Problema acerca de la suma parcial de la variable aleatoria exponencial

Question

Deje $X_1, X_2, \dots,X_n, X_{n+1}$ ser independiente de la variable aleatoria de distribución exponencial, y la media es de 1.

Deje $S_i = X_1 + \dots + X_i$

Quiero saber $\mathbb{E}\left[\max_{k=1}^n\left(\frac{S_k}{S_{n+1}} - \mathbb{E}\left(\frac{S_k}{S_{n+1}}\right)\right)\right]$. Aproximar la solución es ACEPTAR.

Aquí, $\left(\frac{S_1}{S_{n+1}}, \frac{S_2}{S_{n+1}}, \dots, \frac{S_n}{S_{n+1}}\right) $ tiene la misma distribución con el fin de estadísticas de $n$ uniformes $U(0,1)$ variables aleatorias. Por favor, véase Didier, la respuesta a la Pregunta sobre el fin de las estadísticas.

Answer 1

Por la intercambiabilidad, $\mathrm E\left(\frac{S_k}{S_n}\right)=\frac{k}n$ por cada $0\leqslant k\leqslant n$.

Heurística basada en la funcional teorema del límite central sugieren que, para cada $0\leqslant t\leqslant 1$, cuando $k\approx tn$, $S_k\approx nt+\sqrt{n}\cdot B_t$ para un estándar de movimiento Browniano $(B_t)_{0\leqslant t\leqslant 1}$. Por lo tanto, $$ \frac{S_k}{S_n}-\mathrm E\left(\frac{S_k}{S_n}\right)\approx\frac{nt+\sqrt{n}\cdot B_t}{n+\sqrt{n}\cdot B_1}-t\approx\frac1{\sqrt{n}}(B_t-tB_1). $$ El proceso de $(B_t-tB_1)_{0\leqslant t\leqslant 1}$ es un estándar de puente Browniano. Esto sugiere que la expectativa $\mathfrak e_n$ que usted está pidiendo que se comporta como $\mathrm E(M)/\sqrt{n}$, donde $$ M=\max\limits_{0\leqslant t\leqslant 1}(B_t-tB_1). $$ Por último, desde el $\mathrm P(M\geqslant x)=\mathrm e^{-2x^2}$ por cada $x\geqslant0$, $\mathrm E(M)=\sqrt{\pi/8}$ y todo esto llevaría a la asymptotics $$ \lim\limits_{n\to\infty}\sqrt{n}\cdot\mathfrak e_n=\sqrt{\pi/8}=0.626657\ldots $$ Editar El puente Browniano se distribuye como $(B_t)_{0\leqslant t\leqslant 1}$ condicionado a $B_1=0$, por lo tanto, para cada $x\gt0$, $$ \mathrm P(M\geqslant x)=\mathrm P(M_1\geqslant x\a mediados de B_1=0),\qquad M_1=\max\limits_{0\leqslant t\leqslant 1}B_t. $$ De manera informal, intyroducing $T_x=\inf\{t\geqslant0\mid B_t\geqslant x\}$, $[M_1\geqslant x]=[T_x\leqslant1]$, por lo tanto $$ \mathrm P(M_1\geqslant x\a mediados de B_1=0)\approx\left.\frac{Q(\mathrm dz)}{\mathrm P(B_1\en\mathrm dz)}\right|_{z=0} $$ donde $$ Q(\mathrm dz)=\mathrm P(T_x\leqslant1,B_1\en\mathrm dz)=\mathrm P(T_x\leqslant1)\mathrm P(B_1\en\mathrm dz\mediados de T_x\leqslant1). $$ Por el principio de reflejo, para $z\lt x$, $$ \mathrm P(B_1\en\mathrm dz\mediados de T_x\leqslant1)=\mathrm P(B_1\en\mathrm 2x-dz\mediados de T_x\leqslant1), $$ por lo tanto $Q(\mathrm dz)=\mathrm P(B_1\in\mathrm 2x-dz, T_x\leqslant1)=\mathrm P(B_1\in\mathrm 2x-dz)$. La introducción de la densidad de $\varphi$ de la distribución de $B_1$ y aplicando esto a $z=0$, los rendimientos de $\mathrm P(M\geqslant x)=\varphi(2x)/\varphi(0)$, que es la fórmula utilizada anteriormente.

Answer 2

Deje $U_{k:n}$ $k$- ésimo orden de estadística en una muestra uniforme de tamaño $n$. $U_{k:n}$ es igual en la distribución de una versión beta variables aleatorias con los parámetros de $\alpha = k$$\beta=n+1-k$, por lo que $$ \mathbb{E}\left( \frac{S_k}{S_{n+1}} \right) = \mathbb{E}(U_{k:n}) = \frac{k}{n+1} $$ Por lo tanto tenemos que encontrar la expectativa de que la variable aleatoria $V_n = \max_{k=1}^n \left(U_{k:n} - \frac{k}{n+1} \right)$. Claramente $ \mathbb{P}\left(-\frac{1}{n+1} \leqslant V_n \leqslant \frac{n}{n+1} \right) = 1$.

Deje $-\frac{1}{n+1} <z<\frac{n}{n+1}$, y considerar la posibilidad de $$ \begin{eqnarray} \mathbb{P}(V_n \leqslant z) &=& \mathbb{P}\left(\land_{k=1}^n \left(U_{k:n} \leqslant z+\frac{k}{n+1}\right)\right) = F_{U_{1:n}, \ldots, U_{n:n}}\left(z + \frac{1}{n+1},\ldots,z + \frac{n}{n+1} \right) \\ &=& \sum_{\begin{array}{c} s_1 \leqslant s_2 \leqslant \cdots \leqslant s_n \\ s_1+s_2 + \cdots+s_n+s_{n+1} = n \\ s_i \geqslant i \end{array}} \binom{n}{s_1,s_2,\ldots,s_{n+1}}\prod_{k=1}^{n+1} \left(F_U(z_k) - F_U(z_{k-1})\right)^{s_k} \end{eqnarray} $$ donde$z_i = z + \frac{i}{n+1}$$z_0 = 0$$z_{n+1} = 1$. Esto le da a una ley exacta para la variable $V_n$.

El cálculo de la media se puede hacer como $$ \mathbb{E}(V_n) = -\frac{1}{n+1} + \int\limits_{-\frac{1}{n+1}}^{\frac{n}{n+1}} \left( 1- \mathbb{P}(V_n \leqslant z) \right) \mathrm{d} z = \frac{n}{n+1} - \int\limits_{-\frac{1}{n+1}}^{\frac{n}{n+1}} \mathbb{P}(V_n \leqslant z) \mathrm{d} z $$

With this it is easy to evaluate moments for low values of $n$:

In[76]:= Table[n/(n + 1) - 
  Integrate[(
      CDF[OrderDistribution[{UniformDistribution[], n}, Range[n]], 
       z + Range[n]/(n + 1)]) // Simplify, {z, -1/(n+1), n/(
    n+1)}], {n, 1, 10}]

Out[76]= {0, 8/81, 129/1024, 2104/15625, 38275/279936, 784356/5764801, 
 18009033/134217728, 459423728/3486784401, 12913657911/100000000000, 
 396907517500/3138428376721}

Denominators of the expectation $\mathbb{E}(V_n)$ equal to $(n+1)^{n+2}$. Exacto cálculos de $\mathbb{E}(V_n)$ $n$ mucho mayor que $n=10$ es difícil debido a la mala complejidad.

Sin embargo, la simulación está siempre a mano.