เราจะหาความน่าจะเป็นที่ตัวแปรสุ่มสูงสุดได้อย่างไร


21

สมมติว่าเรามีตัวแปรสุ่มอิสระ , ,ด้วยวิธีการ จำกัดและความแปรปรวน , , 2 ฉันกำลังมองหาขอบเขตการกระจายฟรีที่น่าจะเป็นที่ใดมีขนาดใหญ่กว่าอื่น ๆ ทั้งหมด ,ฉันNX1Xnμ1μNσ12σN2XiXNXjji

กล่าวอีกนัยหนึ่งถ้าเพื่อความง่ายเราถือว่าการแจกแจงของนั้นต่อเนื่อง (เช่น ) ฉันกำลังมองหาขอบเขตบน: ถ้าเราสามารถใช้อสมการของ Chebyshev เพื่อรับ: \ P (X_1 = \ max_j X_j) = \ P (X_1> X_2) \ leq \ frac {\ sigma_1 ^ 2 + \ sigma_2 ^ 2} {\ sigma_1 ^ 2 + \ sigma_2 ^ 2 + (\ mu_1 - \ mu_2) ^ 2} \ enspace ฉันอยากจะพบบางอย่างง่าย (ไม่จำเป็นต้องแน่น) ขอบเขตทั่วไปNแต่ผมยังไม่ได้รับสามารถที่จะหา (esthetically) ผลที่ชื่นชอบสำหรับทั่วไปไม่มีXiP(Xi=Xj)=0N = 2 P ( X 1 = สูงสุดJ X J ) = P ( X 1 > X 2 ) σ 2 1 + σ 2 2

P(Xi=maxjXj).
N=2ไม่มีN
P(X1=maxjXj)=P(X1>X2)σ12+σ22σ12+σ22+(μ1μ2)2.
NN

โปรดทราบว่าตัวแปรจะไม่ถือว่าเป็น iid ข้อเสนอแนะหรือการอ้างอิงถึงงานที่เกี่ยวข้องใด ๆ ยินดีต้อนรับ


ปรับปรุง: จำได้ว่าโดยสมมติฐานμjμi\ จากนั้นเราสามารถใช้ขอบเขตด้านบนเพื่อไปที่:

P(Xi=maxjXj)minj>iσi2+σj2σi2+σj2+(μjμi)2σi2+σN2σi2+σN2+(μNμi)2.
นี่หมายถึง:
(μNμi)P(Xi=maxjXj)(μNμi)σi2+σN2σi2+σN2+(μNμi)212σi2+σN2.
นี่หมายความว่า:
i=1NμiP(Xi=maxjXj)μNN2i=1N1(σi2+σN2).
ตอนนี้ผมกำลังสงสัยว่านี้ถูกผูกไว้จะดีขึ้นกับสิ่งที่ไม่ได้ขึ้นอยู่เส้นตรงกับNตัวอย่างเช่นทำการระงับต่อไปนี้: และถ้าไม่เช่นนั้นอาจเป็นตัวอย่างได้อย่างไรN Σฉัน= 1 μ ฉันP ( X ฉัน = สูงสุดJ X J ) μ N - N
i=1NμiP(Xi=maxjXj)μNi=1Nσi2?

3
ที่ถูกผูกไว้นี้อาจจะเข้มงวดมากขึ้นถ้าคุณใช้ดัชนีที่ช่วยให้คุณมีขนาดเล็กที่ถูกผูกไว้บนแทนNโปรดทราบว่าค่านี้ขึ้นอยู่กับค่าเฉลี่ยและความแปรปรวน jN

5
@MichaelChernick: ฉันไม่เชื่อว่าถูกต้อง สมมติเช่นเรามีสามกระจายเครื่องแบบ[0,1]แล้วถ้าฉันไม่ผิด,ขณะที่1/2 ฉันไม่ทราบว่าคุณตั้งใจจะเขียนแต่จากนั้นตัวอย่างเดียวกันแสดงให้เห็นว่ายังไม่ถูกต้อง [0,1]P ( X 1 < X 2 ) = P ( X 1 < X 3 ) = 1 / 2 P ( X ฉัน > สูงสุดJ X J )P(X1<maxjXj)=2/3P(X1<X2)=P(X1<X3)=1/2P(Xi>maxjXj)
MLS

2
@Michael: นั่นยังไม่เป็นความจริงโชคไม่ดี เหตุการณ์สำหรับการแก้ไขไม่ได้เป็นอิสระ iAj={Xi>Xj} i
พระคาร์ดินัล

2
P(XN=maxjXj)

2
Crossposted สู่ MathOverflow: mathoverflow.net/questions/99313
คาร์ดินัล

คำตอบ:


1

คุณสามารถใช้ความไม่เท่าเทียมกันหลายตัวแปรของ Chebyshev

กรณีตัวแปรสองตัว

X1X2

μ1<μ2P(X1>X2)(σ12+σ22)/(μ1μ2)2

(และฉันก็สงสัยเกี่ยวกับที่มาของคุณ)

ความเป็นมาของสมการ 1

  • X1X2
  • เปลี่ยนมันแบบนั้นมันมีค่าเฉลี่ยเป็นศูนย์
  • รับค่าสัมบูรณ์
  • ใช้ความไม่เท่าเทียมกันของ Chebyshev

P(X1>X2)=P(X1X2>0)=P(X1X2(μ1μ2)>(μ1μ2))P(|X1X2(μ1μ2)|>μ2μ1)σ(X1X2(μ1μ2))2(μ2μ1)2=σX12+σX22(μ2μ1)2

กรณีหลายตัวแปร

(XnXi)i<n

วิธีการแก้ไขปัญหานี้ (หลายตัวแปรและสัมพันธ์) ได้รับการอธิบายโดย I. Olkin และ JW Pratt 'A Multivariate Tchebycheff Inequality' ในพงศาวดารของคณิตศาสตร์สถิติเล่มที่ 29 หน้า 226-234 http://projecteuclid.org/euclid.aoms/1177706720

หมายเหตุทฤษฎีบท 2.3

P(|yi|kiσi for some i)=P(|xi|1 for some i)(u+(ptu)(p1))2p2

pt=ki2u=ρij/(kikj)

ทฤษฎีบท 3.6 ให้ขอบเขตที่แน่นกว่า แต่ง่ายต่อการคำนวณน้อยกว่า

แก้ไข

(σ12+σ22)/(σ12+σ22+(μ1μ2)2)(σ12+σ22)/(μ1μ2)2

ฉันไม่ได้ใช้เวลาศึกษาบทความทั้งหมด แต่อย่างไรก็ตามคุณสามารถหาวิธีแก้ไขได้ที่นี่:

AW Marshall และ I. Olkin 'ความไม่เท่าเทียมแบบด้านเดียวของ Chebyshev Type' ในพงศาวดารของ ปริมาณสถิติทางคณิตศาสตร์ 31 หน้า 488-491 https://projecteuclid.org/euclid.aoms/1177705913

(หมายเหตุในภายหลัง: ความไม่เท่าเทียมกันนี้มีไว้สำหรับความสัมพันธ์ที่เท่ากันและไม่เพียงพอช่วย แต่ปัญหาของคุณเพื่อค้นหาขอบเขตที่คมชัดเท่ากับความไม่เท่าเทียมกันโดยทั่วไปหลายตัวแปร Cantelli ฉันจะแปลกใจถ้าวิธีแก้ปัญหาไม่มีอยู่)


คุณช่วยระบุแถลงการณ์ที่ชัดเจนเกี่ยวกับความไม่เท่าเทียมกันหลายตัวแปร Chebyshev ได้ไหม?
whuber

1
ฉันได้แก้ไขวิธีแก้ปัญหาโดยให้ทฤษฎีบททั้งหมดแล้ว
Sextus Empiricus

-1

ฉันได้พบทฤษฎีบทที่อาจช่วยคุณและจะพยายามปรับให้เข้ากับความต้องการของคุณ สมมติว่าคุณมี:

exp(tE(max1inXi))

จากนั้นด้วยความไม่เท่าเทียมของ Jensen (เนื่องจาก exp (.) เป็นฟังก์ชันนูน) เราได้:

exp(tE(max1inXi))E(exp(tmax1inXi))=E(max1in exp(tXi))i=1nE(exp(tXi)

exp(tXiXiE(max1inXi)

จากนั้นคุณมีคำสั่งเกี่ยวกับมูลค่าที่คาดหวังของสูงสุดกว่า n rvs เพื่อให้ได้คำแถลงเกี่ยวกับความน่าจะเป็นที่ค่าเบี่ยงเบนสูงสุดของค่า rv เหล่านั้นจากค่าที่คาดหวังนี้คุณสามารถใช้ความไม่เท่าเทียมของ Markov (สมมติว่า rv ของคุณไม่เป็นลบ) หรือ rv ที่เฉพาะเจาะจงมากขึ้น

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.