Que formas distributivas produzem a “expectativa pitagórica”?

16

Sejam $X \sim \text{Dist}(\theta_X)$ e variáveis aleatórias contínuas independentes geradas a partir da mesma forma de distribuição não especificada, mas com tolerância para diferentes valores de parâmetros. Estou interessado em encontrar um formulário de distribuição paramétrica para o qual a seguinte probabilidade de amostragem seja válida para todos os valores de parâmetros permitidos: $Y \sim \text{Dist}(\theta_Y)$

P (X > Y | θ_{X}, θ_{Y}) = \frac{θ_{X}^{2}}{θ_{X}^{2} + θ_{Y}^{2}} .

$\mathbb{P}(X > Y| \theta_X, \theta_Y) = \frac{\theta_X^2}{\theta_X^2 + \theta_Y^2}.$

Minha pergunta: alguém pode me dizer uma forma distributiva contínua para a qual isso vale? Existem condições gerais (não triviais) que levam a isso?

Meus pensamentos preliminares: se você multiplicar ambos os parâmetros por qualquer constante diferente de zero, a probabilidade permanecerá inalterada; portanto, faz sentido que seja algum tipo de parâmetro de escala. $\theta$

probability distributions

— Restabelecer Monica
fonte

1

Talvez isso ajude: en.wikipedia.org/wiki/…

— John Coleman

1

Você pode fornecer um contexto ou referências para esta pergunta?

— Xian

17

Se tomarmos duas variáveis aleatórias exponenciais obtemos que e

X \sim E (θ_{X}) X \sim E (θ_{Y})

$X\sim\mathcal{E}(\theta_X)\qquad X\sim\mathcal{E}(\theta_Y)$

P (X > Y | Y = y) = \exp {- θ_{X} y}

$\mathbb{P}(X>Y|Y=y)=\exp\{-\theta_X y\}$

Agora, se

E^{Y} [\exp {- θ_{X} Y}] = \int_{0}^{\infty} \exp {- θ_{X} y} θ_{Y} \exp {- θ_{Y} y} d y = \frac{θ_{Y}}{θ_{X} + θ_{Y}}

$\mathbb{E}^Y[\exp\{-\theta_X Y\}]=\int_0^\infty \exp\{-\theta_X y\}\,\theta_Y\exp\{-\theta_Y y\}\text{d}y=\dfrac{\theta_Y}{\theta_X+\theta_Y}$

então

X \sim E (θ_{X}^{- 2}) X \sim E (θ_{Y}^{- 2})

$X\sim\mathcal{E}(\theta_X^{-2})\qquad X\sim\mathcal{E}(\theta_Y^{-2})$

P (X > Y) = \frac{θ_{X}^{2}}{θ_{X}^{2} + θ_{Y}^{2}}

$\mathbb{P}(X>Y)=\dfrac{\theta_X^2}{\theta_X^2+\theta_Y^2}$

$f$ $X$ $Y$

\int_{0}^{\infty} z f (z) f (τ z) d z = \frac{1}{(1 + τ)^{2}}

$\int_0^\infty z\, f(z)\, f(\tau z) \,\text{d}z = \frac{1}{(1+\tau)^2}$

P (X > Y) = P (X^{α} > Y^{α})

$\mathbb{P}(X>Y)=\mathbb{P}(X^\alpha>Y^\alpha)$

α > 0

$\alpha>0$

X^{'} = ϕ (X) Y^{'} = ϕ (Y)

$X' = \phi(X) \qquad Y' = \phi(Y)$ $\phi$

X, Y

$X,Y$

P (X^{'} > Y^{'}) = P (ϕ (X) > ϕ (Y)) = P (X > Y) = \frac{θ_{X}^{2}}{θ_{X}^{2} + θ_{Y}^{2}} .

$\mathbb{P}(X'>Y') =\mathbb{P}(\phi(X)>\phi(Y))=\mathbb{P}(X>Y)=\dfrac{\theta_X^2}{\theta_X^2+\theta_Y^2}.$

— Xi'an
fonte

8

$X$ $\left( \alpha,\beta_1 \right)$ $Y$ $\left( \alpha, \beta_2 \right)$

P [X > Y] = \frac{β_{1}^{α}}{β_{1}^{α} + β_{2}^{α}}

$P \left[ X > Y \right]= \frac{\beta_1^\alpha}{\beta_1^\alpha + \beta_2^\alpha}$

Isso pode ser obtido seguindo a mesma abordagem dada na resposta de Xi'an.

$\alpha=2$ $X$ $Y$ $X$ $\theta_X$ $Y$ $\theta_Y,$

P [X > Y] = \frac{θ_{X}^{2}}{θ_{X}^{2} + θ_{Y}^{2}}

$P \left[ X > Y \right]= \frac{\theta_X^2}{\theta_X^2 + \theta_Y^2}$

— Soakley
fonte

θ_{X}

$\theta_X$

θ_{Y}

$\theta_Y$

α

$\alpha$

α

$\alpha$

De fato, como você mostrou. Presumi que o OP queria algo mais direto com os parâmetros.

— soakley