这篇博客探讨了在概率论和统计学中，如何求解由n个独立同分布样本的最大值（θ1^）和最小值（θ2^）的分布。通过分布函数的定义，博主展示了如何推导出最大值统计量的分布函数，并进一步求得其概率密度函数。对于最小值统计量，虽然没有给出详细的推导过程，但可以类似地进行计算。这些理论在统计推断和参数估计中有重要应用。
1. 问题
假设有nnn个独立同分布的样本：X1,⋯ ,Xn∼fX(x)X_1,\cdots,X_n \sim f_X(x)X1,⋯,Xn∼fX(x)，下面给出两个统计量：
- θ1^=max(X1,⋯ ,Xn)\hat{\theta_1} = \max(X_1, \cdots, X_n)θ1^=max(X1,⋯,Xn)
- θ2^=min(X1,⋯ ,Xn)\hat{\theta_2} = \min(X_1, \cdots, X_n)θ2^=min(X1,⋯,Xn)
求解这俩新随机变量的分布。
2. 最大值统计量
根据分布函数定义：
Fθ1^(x)=P(θ1^≤x)
F_{\hat{\theta_1}}(x) = \mathrm{P}(\hat{\theta_1} \leq x)
Fθ1^(x)=P(θ1^≤x)
根据统计量的具体表达方式，即为：
Fθ1^(x)=P[max(X1,⋯ ,Xn)≤x]
F_{\hat{\theta_1}}(x) = \mathrm{P}[\max(X_1, \cdots, X_n) \leq x]
Fθ1^(x)=P[max(X1,⋯,Xn)≤x]
下面需要引入一些与概率无关的东西：
集合最大值小于某数值，等价于集合中所有元素都小于某数值。
于是：
Fθ1^(x)=P(X1≤x,⋯ ,Xn≤x)
F_{\hat{\theta_1}}(x) = \mathrm{P}(X_1\leq x, \cdots, X_n \leq x)
Fθ1^(x)=P(X1≤x,⋯,Xn≤x)
根据独立同分布条件，这个等价于：
Fθ1^(x)=∏i=1n∫−∞xfXi(x)dx=Fn(x)
\begin{aligned}
F_{\hat{\theta_1}}(x) &= \prod_{i = 1}^n\int_{-\infin}^{x}f_{X_i}(x)\mathbf{d}x\\
&= F^n(x)
\end{aligned}
Fθ1^(x)=i=1∏n∫−∞xfXi(x)dx=Fn(x)
如果想要PDF，就对xxx变量再求个微分。这玩意是积分上限函数，所以微分直接就是积分原函数了：
fθ1^(x)=nFXn−1(x)fX(x)
f_{\hat{\theta_1}}(x) = nF^{n-1}_X(x)f_X(x)
fθ1^(x)=nFXn−1(x)fX(x)
扫一扫
604
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
