Einfacherer Weg, um

Betrachten Sie 3 iid-Proben, die aus der Gleichverteilung , wobei ein Parameter ist. Ich möchte wobei die Ordnungsstatistik . $u(\theta, 2\theta)$ $\theta$

E [X_{(2)} | X_{(1)}, X_{(3)}]

$\mathbb{E}\left[X_{(2)}| X_{(1)}, X_{(3)}\right]$

X_{(i)}

$X_{(i)}$

i

$i$

Ich würde erwarten, dass das Ergebnis Aber der einzige Weg, dieses Ergebnis zu zeigen, scheint auch zu sein langwierig, ich kann keine einfache Lösung finden, vermisse ich etwas, gibt es eine Abkürzung?

E [X_{(2)} | X_{(1)}, X_{(3)}] = \frac{X_{(1)} + X_{(3)}}{2}

$\mathbb{E}\left[X_{(2)}| X_{(1)}, X_{(3)}\right] = \frac{X_{(1)}+ X_{(3)}}{2}$

Was ich mache ist folgendes:

Ich finde die bedingte Dichte

$f (x_{(2)} | x_{(1)}, x_{(3)}) = \frac{f (x_{(1)}, x_{(2)}, x_{(3)})}{f (x_{(1)}, x_{(3)})}$ $f(x_{(2)}| x_{(1)}, x_{(3)}) = \frac{ f(x_{(1)}, x_{(2)}, x_{(3)})}{f(x_{(1)}, x_{(3)})}$
Ich integriere

E [X_{(2)} | X_{(1)}, X_{(3)}] = \int x f (x | x_{(1)}, x_{(3)}) d x

$\mathbb{E}\left[X_{(2)}| X_{(1)}, X_{(3)}\right] = \int x f(x| x_{(1)}, x_{(3)}) dx$

Einzelheiten:

Ich übernehme eine allgemeine Formel für die Statistik der Ordnungsdichte (mit als Indikator für Menge ) $\mathbb{I}_{\{A\}}$ $A$

f_{x_{(1)}, \dots, x_{(n)}} (x_{1}, \dots, x_{n}) = n! \prod_{i = 1}^{n} f_{x} (x_{i}) I_{{x_{(1)} \leq x_{(2)} \leq \dots \leq x_{(n)}}} (x_{1}, \dots, x_{n})

$f_{x_{(1)},\ldots , x_{(n)}}(x_1,\cdots, x_n) = n! \prod_{i=1}^n f_{x}(x_i)\mathbb{I}_{\{x_{(1)} \leq x_{(2)} \leq \cdots \leq x_{(n)}\}}(x_1,\cdots, x_n)$

für meinen Fall zu erhalten

f_{x_{(1)}, x_{(2)}, x_{(3)}} (x_{1}, x_{2}, x_{3}) = 3! \frac{1}{θ^{3}} I_{{x_{1} \leq x_{2} \leq \dots \leq x_{n}}} (x_{1}, \dots, x_{3})

$f_{x_{(1)}, x_{(2)}, x_{(3)}}(x_1, x_2, x_3) = 3!\frac{1}{\theta^3}\mathbb{I}_{\{x_1 \leq x_2 \leq \cdots \leq x_n\}}(x_1,\cdots, x_3)$

Rand von ist $f_{x_{(1)}, x_{(3)}}(u, v)$

f_{x_{(1)}, x_{(3)}} (u, v) = \int f_{x_{(1)}, x_{(2)}, x_{(3)}} (u, x_{2}, v) d x_{2}

$f_{x_{(1)}, x_{(3)}}(u, v) = \int f_{x_{(1)}, x_{(2)}, x_{(3)}}(u, x_2, v) dx_2$

das ist

f_{x_{(1)}, x_{(3)}} (u, v) = \int 3! \frac{1}{θ^{3}} I_{{x_{1} = u \leq x_{2} \leq x_{3} = v}} (u, x, v) d x = 3! \frac{1}{θ^{3}} [v - u]

$f_{x_{(1)}, x_{(3)}}(u, v) = \int 3!\frac{1}{\theta^3}\mathbb{I}_{\{x_1 = u \leq x_2 \leq x_3 = v\}}(u, x, v) dx = 3!\frac{1}{\theta^3} [v-u]$

dafür

f (x_{(2)} | x_{(2)} = u, x_{(3)} = v) = \frac{f (x_{(1)} = u, x_{(2)}, x_{(3)} = v)}{f (x_{(1)} = u, x_{(3)} = v)} = \frac{3! \frac{1}{θ^{3}} I_{u \leq x_{2} \leq \dots \leq v} (u, x_{2}, v)}{3! \frac{1}{θ^{3}} [v - u]} = [v - u]^{- 1} I_{{u < x_{2} < v}}

$f(x_{(2)}| x_{(2)} = u, x_{(3)} = v) = \frac{ f(x_{(1)} = u, x_{(2)}, x_{(3)} = v)}{f(x_{(1)}= u, x_{(3)} = v)} = \frac{3!\frac{1}{\theta^3}\mathbb{I}_{u \leq x_2 \leq \cdots \leq v}(u,x_2, v) }{3!\frac{1}{\theta^3} [v-u]}= [v-u]^{-1}\mathbb{I}_{\{u<x_2<v\}}$

was gibt

E [X_{(2)} | X_{(1)} = u, X_{(3)} = v] = [v - u]^{- 1} \int_{u}^{v} x d x = [v - u]^{- 1} \frac{[v^{2} - u^{2}]}{2} = \frac{u + v}{2}

$\mathbb{E}\left[X_{(2)}| X_{(1)} = u, X_{(3)} = v\right] = [v-u]^{-1}\int_{u}^{v} x dx = [v-u]^{-1}\frac{ [v^2 - u^2]}{2} = \frac{u+v}{2}$

uniform conditional-expectation order-statistics

— Sie
quelle

Ich habe nicht auf das geschaut, was du getan hast, aber du hast eine Antwort von , nicht von

\frac{u - v}{2}

$\frac{u - v}{2}$

\frac{u + v}{2}

$\frac{u + v}{2}$

— Mark L. Stone

@ MarkL.Stone du hast recht ... Ich habe behoben, dass die letzte Zeile, Integral von falsch war.

\int x d x

$\int x dx$

— Sie

Da alle eine gleichmäßige Verteilung haben, werden alle (ungeordneten) Variablen als unabhängig angenommen, und es liegt keine andere Ordnungsstatistik zwischen und . hat eine abgeschnittene gleichmäßige Verteilung unterstützt im Intervall . Sein Mittelwert ist offensichtlich , QED. $X_i$ $X_{(1)}$ $X_{(3)}$ $X_{(2)}$ $[X_{(1)}, X_{(3)}]$ $(X_{(1)}+X_{(3)})/2$

Wenn Sie eine formale Demonstration wünschen , beachten Sie, dass, wenn die mit einer absolut kontinuierlichen Verteilung iid sind , die bedingte Dichte von (abhängig von allen anderen Ordnungsstatistiken) , das ist die abgeschnittene Verteilung. (Wenn , wird als , und wenn , wird als .) Dies folgt aus dem gemeinsamen PDF der Ordnungsfunktionen Statistik zum Beispiel zusammen mit der Definition von bedingten Dichten. $X_i$ $F$ $X_{(k)}$ $dF(x_k)/(F(x_{(k+1)}) - F(x_{(k-1)}))$ $k=1$ $F(x_{0})$ $0$ $k=n$ $F(x_{n+1})$ $1$

— whuber
quelle

Wenn Sie schreiben , beziehen Sie sich auf die Wahrscheinlichkeitsdichte von X, habe ich Recht?

d F (x_{k})

$dF(x_k)$

— Sie

Ja, das ist richtig. Per Definition ist (Technisch hätte ich dies eher das "Wahrscheinlichkeitselement" als die "Dichte" nennen sollen.)

d F (x) = \frac{d F}{d x} (x) d x .

$dF(x)=\frac{d F}{d x}(x)\,dx.$

— whuber