Attente conditionnelle d'une dérivation tronquée du RV, distribution de Gumbel (différence logistique)

J'ai deux variables aléatoires indépendantes et identiquement distribuées, à savoir : $\epsilon_{1}, \epsilon_{0} \overset{\text{iid}}{\sim} \text{Gumbel}(\mu,\beta)$

F (ϵ) = \exp (- \exp (- \frac{ϵ - μ}{β})),

$F(\epsilon) = \exp(-\exp(-\frac{\epsilon-\mu}{\beta})),$

f (ϵ) = \frac{1}{β} \exp (- (\frac{ϵ - μ}{β} + \exp (- \frac{ϵ - μ}{β}))) .

$f(\epsilon) = \dfrac{1}{\beta}\exp(-\left(\frac{\epsilon-\mu}{\beta}+\exp(-\frac{\epsilon-\mu}{\beta})\right)).$

J'essaie de calculer deux quantités:

$E_{ϵ_{1}} E_{ϵ_{0} | ϵ_{1}} [c + ϵ_{1} | c + ϵ_{1} > ϵ_{0}]$ $\mathbb{E}_{\epsilon_{1}}\mathbb{E}_{\epsilon_{0}|\epsilon_{1}}\left[c+\epsilon_{1}|c+\epsilon_{1}>\epsilon_{0}\right]$
$E_{ϵ_{1}} E_{ϵ_{0} | ϵ_{1}} [ϵ_{0} | c + ϵ_{1} < ϵ_{0}]$ $\mathbb{E}_{\epsilon_{1}}\mathbb{E}_{\epsilon_{0}|\epsilon_{1}}\left[\epsilon_{0}|c+\epsilon_{1}<\epsilon_{0}\right]$

J'arrive à un point où je dois faire l'intégration sur quelque chose de la forme: , qui ne semble pas avoir d'intégrale sous forme fermée. Est-ce que quelqu'un pourrait m'aider avec ceci? J'ai peut-être fait quelque chose de mal. $e^{e^{x}}$

Je pense qu'il devrait certainement y avoir une solution sous forme fermée. (EDIT: Même si ce n'est pas une forme fermée, mais qu'il y aurait un logiciel pour évaluer rapidement l'intégrale [comme Ei (x)], ce serait ok je suppose.)

ÉDITER:

Je pense qu'avec un changement de variables, laissez

y = \exp (- \frac{ϵ_{1} - μ}{β})

$y =\exp(-\frac{\epsilon_{1}-\mu}{\beta})$ et

μ - β \ln y = ϵ_{1}

$\mu-\beta\ln y =\epsilon_{1}$

Cela correspond à et respectivement. $[0,\;\infty)$ $\left[0,\;\exp(-\frac{\epsilon_{0}-c-\mu}{\beta})\right]$

$|J|=|\dfrac{d\epsilon}{dy}|=\frac{\beta}{y}$ . Puis sous le changement de variable, j'ai bouilli (1) jusqu'à ...

\int_{0}^{\infty} \frac{1}{1 - e^{- x}} (\int_{μ - β \ln x - c}^{\infty} [c + μ - β \ln y] e^{- y} d y) e^{- x} d x

$\int_{0}^{\infty}\dfrac{1}{1-e^{-x}}\left(\int_{\mu-\beta\ln x-c}^{\infty}\left[c+\mu-\beta\ln y\right]e^{-y}dy\right)e^{-x}dx$

Il peut y avoir une erreur d'algèbre mais je ne peux toujours pas résoudre cette intégrale ...

QUESTION CONNEXE: Attente du maximum de variables iid Gumbel

probability logistic conditional-probability conditional-expectation gumbel Wolfsatthedoor
la source

Il n'y a certainement pas de solution sous forme fermée. Pourquoi pensiez-vous qu'il devait y en avoir?

Gordon Smyth

@GordonSmyth Comment savez-vous qu'il n'y a pas de solution de formulaire fermé?

wolfsatthedoor

Réponses:

Comme les paramètres de la distribution de Gumbel sont respectivement l'emplacement et l'échelle, le problème se simplifie en calculant où et sont associés à , . Le dénominateur est disponible sous forme fermée $(\mu,\beta)$

E [ϵ_{1} | ϵ_{1} + c > ϵ_{0}] = \frac{\int_{- \infty}^{+ \infty} x F (x + c) f (x) d x}{\int_{- \infty}^{+ \infty} F (x + c) f (x) d x}

$\mathbb{E}[\epsilon_1|\epsilon_1+c>\epsilon_0]= \frac{\int_{-\infty}^{+\infty} x F(x+c) f(x) \text{d}x}{\int_{-\infty}^{+\infty} F(x+c) f(x) \text{d}x}$

f

$f$

F

$F$

μ = 0

$\mu=0$

β = 1

$\beta=1$

\begin{aligned} \int_{- \infty}^{+ \infty} F (x + c) f (x) d x & = \int_{- \infty}^{+ \infty} \exp {- \exp [- x - c]} \exp {- x} \exp {- \exp [- x]} d x \\ \overset{a = e^{c}}{=} \int_{- \infty}^{+ \infty} \exp {- (1 + a) \exp [- x]} \exp {- x} d x \\ = \frac{1}{1 + a} {[\exp {- (1 + a) e^{- x}}]}_{- \infty}^{+ \infty} \\ = \frac{1}{1 + a} \end{aligned}

$\begin{align*} \int_{-\infty}^{+\infty} F(x+c) f(x) \text{d}x &= \int_{-\infty}^{+\infty} \exp\{-\exp[-x-c]\}\exp\{-x\}\exp\{-\exp[-x]\}\text{d}x\\&\stackrel{a=e^c}{=}\int_{-\infty}^{+\infty} \exp\{-(1+a)\exp[-x]\}\exp\{-x\}\text{d}x\\&=\frac{1}{1+a}\left[ \exp\{-(1+a)e^{-x}\}\right]_{-\infty}^{+\infty}\\ &=\frac{1}{1+a} \end{align*}$ Le numérateur implique une intégrale exponentielle puisque (selon l' intégrateur WolframAlpha ) = \ frac {\ gamma + \ log (1 + a)} {1 + a} \ end {align *} D'où

\begin{aligned} \int_{- \infty}^{+ \infty} x F (x + c) f (x) d x & = \int_{- \infty}^{+ \infty} x \exp {- (1 + a) \exp [- x]} \exp {- x} d x \\ \overset{z = e^{- x}}{=} \int_{0}^{+ \infty} \log (z) \exp {- (1 + a) z} d z \\ = \frac{- 1}{1 + a} {[Ei (- (1 + a) z) - \log (z) e^{- (1 + a) z}]}_{0}^{\infty} \\ = \frac{γ + \log (1 + a)}{1 + a} \end{aligned}

$\begin{align*} \int_{-\infty}^{+\infty} x F(x+c) f(x) \text{d}x &= \int_{-\infty}^{+\infty} x \exp\{-(1+a)\exp[-x]\}\exp\{-x\}\text{d}x\\ &\stackrel{z=e^{-x}}{=} \int_{0}^{+\infty} \log(z) \exp\{-(1+a)z\}\text{d}z\\ &= \frac{-1}{1+a}\left[\text{Ei}(-(1+a) z) -\log(z) e^{-(1+a) z}\right]_{0}^{\infty}\\ &= \frac{\gamma+\log(1+a)}{1+a} \end{align*}$

E [ϵ_{1} | ϵ_{1} + c > ϵ_{0}] = γ + \log (1 + e^{- c})

$\mathbb{E}[\epsilon_1|\epsilon_1+c>\epsilon_0]=\gamma+\log(1+e^{-c})$ Ce résultat peut être facilement vérifié par simulation, car produire une variable de Gumberl revient à transformer un Variable uniforme (0,1), , comme . Monte Carlo et les moyens théoriques s'accordent:

U

$U$

X = - \log {- \log (U)}

$X=-\log\{-\log(U)\}$

Xi'an
la source

Saviez-vous que epsilon0 est également un VR?

wolfsatthedoor