Distribution des pièces «non mélangées» en fonction de l'ordre du mélange

Supposons que j'ai des observations appariées tirées iid comme pour . Soit et on note la ème valeur observée de . Quelle est la distribution (conditionnelle) de ? (ou de manière équivalente, celle de ) $X_i \sim \mathcal{N}\left(0,\sigma_x^2\right), Y_i \sim \mathcal{N}\left(0,\sigma_y^2\right),$ $i=1,2,\ldots,n$ $Z_i = X_i + Y_i,$ $Z_{i_j}$ $j$ $Z$ $X_{i_j}$ $Y_{i_j}$

Autrement dit, quelle est la distribution de conditionnelle à ce que soit la e plus grande des valeurs observées de ? $X_i$ $Z_i$ $j$ $n$ $Z$

Je suppose que comme , la distribution de converge vers la distribution inconditionnelle de , tandis que , la distribution de converge vers la distribution inconditionnelle de la statistique e ordre de . Au milieu, cependant, je suis incertain. $\rho = \frac{\sigma_x}{\sigma_y} \to 0$ $X_{i_j}$ $X$ $\rho \to \infty$ $X_{i_j}$ $j$ $X$

distributions order-statistics shrinkage shabbychef
la source

J'ai supprimé la balise "mixture" car il s'agit d'une question sur une somme (ou, de manière équivalente, sur des variables normales corrélées), pas sur un mélange d'entre elles.

whuber

X_{i}

$X_i$ est également supposé indépendant de

Y_{i}

$Y_i$ , oui?

cardinal

@cardinal: oui, ils sont indépendants.

shabbychef

Une question récente et liée qui a surgi sur math.SE: math.stackexchange.com/questions/38873/...

cardinal

La solution publiée sur math.SE est conceptuellement identique à la solution que je donne ci-dessous - mais formulée en utilisant une terminologie légèrement différente.

NRH

Réponses:

Remarquez que la variable aléatoire est uniquement fonction de . Pour un vecteur , , nous écrivons pour l'indice de la ème coordonnée la plus grande. Soit également la distribution conditionnelle de $i_j$ $\mathbf{Z} = (Z_1, \ldots, Z_n)$ $n$ $\mathbf{z}$ $i_j(\mathbf{z})$ $j$ $P_z(A) = P(X_1 \in A \mid Z_1 = z)$ $X_1$ étant donné . $Z_1$

Si nous décomposons les probabilités en fonction de la valeur de et que nous nous désintégrons par rapport à nous obtenons $i_j$ $\mathbf{Z}$

\begin{array}{rcl} P (X_{{je}_{j}} \in UNE) & = & \sum_{k} P (X_{k} \in UNE, {je}_{j} = k) \\ = & \sum_{k} \int_{({je}_{j} (z) = k)} P (X_{k} \in UNE ∣ Z = z) P (Z \in ré z) \\ = & \sum_{k} \int_{({je}_{j} (z) = k)} P (X_{k} \in UNE ∣ Z_{k} = z_{k}) P (Z \in ré z) \\ = & \sum_{k} \int_{({je}_{j} (z) = k)} P_{z_{k}} (UNE) P (Z \in ré z) \\ = & \int P_{z} (UNE) P (Z_{{je}_{j}} \in ré z) \end{array}

$\begin{array}{rcl} P(X_{i_j} \in A) & = & \sum_{k} P(X_k \in A, i_j = k) \\ & = &\sum_k \int_{(i_j(z) = k)} P(X_k \in A \mid \mathbf{Z} = \mathbf{z}) P(\mathbf{Z} \in d\mathbf{z}) \\ & = & \sum_k \int_{(i_j(z) = k)} P(X_k \in A \mid Z_k = z_k) P(\mathbf{Z} \in d\mathbf{z}) \\ & = & \sum_k \int_{(i_j(z) = k)} P_{z_k}(A) P(\mathbf{Z} \in d\mathbf{z}) \\ & = & \int P_{z}(A) P(Z_{i_j} \in dz) \\ \end{array}$

Cet argument est assez général et ne repose que sur les hypothèses iid énoncées, et pourrait être n'importe quelle fonction donnée de . $Z_k$ $(X_k, Y_k)$

Sous les hypothèses de distributions normales (en prenant ) et étant la somme, la distribution conditionnelle de étant donné que est $\sigma_y = 1$ $Z_k$ $X_1$ $Z_1 = z$ et @probabilityislogic montre comment calculer la distribution de, donc nous avons des expressions explicites pour les deux distributions qui entrent dans la dernière intégrale ci-dessus. La question de savoir si l'intégrale peut être calculée analytiquement est une autre question. Vous pourriez peut-être le faire, mais du haut de ma tête, je ne peux pas dire si c'est possible. Pour une analyse asymptotique lorsqueoucela peut ne pas être nécessaire.

N (\frac{σ_{X}^{2}}{1 + σ_{X}^{2}} z, σ_{X}^{2} (1 - \frac{σ_{X}^{2}}{1 + σ_{X}^{2}}))

$N\left(\frac{\sigma_x^2}{1+\sigma_x^2} z, \sigma_x^2\left(1 - \frac{\sigma_x^2}{1+\sigma_x^2}\right)\right)$

Z_{i_{j}}

$Z_{i_j}$

σ_{x} \to 0

$\sigma_x \to 0$

σ_{x} \to \infty

$\sigma_x \to \infty$

L'intuition derrière le calcul ci-dessus est qu'il s'agit d'un argument d'indépendance conditionnelle. Étant donné les variables et sont indépendantes. $Z_{k} = z$ $X_{k}$ $i_j$

NRH
la source

La distribution de n'est pas difficile, et elle est donnée par la distribution du composé Beta-F: $Z_{i_{j}}$

p_{Z_{{je}_{j}}} (z) ré z = \frac{n!}{(j - 1)! (n - j)!} \frac{1}{σ_{z}} ϕ (\frac{z}{σ_{z}}) {[Φ (\frac{z}{σ_{z}})]}^{j - 1} {[1 - Φ (\frac{z}{σ_{z}})]}^{n - j} ré z

$p_{Z_{i_{j}}}(z)dz=\frac{n!}{(j-1)!(n-j)!} \frac{1}{\sigma_{z}}\phi(\frac{z}{\sigma_{z}})\left[\Phi(\frac{z}{\sigma_{z}})\right]^{j-1}\left[1-\Phi(\frac{z}{\sigma_{z}})\right]^{n-j}dz$

Où est un PDF normal standard, et est un CDF normal standard, et . $\phi(x)$ $\Phi(x)$ $\sigma_{z}^{2}=\sigma_{y}^{2}+\sigma_{x}^{2}$

Maintenant, si l'on vous donne , alors est une fonction 1 à 1 de , à savoir . Je pense donc que cela devrait être une simple application de la règle jacobienne. $Y_{i_{j}}=y$ $X_{i_{j}}$ $Z_{i_{j}}$ $X_{i_{j}}=Z_{i_{j}}-y$

p_{X_{{je}_{j}} | {Oui}_{{je}_{j}}} (X | y) = \frac{n!}{(j - 1)! (n - j)!} \frac{1}{σ_{z}} ϕ (\frac{X + y}{σ_{z}}) {[Φ (\frac{X + y}{σ_{z}})]}^{j - 1} {[1 - Φ (\frac{X + y}{σ_{z}})]}^{n - j} ré X

$p_{X_{i_{j}}|Y_{i_{j}}}(x|y)=\frac{n!}{(j-1)!(n-j)!} \frac{1}{\sigma_{z}}\phi(\frac{x+y}{\sigma_{z}})\left[\Phi(\frac{x+y}{\sigma_{z}})\right]^{j-1}\left[1-\Phi(\frac{x+y}{\sigma_{z}})\right]^{n-j}dx$

Cela semble trop facile, mais je pense que c'est correct. Heureux de se tromper.

probabilitéislogique
la source

Vous avez mal compris la question. Je cherche la distribution de

en fonction de

. Je n'observe pas réellement les

, et

ne peux pas les conditionner. On peut supposer, wlog que

, et donc ne considérer que les paramètres

X_{i_{j}}

$X_{i_j}$

j, n, σ_{x}, σ_{y}

$j, n, \sigma_x, \sigma_y$

X_{i}

$X_i$

Y_{i}

$Y_i$

σ_{x} = 1

$\sigma_x = 1$

j, n, σ_{y}

$j, n, \sigma_y$

shabbychef

ok - donc, fondamentalement, vous devez avoir supprimé

de cette équation? (intégré)

y

$y$

probabilitéislogic

Oui; et il n'est pas indépendant de Z ...

shabbychef