ฉันชอบคำตอบอื่น ๆ แต่ยังไม่มีใครพูดถึงต่อไปนี้ เหตุการณ์{U≤t, V≤t} เกิดขึ้นถ้าหาก{max(U,V)≤t}ดังนั้นหากUและVเป็นอิสระและW=max(U,V)ดังนั้นFW(t)=FU(t)∗FV(t)ดังนั้นสำหรับเป็นจำนวนเต็มบวก (พูด, α = n ) ใช้X = เมตรx ( Z 1 , . . . Z n )ที่Z 's มี IIDαα=nX=max(Z1,...Zn)Z
สำหรับเราสามารถ switcheroo รับF Z = F n Xดังนั้นXα=1/nFZ=FnXXจะเป็นที่ตัวแปรสุ่มเช่นที่สูงสุดของสำเนาอิสระมีการกระจายเช่นเดียวกับZ (และนี้จะไม่เป็นหนึ่งในเพื่อนที่คุ้นเคยของเรา โดยทั่วไป) nZ
กรณีของจำนวนจริงบวก (พูด, α = เมตร/ n ) ดังต่อไปนี้จากก่อนหน้านี้ตั้งแต่
( F Z ) M / n = ( F 1 / n Z )ม.αα=m/n
(FZ)m/n=(F1/nZ)m.
สำหรับไม่มีเหตุผลให้เลือกลำดับการปันส่วนเป็นบวกa การบรรจบกันของkกับα ; จากนั้นลำดับX k (ซึ่งเราสามารถใช้ลูกเล่นของเราสำหรับแต่ละk ) จะรวมกันในการกระจายไปยังXที่ต้องการαakαXkkX
นี่อาจไม่ใช่ลักษณะที่คุณต้องการ แต่อย่างน้อยก็ให้แนวคิดเกี่ยวกับวิธีคิดเกี่ยวกับสำหรับαอย่างเหมาะสมดี ในทางกลับกันฉันไม่แน่ใจว่าจะได้รับดีกว่านี้มากเพียงใด: คุณมี CDF อยู่แล้วดังนั้นกฎลูกโซ่จะให้ PDF และคุณสามารถคำนวณช่วงเวลาก่อนพระอาทิตย์ตกดิน ... ? เป็นเรื่องจริงที่Zส่วนใหญ่จะไม่มีXที่คุ้นเคยสำหรับα = √FαZαZXแต่ถ้าผมอยากจะเล่นรอบกับตัวอย่างที่จะมองหาสิ่งที่น่าสนใจที่ผมอาจจะพยายามZกระจายอย่างสม่ำเสมอในช่วงเวลาหน่วยที่มีF(Z)=Z,0<Z<1α=2–√ZF(z)=z0<z<1
แก้ไข: ฉันเขียนความคิดเห็นใน @JMS คำตอบและมีคำถามเกี่ยวกับเลขคณิตของฉันดังนั้นฉันจะเขียนสิ่งที่ฉันหมายถึงด้วยความหวังว่ามันชัดเจนมากขึ้น
@cardinal อย่างถูกต้องในการแสดงความคิดเห็นที่จะตอบ @JMS เขียนว่าปัญหาที่เกิดขึ้นช่วยลดความยุ่งยากในการ
หรืออื่น ๆ โดยทั่วไปเมื่อZไม่จำเป็นต้องเป็นN ( 0 , 1 )เรา มี
x = กรัม- 1 ( Y ) = F - 1 ( F α ( Y ) )
g−1(y)=Φ−1(Φα(y)),
ZN(0,1)x=g−1(y)=F−1(Fα(y)).
ประเด็นของฉันคือเมื่อ
Fมีฟังก์ชันผกผันที่ดีที่เราสามารถแก้ได้สำหรับฟังก์ชัน
y=g(x)ด้วยพีชคณิตพื้นฐานได้ ผมเขียนในความคิดเห็นที่
ควรจะ
Y = กรัม( x ) = F - 1 ( F 1 / α ( x ) )gy=g(x)=F−1(F1/α(x)).
ลองพิจารณากรณีพิเศษเสียบสิ่งต่างๆเข้าด้วยกันและดูว่ามันทำงานอย่างไร Let มี (1) การกระจายประสบการณ์มี CDF
F ( x ) = ( 1 - อี- x ) , x > 0 ,
และผกผัน CDF
F - 1 ( Y ) = - LN ( 1 - Y )
มันง่ายที่จะเสียบทุกอย่างเพื่อค้นหาg ; หลังจากเสร็จแล้วเราจะได้รับ
y = g ( x ) = -X
F(x)=(1−e−x), x>0,
F−1(y)=−ln(1−y).
g 1 )และถ้าเรากำหนด
Y = - ln ( 1 - ( 1 - e - X) ) 1 / α ) ,
แล้ว
Yจะมี CDF ซึ่งดูเหมือน
F Y ( Y ) = (
ดังนั้นโดยสรุปการอ้างสิทธิ์ของฉันคือถ้า
X ∼ E x p (y=g(x)=−ln(1−(1−e−x)1/α)
X∼Exp(1)Y=−ln(1−(1−e−X)1/α),
Y
เราสามารถพิสูจน์ได้โดยตรง (ดูที่
FY(y)=(1−e−y)α.
และใช้พีชคณิตเพื่อให้ได้นิพจน์ในขั้นตอนถัดไปจากขั้นตอนสุดท้ายเราจำเป็นต้องมีการแปลงความน่าจะเป็นแบบบูรณาการ) เพียงแค่ในกรณี (มักจะซ้ำ) ที่ฉันบ้าฉันวิ่งแบบจำลองบางอย่างเพื่อตรวจสอบอีกครั้งว่ามันใช้งานได้ ... และมันไม่ ดูด้านล่าง ที่จะทำให้โค้ดง่ายผมใช้สองข้อเท็จจริง:
ถ้า X ~ F แล้ว U = F ( X ) ~ U n ฉันฉ ( 0 , 1 )P(Y≤y)ถ้า U ~ U n ฉันฉ ( 0 , 1 ) แล้ว U 1 /If X∼F then U=F(X) ~ U n ฉันf( 0 , 1 )
If U∼Unif(0,1) then U1/α∼Beta(α,1).
เนื้อเรื่องของผลการจำลองมีดังนี้
รหัส R ที่ใช้ในการสร้างพล็อต (ลบฉลาก) คือ
n <- 10000; alpha <- 0.7
z <- rbeta(n, shape1 = alpha, shape2 = 1)
y <- -log(1 - z)
plot(ecdf(y))
f <- function(x) (pexp(x, rate = 1))^alpha
curve(f, add = TRUE, lty = 2, lwd = 2)
พอดีดูดีสวยฉันคิดว่า? บางทีฉันอาจจะไม่ได้บ้า (คราวนี้)?