Реши задачу по теории вероятности: Пусть ksi1, ksi2, ... ksi_n - последовательность…
- User
Реши задачу по теории вероятности: Пусть ksi_1, ksi_2, ... ksi_n - последовательность случайных независимых величин с показательным распределением случ. величины с lambda = 1. Найти слабый предел L(n*ksi_[2]) при n->inf?
- Assistant
Решение (по-русски).
Будем считать, что
ξ1,…,ξn – независимые Exp(1)-сл.величины, а
ξ(1) ≤ ξ(2) ≤ … ≤ ξ(n) – их порядковые статистики.
Запись ξ[2] в условии, как правило, означает вторую порядковую статистику ξ(2).Нужно найти слабый предел случайных величин
ηn := n ξ(2), n → ∞.
Шаг 1. Разложим ξ(2) через «спейсы».
Для экспоненциальных выборок справедливо известное свойство:
спейс-разностиΔ1 = ξ(1),
Δ2 = ξ(2) – ξ(1),
… ,
Δn = ξ(n) – ξ(n–1)независимы и распределены как
Δk ~ Exp(n–k+1), k = 1,…,n.
Поэтому
ξ(2) = Δ1 + Δ2, где
Δ1 ~ Exp(n),
Δ2 ~ Exp(n–1), Δ1 ⟂ Δ2.Шаг 2. Масштабируем.
Положимηn = n ξ(2) = n Δ1 + n Δ2.
• Для Δ1: n Δ1 = (n)·Exp(n) ⇒ Exp(1).
(Если X ~ Exp(λ), то c·X ~ Exp(λ/c).)• Для Δ2: n Δ2 = (n/(n–1))·[(n–1) Δ2]
⇒ (n/(n–1))·Exp(1) →d Exp(1), потому что n/(n–1) → 1.Причём n Δ1 и n Δ2 по-прежнему независимы.
Отсюдаηn = n Δ1 + n Δ2 →d Z1 + Z2,
где Z1, Z2 – независимые Exp(1).
Сумма двух независимых Exp(1) имеет гамма-распределение Γ(2,1) (или «эрланг(2, 1)»):f(y) = y e^{–y}, y ≥ 0,
F(y) = 1 – (1 + y) e^{–y}, y ≥ 0.Шаг 3. Ответ.
Слабый предел существует и равен гамма-распределению с параметрами shape = 2, rate = 1.Вывод
n ξ(2) ⇒ Γ(2, 1), n → ∞,
то есть
P(n ξ(2) ≤ y) → 1 – (1 + y) e^{–y}, y ≥ 0.
- User
Как доказать факт о распределении порядка статик для экспоненциальных величин?
- Assistant
Ниже ‒ два классических (и на-самом-деле очень коротких) доказательства того, что
Δ1 = ξ(1), Δ2 = ξ(2)–ξ(1), … , Δn = ξ(n)–ξ(n–1)
независимы иΔk ~ Exp(n–k+1) (при λ=1).
Можно выбрать любой из них; оба дают один и тот же результат.
──────────────────────────────────────── Доказательство 1. «Память-не-имеем» + индукция ────────────────────────────────────────
-
Минимум n экспоненциальных величин.
Пусть U = min{ξ1,…,ξn}.
Для i.i.d. Exp(1) имеем
P(U>t) = P(ξ1>t, …, ξn>t) = e^{–t n},
то есть U ~ Exp(n). -
Независимость первого промежутка.
Введём индексы I = arg min{ξ1,…,ξn}.
Событие {I=i} зависит только от того, у кого минимум, а экспоненциалы без памяти:
условно на {I=i, U=u} остаток каждой из остальных (n–1) величин ξj – u (j≠i) снова распределён как Exp(1) и независим друг от друга и от U.
Следовательно Δ1 = U независим от «дальнейшей картины». -
Минимум из (n–1) оставшихся.
Δ2 = min{остатки} ~ Exp(n–1) и независим от Δ1.
Причина ‒ та же формула для минимума, только размер выборки теперь (n–1). -
Индукция.
Повторяя рассуждение, получаем Δk ~ Exp(n–k+1) и Δ1, …, Δn независимы.
──────────────────────────────────────── Доказательство 2. Через якобиан («лоб в лоб») ────────────────────────────────────────
Шаг 1. Совместная плотность упорядоченных статистик.
Для ξ1,…,ξn ~ Exp(1) она равнаf_{ξ(1),…,ξ(n)}(y1,…,yn) = n! e^{–yn}, 0<y1<⋯<yn. (★)
(Легко получить из порядка статистик: f(y1,…,yn)=n!∏_i e^{–yi}.)
Шаг 2. Переход к промежуткам.
Положим s1=y1, s2=y2–y1, …, sn=yn–y_{n–1}.
Обратное преобразование:
y1=s1, y2=s1+s2, …, yn=s1+⋯+sn.
Якобиан |J|=1 (треугольная матрица с единицами на диагонали).Шаг 3. Подставляем в (★):
f_{S1,…,Sn}(s1,…,sn) = n! exp{–(s1+⋯+sn)n} = n! exp{–s1 n} exp{–s2 (n–1)} … exp{–sn·1}. (†)
Шаг 4. Факторизуем.
Напишем n! = ∏_{k=1}^n (n–k+1). Тогда (†) превращается в∏_{k=1}^n [ (n–k+1) exp{–(n–k+1) s_k} ],
что и есть произведение плотностей Exp(n–k+1). Следовательно S1,…,Sn независимы и S_k~Exp(n–k+1).
──────────────────────────────────────── Что в итоге ──────────────────────────────────────── Оба подхода показывают:
• ξ(1)=Δ1
Exp(n);Exp(n–1) и независим от Δ1;
• ξ(2)=Δ1+Δ2, где Δ2
• …;
• ξ(n)=∑_{k=1}^n Δk, Δk~Exp(n–k+1), независимы.Именно это свойство мы использовали, когда доказывали сходимость n ξ(2) ⇒ Γ(2,1).
-
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.