Розподіл "немішаних" деталей на основі порядку суміші


9

Припустимо, у мене є парні спостереження, намальовані в як для . НехайXiN(0,σx2),YiN(0,σy2),i=1,2,,nZi=Xi+Yi, і позначаємо черезZij то jНайбільше спостережуване значення Z. Що таке (умовний) розподілXij? (або еквівалентно, що вYij)

Тобто, що таке розподіл Xi умовний на Zi будучи jго найбільшого n спостережувані значення Z?

Я здогадуюсь, що як ρ=σxσy0, розповсюдження Xij зближується лише до безумовного розподілу X, поки як ρ, розповсюдження Xij сходиться до безумовного розподілу jСтатистика порядку X. В середині, однак, я не впевнений.


Я видалив тег "суміш", тому що це питання про суму (або, що еквівалентно, про корельовані нормальні змінні), а не про їх суміш.
whuber

Xi також вважається незалежним від Yi, так?
кардинал

@cardinal: так, вони незалежні.
shabbychef

Нещодавнє та пов’язане із цим питання, що спливе на math.SE: math.stackexchange.com/questions/38873/…
кардинал

Рішення, розміщене на math.SE, концептуально ідентичне рішенню, яке я подаю нижче, але формулюється з використанням дещо іншої термінології.
NRH

Відповіді:


1

Зауважте, що випадкова величина ij є функцією Z=(Z1,,Zn)тільки. Дляn-вектор, z, ми пишемо ij(z) для індексу jй найбільша координата. Нехай такожPz(A)=P(X1AZ1=z) позначають умовний розподіл X1 дано Z1.

Якщо розділити ймовірності вниз відповідно до значення ij і дезінтегрувати wrt Z ми отримуємо

P(XijA)=kP(XkA,ij=k)=k(ij(z)=k)P(XkAZ=z)P(Zdz)=k(ij(z)=k)P(XkAZk=zk)P(Zdz)=k(ij(z)=k)Pzk(A)P(Zdz)=Pz(A)P(Zijdz)

Цей аргумент є досить загальним і покладається лише на висунуті припущення про ід, і Zk може бути будь-яка задана функція (Xk,Yk).

Під припущеннями нормальних розподілів (взяття σy=1) і Zk будучи сумою, умовний розподіл X1 дано Z1=z є

N(σx21+σx2z,σx2(1σx21+σx2))
і @probabilityislogic показує, як обчислити розподіл Zij, отже, ми маємо явні вирази для обох розподілів, які вводяться в останньому інтегралі вище. Чи можна інтеграл обчислити аналітично - інше питання. Ви, можливо, зможете, але я не можу сказати, чи це можливо. Для асимптотичного аналізу, колиσx0 або σx це може не бути необхідним.

Інтуїція, що стоїть за вищенаведеним обчисленням, полягає в тому, що це умовний аргумент незалежності. ДаноZk=z змінні Xk і ij є незалежними.


1

Розподіл Zij не складно, і це задається розподілом Beta-F:

pZij(z)dz=n!(j1)!(nj)!1σzϕ(zσz)[Φ(zσz)]j1[1Φ(zσz)]njdz

Де ϕ(x) стандартний звичайний PDF та Φ(x) є стандартним нормальним CDF, і σz2=σy2+σx2.

Тепер, якщо вам це дано Yij=y, тоді Xij є функцією 1 на 1 Zij, а саме Xij=Zijy. Тож я б подумав, що це повинно бути простим застосуванням правила якобіта.

pXij|Yij(x|y)=n!(j1)!(nj)!1σzϕ(x+yσz)[Φ(x+yσz)]j1[1Φ(x+yσz)]njdx

Це здається занадто простим, але я думаю, що це правильно. Раді, що вас показують неправильно.


Ви неправильно зрозуміли питання. Я шукаю розповсюдженняXij як функція j,n,σx,σy. Я насправді не спостерігаю за цимXi і Yi, і не може спричинити їх. Можна припустити, що це заблокуєσx=1, і таким чином враховуйте лише параметри j,n,σy.
шабчеф

нормально - так в основному вам потрібно мати yвилучено з цього рівняння? (інтегрований вихід)
ймовірністьлогічний

так; і це не незалежно від Z ...
shabbychef
Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.