di sini , tetapi mungkin situasi ini berbeda karena perbedaan ini termasuk salah satu statistik urutan? Saya tidak yakin.
Klarinetis
1
@Clarinetist, saya tidak yakin. Mungkin mencoba untuk bekerja dengan , yang jelas sama dengan jumlah Anda bekerja dengan. Jawabannya di sini mungkin bisa membantu: math.stackexchange.com/questions/80475/...i=2n(Y(i)Y(1))
gammer
3
Sudahkah Anda mencoba membuktikan bahwa masing-masing - kecuali untuk satu i , untuk yang Y i - Y ( 1 ) = 0 dan, kemudian, menggunakan fakta bahwa jumlah dari ( n - 1 ) Apakah variasi eksponensial akan didistribusikan oleh Gamma? (YiY(1))Expon(1)iYiY(1)=0(n1)
Marcelo Ventura
1
@jbowman Kami memiliki dan dikondisikan pada Y ia , kami membaginya dengan e - a , memberikan e - z i , maka kita memiliki ( Z iY iA ) Exp ( 1
fZi(zi)=fYi(zi+a)=e(zi+a)
Yiaeaezi . Sekarang inilah yang menyadap saya tentang bukti ini: Saya menganggap A sebagai konstanta. Tapi Y ( 1 ) tidak konstan. Mengapa ini bisa berhasil? (ZiYiA)Exp(1)AY(1)
Klarinetis
1
Intinya adalah bahwa tidak peduli apa adalah! Distribusi selalu Exp ( 1 ) ! Luar biasa, bukan? Dan dari sini Anda dapat menyimpulkan bahwa distribusi Y i - Y [ 1 ] selalu Exp ( 1 ) untuk i > 1 , terlepas dari nilai aktual Y [ 1 ] . aExp(1)YiY[1]Exp(1)i>1Y[1]
jbowman

Jawaban:

15

Buktinya diberikan di Bunda Semua Buku Generasi Acak, Generasi Acak Non-seragam Non-seragam Devroye , di hal.211 (dan ini sangat elegan!):

Teorema 2.3 (Sukhatme, 1937) Jika kita mendefinisikan maka jarak eksponensial yang dinormalisasi ( n - i + 1 ) ( E ( i ) - E ( i - 1 ) ) berasal dari statistik urutan E ( 1 )... E ( n ) dari sampel eksponensial ukuran i n sendiri variabel i eksponensialE(0)=0

(ni+1)(E(i)E(i1))
E(1)E(n)n

Bukti. Karena kepadatan gabungan dari statistik urutan(E(1),...

i=1nei=i=1ne(i)=i=1nj=1i(e(j)e(j1))=j=1ni=jn(e(j)e(j1))=j=1n(nj+1)(e(j)e(j1))
menulis sebagai f ( e ) = n !(E(1),,E(n)) Pengaturan Y i = ( E ( i ) - E ( i - 1 ) ) , perubahan dari variabel dari ( E ( 1 ) , ... , E ( n
f(e)=n!exp{i=1ne(i)}=n!exp{i=1n(ni+1)(e(i)e(i1))}
Yi=(E(i)E(i1))(E(1),,E(n)) to (Y1,,Yn) has a constant Jacobian [incidentally equal to 1/n! but this does not need to be computed] and hence the density of (Y1,,Yn) is proportional to
exp{i=1nyi}
which establishes the result. Q.E.D.

An alternative suggested to me by Gérard Letac is to check that

(E(1),,E(n))
has the same distribution as
(E1n,E1n+E2n1,,E1n+E2n1++En1)
(by virtue of the memoryless property), which makes the derivation of
k=1n(EkE(1))k=1n1Ek
straightforward.
Xi'an
sumber
1
Thank you for this answer! I'd like to fill in some details for anyone who is reading this in the future: ei are observed values of the Ei, and the easiest way to see that i=1ne(i)=i=1n(ni+1)(e(i)e(i1))=i=1ne(i) is to write out i=1n(ni+1)(e(i)e(i1)) term-by-term. Because the density of (Y1,,Yn) is proportional to exp(i=1nyi), separate the yi to see the density is proportional to i=1neyi, hence Y1,,YniidExp(1).
Clarinetist
5

I lay out here what has been suggested in comments by @jbowman.

Let a constant a0. Let Yi follow an Exp(1) and consider Zi=Yia. Then

Pr(ZiziYia)=Pr(YiaziYia)

Pr(Yizi+aYia)=Pr(Yizi+a,Yia)1Pr(Yia)

Pr(aYizi+a)1Pr(Yia)=1ezia1+eaea=1ezi

which is the distribution function of Exp(1).

Let's describe this: the probability that an Exp(1) r.v. will fall in a specific interval (the numerator in the last line), given that it will exceed the interval's lower bound (the denominator), depends only on the length of the interval and not on where this interval is placed on the real line. This is an incarnation of the "memorylessness" property of the Exponential distribution, here in a more general setting, free of time-interpretations (and it holds for the Exponential distribution in general)

Now, by conditioning on {Yia} we force Zi to be non-negative, and crucially, the obtained result holds aR+. So we can state the following:

If YiExp(1), then Q0:Zi=YiQ0 ZiExp(1).

Can we find a Q0 that is free to take all non-negative real values and for which the required inequality always holds (almost surely)? If we can, then we can dispense with the conditioning argument.

And indeed we can. It is the minimum-order statistic, Q=Y(1), Pr(YiY(1))=1. So we have obtained

YiExp(1)YiY(1)Exp(1)

This means that

Pr(YiY(1)yiy(1))=Pr(Yiyi)

So if the probabilistic structure of Yi remains unchanged if we subtract the minimum order statistic, it follows that the random variables Zi=YiY(1) and Zj=YjY(1) where Yi,Yj independent, are also independent since the possible link between them, Y(1) does not have an effect on the probabilistic structure.

Then the sum i=1n(YiY(1)) contains n1 Exp(1) i.i.d. random variables (and a zero), and so

i=1n(YiY(1))Gamma(n1,1)
Alecos Papadopoulos
sumber