Vou esboçar a solução, aqui, usando um sistema de álgebra computacional para fazer as pequenas coisas ...
Solução
Se for uma amostra do tamanho no pai , o pdf do máximo da amostra será: e similarmente para . n X ∼ Uniforme ( 0 , a ) f n ( x ) = nX1,...,XnnX∼Uniform(0,a)Y
fn(x)=nanxn−1
Y
Abordagem 1: Encontre o pdf conjunto de(X(n),Y(n))
Como e são independentes, o pdf conjunto dos 2 máximos da amostra é simplesmente o produto dos 2 pdfs, digamos :Y ( X ( n ) , Y ( n ) ) f ( n ) ( x , y )XY( X( N ), Y( N ))f( N )( x , y)
Dado . Então, o cdf de é é: ZnP(ZN<z)Zn= n logmax ( Y( N ), X( N ))min ( Y( N ), X( N ))ZnP( Zn< z)
onde estou usando a Prob
função do pacote mathStatica para o Mathematica automatizar. A diferenciação de cdf wrt produz o pdf de como exponencial padrão.Z nzZn
Abordagem 2: estatísticas de pedidos
Podemos usar as estatísticas de pedidos para "ignorar" a mecânica de ter que lidar com as funções Max e Min.
Mais uma vez: Se é uma amostra do tamanho no pai , o pdf do máximo da amostra é, digamos, : n X ∼ Uniforme ( 0 , a ) W = X ( n ) f n ( w )X1 1, . . . , XnnX∼ Uniforme ( 0 , a )W= X( N )fn(w)
Os máximos da amostra e são apenas dois desenhos independentes dessa distribuição de ; ou seja, as estatísticas de ordem e de (em uma amostra do tamanho 2) são exatamente o que estamos procurando: S ( n ) W 1 s t 2 n d WX(n)Y(n)W1st2ndW
W(1)=min(Y(n),X(n))
W(2)=max(Y(n),X(n))
O pdf conjunto de , em uma amostra de tamanho 2, digamos , É:g ( . , . )(W(1),W(2))g(.,.)
Dado . Então, o cdf de é é: ZnP(ZN<z)Zn=nlogmax(Y(n),X(n))min(Y(n),X(n))ZnP(Zn<z)
A vantagem dessa abordagem é que o cálculo da probabilidade não envolve mais as funções max / min, o que pode facilitar a expressão da derivação (especialmente à mão).
De outros
Conforme meu comentário acima, parece que você interpretou mal a pergunta ...
Somos convidados a encontrar:
Zn=nlogmax(Y(n),X(n))min(Y(n),X(n))
onde o denominador é min (Xmax, yMax), ... não o mínimo de todos os 's e ' s.YXY