Supponiamo che

Qual è il modo più semplice per vedere che la seguente affermazione è vera?

Supponiamo che $Y_1, \dots, Y_n \overset{\text{iid}}{\sim} \text{Exp}(1)$ . Mostra $\sum_{i=1}^{n}(Y_i - Y_{(1)}) \sim \text{Gamma}(n-1, 1)$ .

$Y_{(1)} = \min\limits_{1 \leq i \leq n}Y_i$

Per , ciò significa che . $X \sim \text{Exp}(\beta)$ $f_{X}(x) = \dfrac{1}{\beta}e^{-x/\beta} \cdot \mathbf{1}_{\{x > 0\}}$

È facile vedere che $Y_{(1)} \sim \text{Exponential}(1/n)$ . Inoltre, abbiamo anche $\sum_{i=1}^{n}Y_i \sim \text{Gamma}(\alpha = n, \beta = 1)$ sotto la parametrizzazione

f_{Y} (y) = \frac{1}{Γ (α) β^{α}} x^{α - 1} e^{- x / β} 1_{{x > 0}}, α, β > 0 .

$f_{Y}(y) =\dfrac{1}{\Gamma(\alpha)\beta^{\alpha}}x^{\alpha-1}e^{-x/\beta}\mathbf{1}_{\{x > 0\}}\text{, }\qquad \alpha, \beta> 0\text{.}$

Soluzione data la risposta di Xi'an : utilizzando la notazione nella domanda originale:

\begin{aligned} \sum_{i = 1}^{n} [Y_{i} - Y_{(1)}] & = \sum_{i = 1}^{n} [Y_{(i)} - Y_{(1)}] \\ = \sum_{i = 1}^{n} Y_{(i)} - n Y_{(1)} \\ = \sum_{i = 1}^{n} {Y_{(i)} - Y_{(i - 1)} + Y_{(i - 1)} - \dots - Y_{(1)} + Y_{(1)}} - n Y_{(1)} \\ = \sum_{i = 1}^{n} \sum_{j = 1}^{i} {Y_{(j)} - Y_{(j - 1)}} - n Y_{(1)} where Y_{(0)} = 0 \\ = \sum_{j = 1}^{n} \sum_{i = j}^{n} {Y_{(j)} - Y_{(j - 1)}} - n Y_{(1)} \\ = \sum_{j = 1}^{n} (n - j + 1) [Y_{(j)} - Y_{(j - 1)}] - n Y_{(1)} \\ = \sum_{i = 1}^{n} (n - i + 1) [Y_{(i)} - Y_{(i - 1)}] - n Y_{(1)} \\ = \sum_{i = 2}^{n} (n - i + 1) [Y_{(i)} - Y_{(i - 1)}] + n Y_{(1)} - n Y_{(1)} \\ = \sum_{i = 2}^{n} (n - i + 1) [Y_{(i)} - Y_{(i - 1)}] . \end{aligned}

$\begin{align} \sum_{i=1}^{n}[Y_i - Y_{(1)}] &= \sum_{i=1}^{n}[Y_{(i)}-Y_{(1)}] \\ &= \sum_{i=1}^{n}Y_{(i)}-nY_{(1)}\\ &= \sum_{i=1}^{n}\{Y_{(i)}-Y_{(i-1)}+Y_{(i-1)}-\cdots-Y_{(1)}+Y_{(1)}\}-nY_{(1)}\\ &= \sum_{i=1}^n\sum_{j=1}^{i}\{Y_{(j)}-Y_{(j-1)}\}-nY_{(1)}\text{ where } Y_{(0)} = 0 \\ &= \sum_{j=1}^n\sum_{i=j}^{n}\{Y_{(j)}-Y_{(j-1)}\}-nY_{(1)}\\ &= \sum_{j=1}^{n}(n-j+1)[Y_{(j)}-Y_{(j-1)}]-nY_{(1)}\\ &= \sum_{i=1}^{n}(n-i+1)[Y_{(i)}-Y_{(i-1)}]-nY_{(1)}\\ &= \sum_{i=2}^{n}(n-i+1)[Y_{(i)}-Y_{(i-1)}]+nY_{(1)}-nY_{(1)} \\ &= \sum_{i=2}^{n}(n-i+1)[Y_{(i)}-Y_{(i-1)}]\text{.} \end{align}$ Da questo, otteniamo che

\sum_{i = 2}^{n} (n - i + 1) [Y_{(i)} - Y_{(i - 1)}] \sim Gamma (n - 1, 1)

$\sum_{i=2}^{n}(n-i+1)[Y_{(i)}-Y_{(i-1)}] \sim \text{Gamma}(n-1, 1)$ 1) .

— Clarinettista
fonte

@MichaelChernick 1) Non sono sicuro che la mia prova di indipendenza sia corretta, e 2) Non sono sicuro che il risultato che ho indovinato sopra relativo alla differenza delle distribuzioni Gamma sia persino corretto. Questo sembra contraddire ciò che viene dato qui , ma forse questa situazione è diversa poiché questa differenza include una delle statistiche dell'ordine? Non ne sono sicuro.

— Clarinetist,

@Clarinetist, non ne sono certo. Forse prova a lavorare con , che equivale chiaramente alla somma con cui stai lavorando. La risposta qui potrebbe essere utile: math.stackexchange.com/questions/80475/…

\sum_{i = 2}^{n} (Y_{(i)} - Y_{(1)})

$\sum_{i = 2}^n (Y_{(i)} - Y_{(1)})$

— gammer

Hai provato a dimostrare che ogni - tranne uno , per il quale e, quindi, usando il fatto che la somma di iid variate esponenziali sarà distribuita in gamma?

(Y_{i} - Y_{(1)}) \sim Expon (1)

$(Y_i - Y_{(1)}) \sim \text{Expon}(1)$

i

$i$

Y_{i} - Y_{(1)} = 0

$Y_i - Y_{(1)} = 0$

(n - 1)

$(n-1)$

— Marcelo Ventura,

@jbowman Abbiamo e condizionato su , lo dividiamo per , dando , quindi abbiamo . Ora ecco cosa mi ha infastidito di questa prova: ho considerato come una costante. Ma non è una costante. Perché dovrebbe funzionare?

f_{Z_{i}} (z_{i}) = f_{Y_{i}} (z_{i} + a) = e^{- (z_{i} + a)}

$f_{Z_i}(z_i) = f_{Y_i}(z_i + a) = e^{-(z_i + a)}$

Y_{i} \geq a

$Y_i \geq a$

e^{- a}

$e^{-a}$

e^{- z_{i}}

$e^{-z_i}$

(Z_{i} ∣ Y_{i} \geq A) \sim Exp (1)

$(Z_i \mid Y_i \geq A) \sim \text{Exp}(1)$

A

$A$

Y_{(1)}

$Y_{(1)}$

— Clarinetist,

Il punto è che non importa quello che è! La distribuzione è sempre ! Notevole, no? E da questo puoi concludere che la distribuzione di è sempre per , indipendentemente dal valore effettivo di .

a

$a$

Exp (1)

$\text{Exp}(1)$

Y_{i} - Y_{[1]}

$Y_i - Y_{[1]}$

Exp (1)

$\text{Exp}(1)$

i > 1

$i > 1$

Y_{[1]}

$Y_{[1]}$

— jbowman,

Risposte:

La prova è data nei libri della Generazione casuale di Mother of All, Generazione casuale non uniforme di Devroye , a p.211 (ed è molto elegante!):

Teorema 2.3 (Sukhatme, 1937) Se definiamo allora le spaziature esponenziali normalizzate derivate dal statistiche ordine di un campione esponenziale di dimensione sono esse stesse variabili variabili esponenziali $E_{(0)}=0$
$(n - i + 1) (E_{(i)} - E_{(i - 1)})$ $(n-i+1)(E_{(i)}-E_{(i-1)})$ $E_{(1)}\le\ldots\le E_{(n)}$ $n$

Prova. Poiché il densità congiunta della statistica ordine scrive come Impostando , la modifica delle variabili da a ha una Jacobiana costante [per inciso uguale ama questo non ha bisogno di essere calcolato] e quindi la densità di

\begin{aligned} \sum_{i = 1}^{n} e_{i} & = \sum_{i = 1}^{n} e_{(i)} = \sum_{i = 1}^{n} \sum_{j = 1}^{i} (e_{(j)} - e_{(j - 1)}) \\ = \sum_{j = 1}^{n} \sum_{i = j}^{n} (e_{(j)} - e_{(j - 1)}) = \sum_{j = 1}^{n} (n - j + 1) (e_{(j)} - e_{(j - 1)}) \end{aligned}

$\begin{align*} \sum_{i=1}^n e_i &= \sum_{i=1}^n e_{(i)} =\sum_{i=1}^n \sum_{j=1}^i(e_{(j)}-e_{(j-1)})\\ &=\sum_{j=1}^n \sum_{i=j}^n(e_{(j)}-e_{(j-1)}) =\sum_{j=1}^n (n-j+1)(e_{(j)}-e_{(j-1)}) \end{align*}$

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

$(E_{(1)},\ldots,E_{(n)})$

f (e) = n! \exp {- \sum_{i = 1}^{n} e_{(i)}} = n! \exp {- \sum_{i = 1}^{n} (n - i + 1) (e_{(i)} - e_{(i - 1)})}

$f(\mathbf{e})=n!\,\exp\left\{-\sum_{i=1}^ne_{(i)}\right\}=n!\,\exp\left\{-\sum_{i=1}^n (n-i+1)(e_{(i)}-e_{(i-1)})\right\}$

Y_{i} = (E_{(i)} - E_{(i - 1)})

$Y_i=(E_{(i)}-E_{(i-1)})$

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

$(E_{(1)},\ldots,E_{(n)})$

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

$(Y_1,\ldots,Y_n)$

1 / n!

$1/n!$

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

$(Y_1,\ldots,Y_n)$ è proporzionale a che stabilisce il risultato. QED

\exp {- \sum_{i = 1}^{n} y_{i}}

$\exp\left\{-\sum_{i=1}^n y_i \right\}$

Un'alternativa suggerita da Gérard Letac è quella di verificare che abbia la stessa distribuzione di (in virtù della proprietà senza memoria), che rende la derivazione di semplice.

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

$(E_{(1)},\ldots,E_{(n)})$

(\frac{E_{1}}{n}, \frac{E_{1}}{n} + \frac{E_{2}}{n - 1}, \dots, \frac{E_{1}}{n} + \frac{E_{2}}{n - 1} + \dots + \frac{E_{n}}{1})

$\left(\frac{E_1}{n},\frac{E_1}{n}+\frac{E_2}{n-1},\ldots,\frac{E_1}{n}+\frac{E_2}{n-1}+\ldots+\frac{E_n}{1}\right)$

\sum_{k = 1}^{n} (E_{k} - E_{(1)}) \sim \sum_{k = 1}^{n - 1} E_{k}

$\sum_{k=1}^n(E_k-E_{(1)})\sim \sum_{k=1}^{n-1}E_k$

— Xi'an
fonte

Grazie per questa risposta! Vorrei inserire alcuni dettagli per chiunque legga questo in futuro: sono valori osservati di e il modo più semplice per vedere che è scrivere termine per termine. Poiché la densità di è proporzionale a , separa per vedere la densità è proporzionale a , quindi .

e_{i}

$e_i$

E_{i}

$E_i$

\sum_{i = 1}^{n} e_{(i)} = \sum_{i = 1}^{n} (n - i + 1) (e_{(i)} - e_{(i - 1)}) = \sum_{i = 1}^{n} e_{(i)}

$\sum_{i=1}^{n}e_{(i)} = \sum_{i=1}^{n}(n-i+1)(e_{(i)} - e_{(i-1)}) = \sum_{i=1}^{n}e_{(i)}$

\sum_{i = 1}^{n} (n - i + 1) (e_{(i)} - e_{(i - 1)})

$\sum_{i=1}^{n}(n-i+1)(e_{(i)} - e_{(i-1)})$

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

$(Y_1, \dots, Y_n)$

\exp (- \sum_{i = 1}^{n} y_{i})

$\exp\left(-\sum_{i=1}^{n}y_i \right)$

y_{i}

$y_i$

\prod_{i = 1}^{n} e^{- y_{i}}

$\prod_{i=1}^{n}e^{-y_i}$

Y_{1}, \dots, Y_{n} \overset{iid}{\sim} Exp (1)

$Y_1, \dots, Y_n \overset{\text{iid}}{\sim} \text{Exp}(1)$

— Clarinetist,

Ho esposto qui ciò che è stato suggerito nei commenti di @jbowman.

Lascia una costante . Lascia che segua un e considera . Poi $a\geq 0$ $Y_i$ $\text{Exp(1)}$ $Z_i = Y_i-a$

Pr (Z_{i} \leq z_{i} ∣ Y_{i} \geq a) = Pr (Y_{i} - a \leq z_{i} ∣ Y_{i} \geq a)

$\Pr(Z_i\leq z_i \mid Y_i \geq a) = \Pr(Y_i-a\leq z_i \mid Y_i \geq a)$

⟹ Pr (Y_{i} \leq z_{i} + a ∣ Y_{i} \geq a) = \frac{Pr (Y_{i} \leq z_{i} + a, Y_{i} \geq a)}{1 - Pr (Y_{i} \leq a)}

$\implies \Pr(Y_i\leq z_i+a \mid Y_i \geq a) = \frac {\Pr(Y_i\leq z_i+a,Y_i \geq a)}{1-\Pr(Y_i\leq a)}$

⟹ \frac{Pr (a \leq Y_{i} \leq z_{i} + a)}{1 - Pr (Y_{i} \leq a)} = \frac{1 - e^{- z_{i} - a} - 1 + e^{- a}}{e^{- a}} = 1 - e^{- z_{i}}

$\implies \frac {\Pr(a\leq Y_i\leq z_i+a)}{1-\Pr(Y_i\leq a)} = \frac {1-e^{-z_i-a}-1+e^{-a}}{e^{-a}}=1-e^{-z_i}$

che è la funzione di distribuzione di . $\text{Exp(1)}$

Descriviamolo: la probabilità che un rv cada in un intervallo specifico (il numeratore nell'ultima riga), dato che supererà il limite inferiore dell'intervallo (il denominatore), dipende solo dal lunghezza dell'intervallo e non su dove questo intervallo è posizionato sulla linea reale. $\text{Exp(1)}$ Questa è una incarnazione della proprietà di " assenza di memoria " della distribuzione esponenziale, qui in un contesto più generale, privo di interpretazioni temporali (e vale per la distribuzione esponenziale in generale)

Ora, condizionando su forziamo ad essere non negativo e, soprattutto, il risultato ottenuto mantiene . Quindi possiamo affermare quanto segue: $\{Y_i \geq a\}$ $Z_i$ $\forall a\in \mathbb R^+$

Se , quindi . $Y_i\sim \text{Exp(1)}$ $\forall Q\geq 0 : Z_i = Y_i-Q \geq 0$ $\implies$ $Z_i\sim \text{Exp(1)}$

Possiamo trovare un che è libero di assumere tutti i valori reali non negativi e per il quale vale sempre la disuguaglianza richiesta (quasi sicuramente)? Se possiamo, allora possiamo rinunciare all'argomento condizionante. $Q\geq 0$

E davvero possiamo. È la statistica di ordine minimo , , . Quindi abbiamo ottenuto $Q=Y_{(1)}$ $\Pr(Y_i \geq Y_{(1)})=1$

Y_{i} \sim Exp(1) ⟹ Y_{i} - Y_{(1)} \sim Exp(1)

$Y_i\sim \text{Exp(1)} \implies Y_i-Y_{(1)} \sim \text{Exp(1)}$

Ciò significa che

Pr (Y_{i} - Y_{(1)} \leq y_{i} - y_{(1)}) = Pr (Y_{i} \leq y_{i})

$\Pr(Y_i-Y_{(1)} \leq y_i-y_{(1)}) = \Pr(Y_i \leq y_i)$

Quindi se la struttura probabilistica di rimane invariata se sottraggiamo la statistica dell'ordine minimo, ne consegue che le variabili casuali e dove indipendenti, sono anche indipendenti poiché il possibile legame tra loro, non ha alcun effetto sulla struttura probabilistica. $Y_i$ $Z_i=Y_i-Y_{(1)}$ $Z_j=Y_j-Y_{(1)}$ $Y_i, Y_j$ $Y_{(1)}$

Quindi la somma contiene iid variabili casuali (e uno zero), e così $\sum_{i=1}^{n}(Y_i - Y_{(1)})$ $n-1$ $\text{Exp(1)}$

\sum_{i = 1}^{n} (Y_{i} - Y_{(1)}) \sim Gamma (n - 1, 1)

$\sum_{i=1}^{n}(Y_i - Y_{(1)}) \sim \text{Gamma}(n-1, 1)$

— Alecos Papadopoulos
fonte