Lubię inne odpowiedzi, ale nikt jeszcze nie wspomniał o następujących. Zdarzenie występuje wtedy i tylko wtedy, gdy { m a x ( U , V ) ≤ t } , więc jeśli U i V są niezależne, a W = m a x ( U , V ) , to F W ( t ) = F U ( t ) ∗{U≤t, V≤t}{max(U,V)≤t}UVW=max(U,V) tak, aby α dodatniej liczby całkowitej (na przykład, α = n ) ma X = m w X ( Z 1 , . . . Z n ) w którym Z „S są IIDFW(t)=FU(t)∗FV(t)αα=nX= m a x ( Z1, . . . Zn)Z
Dla możemy przełączyć się, aby uzyskać F Z = F n X , więc X będzie tą zmienną losową, tak że maksimum n niezależnych kopii ma taki sam rozkład jak Z (i nie byłby to jeden z naszych znajomych znajomych , ogólnie). α = 1 / nfaZ= F.nXXnZ
Przypadek dodatniej liczby wymiernej (powiedzmy α = m / n ) wynika z poprzedniego, ponieważ
( F Z ) m / n = ( F 1 / n Z ) m .αα=m/n
(FZ)m/n=(F1/nZ)m.
Dla irracjonalnego wybierz sekwencję dodatnich racjonalności a k zbiegających się do α ; wtedy sekwencja X k (gdzie możemy użyć powyższych sztuczek dla każdego k ) zbiegnie się w rozkładzie do pożądanego X.αakαXkkX
Może nie jest to charakterystyka, której szukasz, ale przynajmniej daje pewne pojęcie, jak myśleć o dla α odpowiednio ładnego. Z drugiej strony, nie jestem do końca pewny, jak ładniej może być naprawdę: masz już CDF, więc reguła łańcucha daje ci PDF i możesz obliczyć momenty, aż słońce zajdzie ...? Prawdą jest, że większość Z nie będzie miała X znanego z α = √faαZαZX , ale gdybym chciał pobawić się przykładem szukania czegoś interesującego, mógłbym spróbowaćZrównomiernie rozłożone w jednostkowym przedziale zF(z)=z,0<z<1.α = 2-√Zfa( z) = z0 < z< 1
EDYCJA: Napisałem kilka komentarzy w odpowiedzi na @JMS i pojawiło się pytanie o moją arytmetykę, więc napiszę, co miałem na myśli, mając nadzieję, że będzie to bardziej jasne.
@ kardynał poprawnie w komentarzu do @JMS w odpowiedzi napisał, że problem upraszcza się do
lub bardziej ogólnie, gdy Z niekoniecznie jest N ( 0 , 1 ) , my mają
x = g - 1 ( y ) = F - 1 ( F α ( y ) ) .
sol- 1( y) = Φ- 1( Φα( y)),
ZN(0,1)x=g−1(y)=F−1(Fα(y)).
Chodzi mi o to, że gdy
ma ładną funkcję odwrotną, możemy po prostu rozwiązać funkcję
y = g ( x ) za pomocą podstawowej algebry. W komentarzu napisałem, że
g powinno być
y = g ( x ) = F - 1 ( F 1 / α ( x ) ) .Fy=g(x)gy=g(x)=F−1(F1/α(x)).
Weźmy specjalny przypadek, podłączmy rzeczy i zobaczmy, jak to działa. Niech ma rozkład Exp (1), przy czym CDF
F ( x ) = ( 1 - e - x ) , x > 0 ,
i odwrotny CDF
F - 1 ( y ) = - ln ( 1 - y ) .
Łatwo jest podłączyć wszystko, aby znaleźć g ; po skończeniu otrzymujemy
y = g ( x ) = -X
fa( x ) = ( 1 - e- x) , x > 0 ,
fa- 1( y) = - ln( 1 - y) .
sol
Podsumowując, moje twierdzenie jest takie, że jeśli
X ∼ E x p ( 1 ) i jeśli zdefiniujemy
Y = - ln ( 1 - ( 1 - e - X) ) 1 / α ) ,
wtedy
Y będzie mieć CDF, który wygląda jak
F Y ( y ) = (y= g(x)=−ln(1−(1−e−x)1/α)
X∼Exp(1)Y=−ln(1−(1−e−X)1/α),
Y
Możemy to udowodnić bezpośrednio (spójrz na
P(Y≤y)i użyj algebry, aby uzyskać wyrażenie, w następnym kroku potrzebujemy transformacji całkowej prawdopodobieństwa). Właśnie w (często powtarzanym) przypadku, że zwariowałem, przeprowadziłem kilka symulacji, aby dwukrotnie sprawdzić, czy to działa ... i działa. Patrz poniżej. Aby ułatwić kod, użyłem dwóch faktów:
jeśli X ∼ F, to U = F ( X ) ∼ U n i f ( 0 , 1 )FY(y)=(1−e−y)α.
P(Y≤y)If X∼F then U=F(X)∼Unif(0,1).
If U∼Unif(0,1) then U1/α∼Beta(α,1).
Poniżej przedstawiono wykres wyników symulacji.
Kod R użyty do wygenerowania wykresu (etykiety minus) to
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)
Myślę, że dopasowanie wygląda całkiem nieźle? Może nie jestem szalony (tym razem)?