Si consideri il caso di un campione iid da una distribuzione Uniform . Ridimensionare queste variabili di e tradurle di conferisce una distribuzione Uniforme . Tutto ciò che è rilevante per questo problema cambia allo stesso modo: le statistiche dell'ordine e le aspettative condizionali. Pertanto, la risposta ottenuta in questo caso speciale sarà generalmente valida.X1,X2,…,Xn(0,1)θθ(θ,2θ)
Lascia Emulando il ragionamento su https://stats.stackexchange.com/a/225990/919 (o altrove), scopri che la distribuzione congiunta di ha la funzione di densità1<k<n.(X( 1 ),X( k ),X( n ))
fk ; n( x , y, z) = I(0≤x≤y≤z≤1)(y−x)k−2(z−y)n−k−1.
Fissaggio (x,z) e vedendolo come una funzione di y, questo è riconoscibile come beta(k−1,n−k) distribuzione che è stata ridimensionata e tradotta nell'intervallo [x,z]. Pertanto, il fattore di scala deve essere z−x e la traduzione richiede 0 per x.
Dal momento che l' aspettativa di una beta(k−1,n−k)la distribuzione è(k−1)/(n−1), troviamo che l'aspettativa condizionale di X(k)deve essere l'aspettativa ridotta e tradotta; cioè,
E(X(k)∣X(1),X(n))=X(1)+(X(n)−X(1))k−1n−1.
I casi k =1 e k = n sono banali: le loro aspettative condizionali sono, rispettivamente, X( 1 ) e X(k).
Troviamo l'aspettativa della somma di tutte le statistiche degli ordini:
E(∑K=1nX( k))=X( 1)+Σk = 2n - 1(X( 1 )+(X( n )−X( 1 ))k - 1n - 1)+X( n ).
L'algebra si riduce all'ottenimento della somma Σk = 2n - 1(k−1)=(n−1)(n−2)/2.
così
E(∑k=1nX(k))=(n−1)X(1)+(X(n)−X(1))(n−1)(n−2)2(n−1)+X(n)=n2(X(n)+X(1)).
Infine, perché il Xi sono distribuiti in modo identico, hanno tutti la stessa aspettativa, da cui
nE(X1∣X(1),X(n))=E(X1)+E(X2)+⋯+E(Xn)=E(X(1))+E(X(2))+⋯+E(X(n))=n2(X(n)+X(1)),
con la soluzione unica
E(X1∣X(1),X(n))=(X(n)+X(1))/2.
Vale la pena notare che questo risultato non è una sola conseguenza della simmetria della distribuzione uniforme: è particolare per la famiglia uniforme di distribuzioni. Per un po 'di intuizione, considera i dati tratti da una beta(a,a) distribuzione con a<1. Le probabilità di questa distribuzione sono concentrate vicino 0 e 1(la sua densità ha una forma a U o "vasca"). quandoX(n)<1/2, possiamo essere certi che la maggior parte dei dati sia accumulata vicino X(1) e quindi tenderà ad avere aspettative inferiori al punto medio (X(1)+X(n))/2; e quando X(1)>1/2, accade il contrario e la maggior parte dei dati è probabilmente accumulata vicino X(n).