Encuentre la distribución conjunta de y

Esta pregunta es de la Introducción a las estadísticas matemáticas de Robert Hogg, sexta versión, pregunta 7.6.7. El problema es :

Deje que se tome una muestra aleatoria de tamaño de una distribución con el pdf $n$
$f (x; θ) = (1 / θ) \exp (- x / θ) I_{(0, \infty)} (x)$ $f(x;\theta)=(1/\theta)\exp(-x/\theta)\mathbb{I}_{(0,\infty)}(x)$

Encuentre el MLE y el MVUE de . $P(X \le 2)$

Sé cómo encontrar el MLE.

Creo que la idea de encontrar el MVUE es usar Rao-Blackwell y Lehmann y Scheffe. Primero encontramos un estimador imparcial de que puede ser , y sabemos a estadística suficiente $P(X \le 2)$ $\mathbb{I}_{(0,2)}(X_1)$ $Y=\sum_{i=1}^n X_i$

Entonces será el MUVE. $\mathbb{E}[I_{(0,2)}(X_1)\mid Y]$

Para encontrar la expectativa, necesitamos la distribución conjunta de e $X_1$ $Y=\sum_{i=1}^n X_i$

Estoy atrapado aquí.

El libro tiene una solución, pero no entiendo la solución. La solución dice: encontremos la distribución conjunta de e pero primero dejando que y el jacobiano es uno y luego integramos esas otras variables. $Z=X_1$ $Y$ $V=X_1+X_2$ $U=X_1+X_2+X_3+...$

¿Cómo es que el jacobiano es igual a uno?

La respuesta para la distribución conjunta es
$g (z, y; θ) = \frac{(y - z)^{n - 2}}{(n - 2)! θ^{n}} e^{- y / θ}$ $g(z,y;\theta)=\frac{(y-z)^{n-2}}{(n-2)!\theta^n}e^{-y/\theta}$

¿Cómo conseguimos esto?

Actualización: Como lo sugiere Xi'an (la transformación sugerida en el libro es confusa), hagamos la transformación de la siguiente manera:

Dejar

\begin{aligned} Y_{1} & = X_{1}, \\ Y_{2} & = X_{1} + X_{2}, \\ Y_{3} & = X_{1} + X_{2} + X_{3}, \\ Y_{4} & = X_{1} + X_{2} + X_{3} + X_{4}, \\ ⋮ \\ Y_{n} & = X_{1} + X_{2} + X_{3} + X_{4} + \dots + X_{n} \end{aligned}

$\begin{align} Y_1 & =X_1, \\Y_2 & =X_1+X_2,\\ Y_3 & =X_1+X_2+X_3, \\Y_4 & =X_1+X_2+X_3+X_4, \\ & \quad \vdots \\Y_n & =X_1+X_2+X_3+X_4+\cdots+X_n \end{align}$

entonces

\begin{aligned} X_{1} & = Y_{1}, \\ X_{2} & = Y_{2} - Y_{1}, \\ X_{3} & = Y_{3} - Y_{2}, \\ X_{4} & = Y_{4} - Y_{3}, \\ ⋮ \\ X_{n} & = Y_{n} - Y_{n - 1} \end{aligned}

$\begin{align} X_1 & =Y_1, \\ X_2 & =Y_2-Y_1,\\ X_3 & =Y_3-Y_2,\\X_4 & =Y_4-Y_3,\\ & \,\,\,\vdots \\ X_n & =Y_n-Y_{n-1} \end{align}$

y el jacobiano correspondiente es:

| J | = | \begin{matrix} \frac{\partial x_{1}}{\partial y_{1}} & \frac{\partial x_{1}}{\partial y_{2}} & \frac{\partial x_{1}}{\partial y_{3}} & \dots & \frac{\partial x_{1}}{\partial y_{n}} \\ \frac{\partial x_{2}}{\partial y_{1}} & \frac{\partial x_{2}}{\partial y_{2}} & \frac{\partial x_{2}}{\partial y_{3}} & \dots & \frac{\partial x_{2}}{\partial y_{n}} \\ \frac{\partial x_{3}}{\partial y_{1}} & \frac{\partial x_{3}}{\partial y_{2}} & \frac{\partial x_{3}}{\partial y_{3}} & \dots & \frac{\partial x_{3}}{\partial y_{n}} \\ ⋮ & ⋮ & ⋮ & ⋮ \\ \frac{\partial x_{n}}{\partial y_{1}} & \frac{\partial x_{n}}{\partial y_{2}} & \frac{\partial x_{n}}{\partial y_{3}} & \dots & \frac{\partial x_{n}}{\partial y_{n}} \end{matrix} | = \begin{array}{r} 1 & 0 & 0 & \dots & 0 & 0 \\ - 1 & 1 & 0 & \dots & 0 & 0 \\ 0 & - 1 & 1 & \dots & 0 & 0 \\ ⋮ & ⋮ & ⋮ & ⋮ & ⋮ \\ 0 & 0 & 0 & \dots & - 1 & 1 \end{array} = 1

$\left | J \right |=\begin{vmatrix} \frac{\partial x_1}{\partial y_1} &\frac{\partial x_1}{\partial y_2} &\frac{\partial x_1}{\partial y_3} &\cdots &\frac{\partial x_1}{\partial y_n} \\ \frac{\partial x_2}{\partial y_1} &\frac{\partial x_2}{\partial y_2} &\frac{\partial x_2}{\partial y_3} &\cdots &\frac{\partial x_2}{\partial y_n} \\ \frac{\partial x_3}{\partial y_1} &\frac{\partial x_3}{\partial y_2} &\frac{\partial x_3}{\partial y_3} &\cdots &\frac{\partial x_3}{\partial y_n} \\ \vdots&\vdots & \vdots & &\vdots \\ \frac{\partial x_n}{\partial y_1} &\frac{\partial x_n}{\partial y_2} &\frac{\partial x_n}{\partial y_3} &\cdots &\frac{\partial x_n}{\partial y_n} \end{vmatrix}=\begin{array}{r} 1& 0 &0 & \cdots &0 &0 \\ -1& 1 & 0 & \cdots & 0&0\\ 0&-1 & 1 & \cdots &0 &0\\ \vdots & \vdots & \vdots & & \vdots & \vdots \\ 0&0 &0 & \cdots & -1&1 \end{array}=1$

Dado que son iid [o ], la densidad conjunta de es: $X_1,X_2,\ldots,X_n$ $\Gamma(1,\theta)$ $\mathcal{E}(1/\theta)$ $x_1,x_2,\ldots,x_n$

f (x_{1}, x_{2}, \dots, x_{n}) = \frac{1}{θ} \exp (- x_{1} / θ) \times \frac{1}{θ} \exp (- x_{2} / θ) \times \dots \times \frac{1}{θ} \exp (- x_{n} / θ) I_{x_{1} \geq 0} \dots I_{x_{n} \geq 0}

$f(x_1,x_2,\ldots,x_n)=\frac{1}{\theta}\exp(-x_1/\theta) \times\frac{1}{\theta} \exp(-x_2/\theta)\times \cdots\times\frac{1}{\theta}\exp(-x_n/\theta) \mathbb{I}_{x_1\ge 0} \cdots\mathbb{I}_{x_n\ge 0}$

Por lo tanto, el pdf conjunto de es $(Y_1,Y_2,\ldots, Y_n)$

\begin{aligned} h (y_{1}, y_{2}, \dots, y_{n}) & = \frac{1}{θ^{n}} \exp (- y_{1} / θ) \exp [- (y_{2} - y_{1}) / θ] \exp [- (y_{3} - y_{2}) / θ] \dots \exp [- (y_{n} - y_{n - 1}) / θ] | J | I_{y_{1} \geq 0} I_{y_{2} - y_{1} \geq 0} \dots I_{y_{n} - y_{n - 1} \geq 0} \\ = \frac{1}{θ^{n}} \exp (- y_{n} / θ) I_{y_{1} \geq 0} I_{y_{2} \geq y_{1}} \dots I_{y_{n} \geq y_{n - 1}} \end{aligned}

$\begin{align*}h(y_1,y_2,\ldots,y_n)&=\frac{1}{\theta^n}\exp(-y_1/\theta)\exp[-(y_2-y_1)/\theta]\exp[-(y_3-y_2)/\theta]\cdots\exp[-(y_n-y_{n-1})/\theta]\left |J \right |\mathbb{I}_{y_1\ge 0}\mathbb{I}_{y_2-y_1\ge 0}\cdots\mathbb{I}_{y_n-y_{n-1} \ge 0}\\&=\frac{1}{\theta^n}\exp(-y_n/\theta)\mathbb{I}_{y_1\ge 0} \mathbb{I}_{y_2\ge y_1}\cdots\mathbb{I}_{y_n\ge y_{n-1}}\end{align*}$

A continuación, podemos integrar para obtener el pdf conjunto y $y_2,y_3,\ldots,y_{n-1}$ $y_1$ $y_n$

Gracias a las sugerencias de Xi'an, ahora puedo resolver el problema, daré cálculos detallados a continuación.

\begin{aligned} g (y_{1}, y_{n}) = & \int_{y_{1}}^{y_{n}} \int_{y_{2}}^{y_{n}} \dots \int_{y_{n - 3}}^{y_{n}} \int_{y_{n - 2}}^{y_{n}} \frac{1}{θ^{n}} \exp (- y_{n} / θ) d y_{n - 1} d y_{n - 2} \dots d y_{3} d y_{2} \\ = & \frac{1}{θ^{n}} \exp (- y_{n} / θ) \\ \int_{y_{1}}^{y_{n}} \int_{y_{2}}^{y_{n}} \dots \int_{y_{n - 3}}^{y_{n}} \int_{y_{n - 2}}^{y_{n}} d y_{n - 1} d y_{n - 2} \dots d y_{3} d y_{2} \\ = & \frac{1}{θ^{n}} \exp (- y_{n} / θ) \int_{y_{1}}^{y_{n}} \int_{y_{2}}^{y_{n}} \dots \int_{y_{n - 4}}^{y_{n}} \int_{y_{n - 3}}^{y_{n}} (y_{n} - y_{n - 2}) d y_{n - 2} d y_{n - 3} \dots d y_{3} d y_{2} \\ = & \frac{1}{θ^{n}} \exp (- y_{n} / θ) \int_{y_{1}}^{y_{n}} \int_{y_{2}}^{y_{n}} \dots \int_{y_{n - 5}}^{y_{n}} \int_{y_{n - 4}}^{y_{n}} \frac{(y_{n} - y_{n - 3})^{2}}{2} d y_{n - 3} d y_{n - 4} \dots d y_{3} d y_{2} \\ = & \frac{1}{θ^{n}} \exp (- y_{n} / θ) \int_{y_{1}}^{y_{n}} \int_{y_{2}}^{y_{n}} \dots \int_{y_{n - 6}}^{y_{n}} \int_{y_{n - 5}}^{y_{n}} \frac{(y_{n} - y_{n - 4})^{3}}{2 \times 3} d y_{n - 4} d y_{n - 5} \dots d y_{3} d y_{2} \\ = & \frac{1}{θ^{n}} \exp (- y_{n} / θ) \int_{y_{1}}^{y_{n}} \int_{y_{2}}^{y_{n}} \dots \int_{y_{n - 7}}^{y_{n}} \int_{y_{n - 6}}^{y_{n}} \frac{(y_{n} - y_{n - 5})^{4}}{2 \times 3 \times 4} d y_{n - 5} d y_{n - 4} \dots d y_{3} d y_{2} \\ = & \dots \\ = & \frac{1}{θ^{n}} \exp (- y_{n} / θ) \frac{(y_{n} - y_{1})^{n - 2}}{(n - 2)!} \end{aligned}

$\begin{align} g(y_1,y_n) = {} &\int_{y_1}^{y_n}\int_{y_2}^{y_n} \cdots \int_{y_{n-3}}^{y_n} \int_{y_{n-2}}^{y_n} \frac{1}{\theta^n}\exp(-y_n/\theta)dy_{n-1}dy_{n-2} \cdots dy_3\,dy_2\\ = {} & \frac{1}{\theta^n}\exp(-y_n/\theta)\\ & \int_{y_1}^{y_n}\int_{y_2}^{y_n}\cdots\int_{y_{n-3}}^{y_n}\int_{y_{n-2}}^{y_n} \, dy_{n-1}\,dy_{n-2}\cdots dy_3\,dy_2 \\ = {} & \frac{1}{\theta^n}\exp(-y_n/\theta) \int_{y_1}^{y_n}\int_{y_2}^{y_n}\cdots\int_{y_{n-4}}^{y_n}\int_{y_{n-3}}^{y_n}(y_n-y_{n-2})\,dy_{n-2}\,dy_{n-3}\cdots dy_3\,dy_2 \\ = {} & \frac{1}{\theta^n}\exp(-y_n/\theta) \int_{y_1}^{y_n} \int_{y_2}^{y_n} \cdots \int_{y_{n-5}}^{y_n}\int_{y_{n-4}}^{y_n}\frac{(y_n-y_{n-3})^2}{2}dy_{n-3} \,dy_{n-4}\cdots dy_3 \, dy_2 \\ = {} & \frac{1}{\theta^n} \exp(-y_n/\theta) \int_{y_1}^{y_n }\int_{y_2}^{y_n} \cdots \int_{y_{n-6}}^{y_n} \int_{y_{n-5}}^{y_n} \frac{(y_n-y_{n-4})^3}{2 \times 3} \, dy_{n-4} \, dy_{n-5} \cdots dy_3\,dy_2\\ = {} & \frac{1}{\theta^n} \exp(-y_n/\theta) \int_{y_1}^{y_n} \int_{y_2}^{y_n} \cdots \int_{y_{n-7}}^{y_n} \int_{y_{n-6}}^{y_n} \frac{(y_n-y_{n-5})^4}{2 \times 3 \times 4} \, dy_{n-5} \, dy_{n-4} \cdots dy_3\,dy_2\\ = {} & \cdots \\ = {} & \frac{1}{\theta^n}\exp(-y_n/\theta)\frac{(y_n-y_1)^{n-2}}{(n-2)!} \end{align}$

Cambie a la notación del libro, , obtenemos $y=y_n, z=y_1$

g (z, y; θ) = \frac{(y - z)^{n - 2}}{θ^{n} (n - 2)!} e^{- y / θ} .

$g(z,y;\theta)=\frac{(y-z)^{n-2}}{\theta^n(n-2)!}e^{-y/\theta}.$

Esto resuelve el problema.

— Norte profundo
fuente

No entiendo la noción de pasar por pero la transformación de a tiene un jacobiano de uno, solo aplique La definición de un jacobiano.

X_{1} + X_{2}

$X_1+X_2$

(x_{1}, . . ., x_{n})

$(x_1,...,x_n)$

(x_{1}, x_{1} + x_{2}, \dots, x_{1} + \dots + x_{n})

$(x_1,x_1+x_2,\ldots,x_1+\ldots+x_n)$

— Xi'an

@ Xi'an, gracias. Intenté la transformación pero todavía no puedo obtener la solución que sugirió el libro

Y_{1} = X_{1}, Y_{2} = X_{1} + X_{2}, . . ., Y_{n} = X_{1} + X_{2} + . . . + X_{n}

$Y_1=X_1, Y_2=X_1+X_2,..., Y_n=X_1+X_2+...+X_n$

— Deep North

Ya casi está: la derivación de la densidad conjunta de agregando las funciones del indicador. Esto implica que los límites en las integrales de deben ser si integra primero, luego , luego ... ¡Esto le proporcionará lo que falta.

(Y_{1}, \dots, Y_{n})

$(Y_1,\ldots,Y_n)$

y_{2}, \dots, y_{n - 1}

$y_2,\ldots,y_{n-1}$

\int_{y_{1}}^{y_{n}} \int_{y_{2}}^{y_{n}} \dots \int_{y_{n - 2}}^{y_{n}}

$\int_{y_1}^{y_n}\int_{y_2}^{y_n}\cdots\int_{y_{n-2}}^{y_n}$

y_{n - 1}

$y_{n-1}$

y - n - 2

$y-{n-2}$

(n - 2)!

$(n-2)!$

— Xi'an

El argumento de transformación funciona bien y siempre es útil, pero ahora sugeriré una forma alternativa de resolver este problema que tiene cierta semejanza con el método que usaría si las variables fueran discretas. Recuerde que la principal diferencia es que mientras que para una variable aleatoria discreta está bien definida para un rv continuo , , entonces debemos ser un poco cuidadosos. $X$ $P(X=x)$ $Y$ $P(Y=y)=0$

Deje y ahora estamos buscando la distribución conjunta $S=\sum_{i=1}^n X_i$

f_{X_{1}, S} (x_{1}, s)

$f_{X_1, S} \left(x_1, s \right)$

que podemos aproximar con la probabilidad

\begin{aligned} f_{X_{1}, S} (x_{1}, s) & \approx P [x_{1} < X_{1} < x_{1} + Δ x_{1}, s < S < s + Δ s] \\ \approx P [x_{1} < X_{1} < x_{1} + Δ x_{1}, s - x_{1} < \sum_{i = 2}^{n} X_{i} < s - x_{1} + Δ s] \\ = P [x_{1} < X_{1} < x_{1} + Δ x_{1}] P [s - x_{1} < \sum_{i = 2}^{n} X_{i} < s - x_{1} + Δ s] \\ \approx \frac{1}{θ} \exp {- \frac{x_{1}}{θ}} \frac{{(s - x_{1})}^{n - 2} \exp {- \frac{s - x_{1}}{θ}}}{Γ (n - 1) θ^{n - 1}} \\ = \frac{{(s - x_{1})}^{n - 2}}{θ^{n} (n - 2)!} \exp {- \frac{s}{θ}} \end{aligned}

$\begin{align} f_{X_1, S} \left(x_1, s \right) &\approx P\left[ x_1 <X_1< x_1 +\Delta x_1 , s<S<s+\Delta s \right] \\ &\approx P\left[ x_1 <X_1< x_1 +\Delta x_1 , s-x_1<\sum_{i=2}^n X_i<s-x_1+\Delta s \right] \\ &= P\left[ x_1 <X_1< x_1 +\Delta x_1 \right] P \left[ s-x_1<\sum_{i=2}^n X_i<s-x_1+\Delta s \right] \\ &\approx \frac{1}{\theta} \exp\left\{-\frac{x_1}{\theta}\right\} \frac{ \left(s-x_1\right)^{n-2} \exp\left\{-\frac{s-x_1}{\theta} \right\}}{\Gamma \left(n-1 \right) \theta^{n-1}} \\ &= \frac{\left(s-x_1\right)^{n-2}}{\theta^n \left(n-2\right)!} \exp\left\{-\frac{s}{\theta} \right\} \end{align}$

para . Tenga en cuenta que en la cuarta línea hemos utilizado la propiedad de aditividad de la distribución gamma, de la cual el exponencial es un caso especial. $0<x_1<s<\infty$

Si ajusta la notación, estamos obteniendo lo mismo aquí que arriba. Este método le permite salirse con la integración múltiple y por eso lo prefiero. Sin embargo, tenga cuidado al definir las densidades.

Espero que esto ayude.

— JohnK
fuente

Corrígeme si estoy equivocado, pero no creo que sea necesario encontrar la distribución condicional para encontrar la expectativa condicional para el UMVUE. Podemos encontrar la media condicional utilizando relaciones bien conocidas entre las variables independientes Beta y Gamma. Específicamente, el hecho de que si y son variables Gamma independientes, entonces es una variante Gamma, y es independiente de la variante Beta . $U$ $V$ $U+V$ $\frac{U}{U+V}$

Aquí, tenga en cuenta que y se distribuyen independientemente. Y se distribuye independientemente de . $X_1\sim\text{Gamma}(1,\frac{1}{\theta})$ $\sum_{i=2}^nX_i\sim\text{Gamma}(n-1,\frac{1}{\theta})$ $X_1+\sum_{i=2}^nX_i\sim\text{Gamma}(n,\frac{1}{\theta})$ $\dfrac{X_1}{X_1+\sum_{i=2}^nX_i}\sim\text{Beta}(1,n-1)$

Defina $h(X_1,\cdots,X_n)=\begin{cases}1&,\text{ if }X_1\le2\\0&,\text{ otherwise }\end{cases}$

$T=\sum_{i=1}^n X_i$ es suficiente para la familia de distribuciones . $\{1-\exp(-\frac{x}{\theta}):\theta>0\}$

Entonces UMVUE de es según el teorema de Lehmann-Scheffe. $P(X\le 2)$ $E(h\mid T)$

Tenemos,

\begin{aligned} E (h ∣ T = t) & = P (X_{1} \leq 2 ∣ \sum_{i = 1}^{n} X_{i} = t) \\ = P (\frac{X_{1}}{\sum_{i = 1}^{n} X_{i}} \leq \frac{2}{t} ∣ \sum_{i = 1}^{n} X_{i} = t) \\ = P (\frac{X_{1}}{X_{1} + \sum_{i = 2}^{n} X_{i}} \leq \frac{2}{t} ∣ \sum_{i = 1}^{n} X_{i} = t) \\ = P (\frac{X_{1}}{X_{1} + \sum_{i = 2}^{n} X_{i}} \leq \frac{2}{t}) \\ = \int_{0}^{2 / t} \frac{(1 - x)^{n - 2}}{B (1, n - 1)} d x \\ = 1 - {(1 - \frac{2}{t})}^{n - 1} \end{aligned}

$\begin{align}E(h\mid T=t)&=P(X_1\le2\mid \sum_{i=1}^n X_i=t)\\&=P\left(\frac{X_1}{\sum_{i=1}^nX_i}\le\frac{2}{t}\mid\sum_{i=1}^n X_i=t\right)\\&=P\left(\frac{X_1}{X_1+\sum_{i=2}^nX_i}\le\frac{2}{t}\mid\sum_{i=1}^n X_i=t\right)\\&=P\left(\frac{X_1}{X_1+\sum_{i=2}^nX_i}\le\frac{2}{t}\right)\\&=\int_0^{2/t}\frac{(1-x)^{n-2}}{B(1,n-1)}\,\mathrm{d}x\\&=1-\left(1-\frac{2}{t}\right)^{n-1}\end{align}$

Por lo tanto, el UMVUE de debe ser . $P(X\le2)$ $1-\left(1-\dfrac{2}{\sum_{i=1}^nX_i}\right)^{n-1}$

— ObstinadoAtom
fuente

Me gusta más esta respuesta.

— hyg17