Ponieważ celem tutaj jest prawdopodobnie uzyskanie pewnego ważnego i użytecznego oszacowania , wcześniejszy rozkład powinien być zgodny ze specyfikacją rozkładu populacji, z której pochodzi próbka. Nie oznacza to w żaden sposób, że „obliczamy” wcześniejsze użycie samej próbki - to unieważniłoby ważność całej procedury. Wiemy, że populacja, z której pochodzi próbka, jest populacją iid jednolitych zmiennych losowych, z których każda mieści się w . Jest to przyjęte założenie i jest częścią wcześniejszych informacji, które posiadamy (i nie ma to nic wspólnego z próbką , tj. Z konkretną realizacją podzbioru tych zmiennych losowych).θ[0,θ]
Załóżmy teraz, że ta populacja składa się z zmiennych losowych (podczas gdy nasza próbka składa się z realizacji zmiennych losowych). Utrzymane założenie mówi nam, że
mn<mn
maxi=1,...,n{Xi}≤maxj=1,...,m{Xj}≤θ
dla zwartości . Następnie mamy który można również zapisać
maxi=1,...,n{Xi}≡X∗θ≥X∗
θ=cX∗c≥1
Funkcja gęstości z IID Jednolity RV uszeregowanych jest
maxN[0,θ]
fX∗(x∗)=N(x∗)N−1θN
dla wsparcia i zero w innym miejscu. Następnie, używając i stosując formułę zmiany zmiennej, otrzymujemy wcześniejszy rozkład dla który jest zgodny z zachowanym założeniem:
[0,θ]θ=cX∗θ
fp(θ)=N(θc)N−1θN1c=NcNθ−1θ∈[x∗,∞]
co może być niewłaściwe, jeśli nie podamy odpowiednio stałej . Ale naszym interesem jest posiadanie właściwego tylnego dla , a także, nie chcemy ograniczać możliwych wartości (poza ograniczeniem wynikającym z utrzymanego założenia). Więc pozostawiamy nieokreślony.
Następnie piszemy a posterior jestcθθc
X={x1,..,xn}
f(θ∣X)∝θ−NNcNθ−1⇒f(θ∣X)=ANcNθ−(N+1)
dla pewnej stałej normalizującej A. Chcemy
∫Sθf(θ∣X)dθ=1⇒∫∞x∗ANcNθ−(N+1)dθ=1
⇒ANcN1−Nθ−N∣∣∞x∗=1⇒A=(cx∗)N
Wstawianie do tylnego
f(θ∣X)=(cx∗)NNcNθ−(N+1)=N(x∗)Nθ−(N+1)
Należy zauważyć, że nieokreślona stała wcześniejszej dystrybucji została dogodnie anulowana.c
Plakat tylny podsumowuje wszystkie informacje, które konkretna próbka może nam przekazać, dotyczące wartości . Jeśli chcemy uzyskać określoną wartość dla , możemy łatwo obliczyć oczekiwaną wartość tylnej,
θθ
E(θ∣X)=∫∞x∗θN(x∗)Nθ−(N+1)dθ=−NN−1(x∗)Nθ−N+1∣∣∞x∗=NN−1x∗
Czy w tym wyniku jest jakaś intuicja? Cóż, wraz ze wzrostem liczby , tym bardziej prawdopodobne jest, że maksymalna realizacja wśród nich będzie coraz bliżej ich górnej granicy, - co dokładnie odzwierciedla tylna średnia wartość : jeśli, powiedzmy , , ale jeśli . To pokazuje, że nasza taktyka dotycząca wyboru przełożonego była rozsądna i zgodna z danym problemem, ale w pewnym sensie niekoniecznie „optymalna”.XθθN=2⇒E(θ∣X)=2x∗N=10⇒E(θ∣X)=109x∗