ปัญหานี้ได้อย่างรวดเร็วจะลดลงไปอย่างใดอย่างหนึ่งในการหา quantile ของการกระจายรูปทรงสี่เหลี่ยมคางหมู
ให้เราเขียนกระบวนการเป็น
ที่ U 1และ U 2เป็นตัวแปรสุ่มiid U ( - 1 , 1 ) และโดยสมมาตรนี้มีเหมือนกันเล็กน้อยกระจายเป็นกระบวนการ
¯ P ( x ) = U 1 ⋅ | 1
P(x)=U1⋅12sinx+U2⋅12cosx+12(sinx+cosx),
U1U2U(−1,1)
คำสองคำแรกกำหนด
ความหนาแน่นรูปทรงสี่เหลี่ยมคางหมูแบบสมมาตรเนื่องจากนี่คือผลรวมของตัวแปรสุ่มที่มีค่าเฉลี่ยเป็นศูนย์สองชุด (โดยทั่วไปโดยทั่วไปมีความกว้างครึ่งหนึ่งแตกต่างกัน) เทอมสุดท้ายส่งผลให้มีการแปลความหนาแน่นนี้และควอนไทล์ก็เท่ากันเมื่อเทียบกับการแปลนี้ (กล่าวคือควอนไทล์ของการกระจายแบบเลื่อนคือการเปลี่ยนควอไทล์ของการกระจายแบบกึ่งกลาง)
P¯¯¯¯(x)=U1⋅∣∣∣12sinx∣∣∣+U2⋅∣∣∣12cosx∣∣∣+12(sinx+cosx).
ปริมาณของการแจกแจงแบบสี่เหลี่ยมคางหมู
ให้โดยที่X 1และX 2เป็นอิสระจากU ( - a , a )และU ( - b , b )การแจกแจง สมมติว่าไม่มีการสูญเสียของทั่วไปที่≥ข จากนั้นความหนาแน่นของYจะเกิดขึ้นโดย convolving ความหนาแน่นของX 1และX 2 นี้จะเห็นได้อย่างง่ายดายที่จะเป็นรูปสี่เหลี่ยมคางหมูที่มีจุด( -Y=X1+X2X1X2U(−a,a)U(−b,b)a≥bYX1X2 , ( - + B , 1 / 2 ) , ( - ข, 1 / 2 )และ ( + B , 0 )(−a−b,0)(−a+b,1/2a)(a−b,1/2a)(a+b,0)
quantile ของการกระจายของ , สำหรับการใด ๆP < 1 / 2เป็นจึง
Q ( P ) : = Q ( PYp<1/2
โดยสมมาตรสำหรับP>1/2เรามีคิว(P)=-Q(1-P)
q(p):=q(p;a,b)={8abp−−−−√−(a+b),(2p−1)a,p<b/2ab/2a≤p≤1/2.
p>1/2q(p)=−q(1−p)
กลับไปที่กรณีที่อยู่ในมือ
|sinx|≥|cosx||sinx|<|cosx|2a2bP¯¯¯¯(x)
p<1/2|sinx|≥|cosx|a=|sinx|/2b=|cosx|/2
qx(p)=q(p;a,b)+12(sinx+cosx),
|sinx|<|cosx|p≥1/2
qx(p)=−q(1−p;a,b)+12(sinx+cosx),
ควอนไทล์
ด้านล่างนี้เป็นสอง heatmaps ครั้งแรกแสดงให้เห็นถึงปริมาณของการกระจายตัวของP( x ) สำหรับตารางของ x วิ่งจาก 0 ถึง 2 π. Y- ผู้ร่วมงานให้ความน่าจะเป็น พี associated with each quantile. The colors indicate the value of the quantile with dark red indicating very large (positive) values and dark blue indicating large negative values. Thus each vertical strip is a (marginal) quantile plot associated with P(x).
The second heatmap below shows the quantiles themselves, colored by the corresponding probability. For example, dark red corresponds to p=1/2 and dark blue corresponds to p=0 and p=1. Cyan is roughly p=1/4 and p=3/4. This more clearly shows the support of each distribution and the shape.
Some sample R
code
The function qproc
below calculates the quantile function of P(x) for a given x. It uses the more general qtrap
to generate the quantiles.
# Pointwise quantiles of a random process:
# P(x) = a_1 sin(x) + a_2 cos(x)
# Trapezoidal distribution quantile
# Assumes X = U + V where U~Uni(-a,a), V~Uni(-b,b) and a >= b
qtrap <- function(p, a, b)
{
if( a < b) stop("I need a >= b.")
s <- 2*(p<=1/2) - 1
p <- ifelse(p<= 1/2, p, 1-p)
s * ifelse( p < b/2/a, sqrt(8*a*b*p)-a-b, (2*p-1)*a )
}
# Now, here is the process's quantile function.
qproc <- function(p, x)
{
s <- abs(sin(x))
c <- abs(cos(x))
a <- ifelse(s>c, s, c)
b <- ifelse(s<c, s, c)
qtrap(p,a/2, b/2) + 0.5*(sin(x)+cos(x))
}
Below is a test with the corresponding output.
# Test case
set.seed(17)
n <- 1e4
x <- -pi/8
r <- runif(n) * sin(x) + runif(n) * cos(x)
# Sample quantiles, then actual.
> round(quantile(r,(0:10)/10),3)
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
-0.380 -0.111 -0.002 0.093 0.186 0.275 0.365 0.453 0.550 0.659 0.917
> round(qproc((0:10)/10, x),3)
[1] -0.383 -0.117 -0.007 0.086 0.178 0.271 0.363 0.455 0.548
[10] 0.658 0.924