Jika adalah CDF, sepertinya ( ) adalah CDF juga.
T: Apakah ini hasil standar?
T: Apakah ada cara yang baik untuk menemukan fungsi dengan st , di mana
Pada dasarnya, saya memiliki CDF lain di tangan, . Dalam beberapa hal, saya ingin mengkarakterisasi variabel acak yang menghasilkan CDF itu.
EDIT: Saya akan senang jika saya bisa mendapatkan hasil analitik untuk kasus khusus . Atau setidaknya tahu bahwa hasil seperti itu tidak bisa diterapkan.
data-transformation
cdf
quantile-function
lowndrul
sumber
sumber
Jawaban:
Saya suka jawaban yang lain, tetapi belum ada yang menyebutkan yang berikut. Kejadian terjadi jika dan hanya jika { m a x ( U , V ) ≤ t } , jadi jika U dan V independen dan α ={U≤t, V≤t} {max(U,V)≤t} U V , maka F W ( t ) = F U ( t ) ∗W=max(U,V) sehingga untuk α bilangan bulat positif (misalnya, . . . Z n ) dimana Z 's adalah iidFW(t)=FU(t)∗FV(t) α ) ambil X = m a x ( Z 1 ,α=n X=max(Z1,...Zn) Z
Untuk kita dapat beralih untuk mendapatkan F Z = F n X , jadi X akan menjadi variabel acak sehingga maks n salinan independen memiliki distribusi yang sama dengan Z (dan ini bukan salah satu teman akrab kita , secara umum).α=1/n FZ=FnX X n Z
Kasus bilangan rasional positif (katakanlah, α = m / n ) mengikuti dari sebelumnya karena ( F Z ) m / n = ( F 1 / n Z ) m .α α=m/n
Untuk yang irasional, pilih urutan rasional positif a k yang konvergen ke α ; lalu urutannyaα ak α (di mana kita dapat menggunakan trik di atas kami untuk setiap k ) akan berkumpul di distribusi ke X yang diinginkan.Xk k X
Ini mungkin bukan karakterisasi yang Anda cari, tetapi paling tidak memberikan beberapa ide tentang bagaimana berpikir tentang untuk α yang cukup bagus. Di sisi lain, saya tidak begitu yakin seberapa bagus yang bisa didapat: Anda sudah memiliki CDF, jadi aturan rantai memberi Anda PDF, dan Anda dapat menghitung momen hingga matahari terbenam ...? Memang benar sebagian besarFαZ α tidak akan memiliki X yang familier untuk α = √Z X , tetapi jika saya ingin bermain-main dengan contoh untuk mencari sesuatu yang menarik saya mungkin mencobaZterdistribusi secara seragam pada interval satuan denganF(z)=α=2–√ Z , 0 < z < 1 .F(z)=z 0<z<1
EDIT: Saya menulis beberapa komentar dalam jawaban @ SM, dan ada pertanyaan tentang aritmatika saya, jadi saya akan menulis apa yang saya maksud dengan harapan lebih jelas.
@kartinal dengan benar dalam komentar ke @JMS jawab menulis bahwa masalahnya disederhanakan menjadi atau lebih umum ketika Z belum tentu N ( 0 , 1 ) , kami memiliki x =
Mari kita ambil kasus khusus, tancapkan sesuatu, dan lihat cara kerjanya. Misalkan memiliki distribusi Exp (1), dengan CDF F ( x ) = ( 1 - e - x ) , x > 0 , dan inversikan CDF F - 1 ( y ) = - ln ( 1 - y ) . Sangat mudah untuk menyambungkan semuanya untuk menemukan g ln ( 1 - ( 1 - e - x )X
Plot hasil simulasi berikut.
Kode R yang digunakan untuk menghasilkan plot (label minus) adalah
Kelihatannya cocok, menurut saya? Mungkin saya tidak gila (kali ini)?
sumber
Bukti tanpa kata-kata
sumber
Module[ {y, w, a = 0.1, z = 3.24, f = ChiDistribution[7.6], xmin=0, xmax=5}, y = CDF[f,z]; w = InverseCDF[f, y^(1/a)]; Show[ Plot[{CDF[f, x],CDF[f,x]^a} , {x, xmin, xmax}, Filling->{1->{2}}], Graphics[{ Dashed, Arrow[{{z,0}, {z,y}}], Arrow[{{z,y}, {w,y}}], Arrow[{{w,y}, {w,0}}] }] ] ]
Q1) Ya. Ini juga berguna untuk menghasilkan variabel yang dipesan secara stokastik; Anda dapat melihat ini dari gambar cantik @ whuber :).α>1
T2) Sepertinya itu akan sangat sulit secara analitik, kecualiFZ spesial
sumber