วิธีที่ง่ายกว่าในการค้นหา

พิจารณา 3 ตัวอย่าง iid ที่ดึงมาจากการแจกแจงแบบเดียวกัน โดยที่คือพารามิเตอร์ ฉันต้องการหา ที่เป็นคำสั่งสถิติฉัน $u(\theta, 2\theta)$ $\theta$

E [X_{(2)} | X_{(1)}, X_{(3)}]

$\mathbb{E}\left[X_{(2)}| X_{(1)}, X_{(3)}\right]$

X_{(i)}

$X_{(i)}$

i

$i$

ฉันคาดว่าผลลัพธ์จะเป็น แต่วิธีเดียวที่ฉันสามารถแสดงผลลัพธ์นี้ดูเหมือนจะเกินไป ยาวฉันไม่สามารถหาวิธีแก้ปัญหาอย่างง่ายได้หรือไม่ฉันขาดอะไรมีทางลัดบ้างไหม?

E [X_{(2)} | X_{(1)}, X_{(3)}] = \frac{X_{(1)} + X_{(3)}}{2}

$\mathbb{E}\left[X_{(2)}| X_{(1)}, X_{(3)}\right] = \frac{X_{(1)}+ X_{(3)}}{2}$

สิ่งที่ฉันทำมีดังต่อไปนี้:

ฉันพบความหนาแน่นแบบมีเงื่อนไข

$f (x_{(2)} | x_{(1)}, x_{(3)}) = \frac{f (x_{(1)}, x_{(2)}, x_{(3)})}{f (x_{(1)}, x_{(3)})}$ $f(x_{(2)}| x_{(1)}, x_{(3)}) = \frac{ f(x_{(1)}, x_{(2)}, x_{(3)})}{f(x_{(1)}, x_{(3)})}$
ฉันรวม

E [X_{(2)} | X_{(1)}, X_{(3)}] = \int x f (x | x_{(1)}, x_{(3)}) d x

$\mathbb{E}\left[X_{(2)}| X_{(1)}, X_{(3)}\right] = \int x f(x| x_{(1)}, x_{(3)}) dx$

รายละเอียด:

ฉันใช้สูตรทั่วไปสำหรับความหนาแน่นของสถิติการสั่งซื้อ (ด้วยตัวบ่งชี้ของชุด ) $\mathbb{I}_{\{A\}}$ $A$

f_{x_{(1)}, \dots, x_{(n)}} (x_{1}, \dots, x_{n}) = n! \prod_{i = 1}^{n} f_{x} (x_{i}) I_{{x_{(1)} \leq x_{(2)} \leq \dots \leq x_{(n)}}} (x_{1}, \dots, x_{n})

$f_{x_{(1)},\ldots , x_{(n)}}(x_1,\cdots, x_n) = n! \prod_{i=1}^n f_{x}(x_i)\mathbb{I}_{\{x_{(1)} \leq x_{(2)} \leq \cdots \leq x_{(n)}\}}(x_1,\cdots, x_n)$

เพื่อรับกรณีของฉัน

f_{x_{(1)}, x_{(2)}, x_{(3)}} (x_{1}, x_{2}, x_{3}) = 3! \frac{1}{θ^{3}} I_{{x_{1} \leq x_{2} \leq \dots \leq x_{n}}} (x_{1}, \dots, x_{3})

$f_{x_{(1)}, x_{(2)}, x_{(3)}}(x_1, x_2, x_3) = 3!\frac{1}{\theta^3}\mathbb{I}_{\{x_1 \leq x_2 \leq \cdots \leq x_n\}}(x_1,\cdots, x_3)$

ขอบของคือ $f_{x_{(1)}, x_{(3)}}(u, v)$

f_{x_{(1)}, x_{(3)}} (u, v) = \int f_{x_{(1)}, x_{(2)}, x_{(3)}} (u, x_{2}, v) d x_{2}

$f_{x_{(1)}, x_{(3)}}(u, v) = \int f_{x_{(1)}, x_{(2)}, x_{(3)}}(u, x_2, v) dx_2$

นั่นคือ

f_{x_{(1)}, x_{(3)}} (u, v) = \int 3! \frac{1}{θ^{3}} I_{{x_{1} = u \leq x_{2} \leq x_{3} = v}} (u, x, v) d x = 3! \frac{1}{θ^{3}} [v - u]

$f_{x_{(1)}, x_{(3)}}(u, v) = \int 3!\frac{1}{\theta^3}\mathbb{I}_{\{x_1 = u \leq x_2 \leq x_3 = v\}}(u, x, v) dx = 3!\frac{1}{\theta^3} [v-u]$

ด้วยเหตุนี้

f (x_{(2)} | x_{(2)} = u, x_{(3)} = v) = \frac{f (x_{(1)} = u, x_{(2)}, x_{(3)} = v)}{f (x_{(1)} = u, x_{(3)} = v)} = \frac{3! \frac{1}{θ^{3}} I_{u \leq x_{2} \leq \dots \leq v} (u, x_{2}, v)}{3! \frac{1}{θ^{3}} [v - u]} = [v - u]^{- 1} I_{{u < x_{2} < v}}

$f(x_{(2)}| x_{(2)} = u, x_{(3)} = v) = \frac{ f(x_{(1)} = u, x_{(2)}, x_{(3)} = v)}{f(x_{(1)}= u, x_{(3)} = v)} = \frac{3!\frac{1}{\theta^3}\mathbb{I}_{u \leq x_2 \leq \cdots \leq v}(u,x_2, v) }{3!\frac{1}{\theta^3} [v-u]}= [v-u]^{-1}\mathbb{I}_{\{u<x_2<v\}}$

ซึ่งจะช่วยให้

E [X_{(2)} | X_{(1)} = u, X_{(3)} = v] = [v - u]^{- 1} \int_{u}^{v} x d x = [v - u]^{- 1} \frac{[v^{2} - u^{2}]}{2} = \frac{u + v}{2}

$\mathbb{E}\left[X_{(2)}| X_{(1)} = u, X_{(3)} = v\right] = [v-u]^{-1}\int_{u}^{v} x dx = [v-u]^{-1}\frac{ [v^2 - u^2]}{2} = \frac{u+v}{2}$

uniform conditional-expectation order-statistics

— พวกเขา
แหล่งที่มา

ฉันไม่ได้ดูสิ่งที่คุณทำ แต่คุณได้รับคำตอบของไม่ใช่

\frac{u - v}{2}

$\frac{u - v}{2}$

\frac{u + v}{2}

$\frac{u + v}{2}$

— Mark L. Stone

@ MarkL.Stone คุณพูดถูก ... ฉันแก้ไขแล้วบรรทัดสุดท้ายหนึ่งส่วนของไม่ถูกต้อง

\int x d x

$\int x dx$

— พวกเขา

เนื่องจากทั้งหมดมีการแจกแจงแบบสม่ำเสมอตัวแปรทั้งหมด (ไม่เรียงลำดับ) ถือว่าเป็นอิสระและไม่มีสถิติการเรียงลำดับอื่น ๆ ระหว่างและ ,มีการแจกแจงแบบตัดทอน การสนับสนุนในช่วงเวลา{(3)}] ค่าเฉลี่ยของมันคือ , QED $X_i$ $X_{(1)}$ $X_{(3)}$ $X_{(2)}$ $[X_{(1)}, X_{(3)}]$ $(X_{(1)}+X_{(3)})/2$

หากคุณต้องการการสาธิตอย่างเป็นทางการทราบว่าเมื่อมี IID มีการกระจายอย่างต่อเนื่องอย่างความหนาแน่นเงื่อนไขของ (เงื่อนไขในสถิติการสั่งซื้ออื่น ๆ ทั้งหมด) เป็นซึ่งเป็นการแจกแจงที่ถูกตัดทอน (เมื่อ ,ถูกนำมาเป็นและเมื่อ ,ถูกนำมาเป็น ) สิ่งต่อไปนี้มาจากข้อต่อ pdf ของฟังก์ชันการเรียงลำดับ สถิติตัวอย่างเช่นพร้อมกับคำจำกัดความของความหนาแน่นตามเงื่อนไข $X_i$ $F$ $X_{(k)}$ $dF(x_k)/(F(x_{(k+1)}) - F(x_{(k-1)}))$ $k=1$ $F(x_{0})$ $0$ $k=n$ $F(x_{n+1})$ $1$

— whuber
แหล่งที่มา

เมื่อคุณเขียนคุณอ้างถึงความหนาแน่นของความน่าจะเป็นของ X ฉันใช่ไหม

d F (x_{k})

$dF(x_k)$

— พวกเขา

ใช่ถูกต้องแล้ว ตามคำนิยาม (โดยทางเทคนิคแล้วฉันควรเรียกสิ่งนี้ว่า "องค์ประกอบความน่าจะเป็น" แทนที่จะเป็น "ความหนาแน่น")

d F (x) = \frac{d F}{d x} (x) d x .

$dF(x)=\frac{d F}{d x}(x)\,dx.$

— whuber