Мне нравятся другие ответы, но никто еще не упомянул следующее. Событие происходит тогда и только тогда, когда , поэтому если и независимы и , затем поэтому для положительное целое число (скажем, ) принимает , где «ы являются IID{ м а х ( U , V ) ≤ т } U V W = т а х ( U , V ) Р Ш ( т ) = Р U ( т ) * Р V ( т ) α α = n X = m a x ( Z{U≤t, V≤t}{max(U,V)≤t}UVW=max(U,V)FW(t)=FU(t)∗FV(t)αα=nX=max(Z1,...Zn)Z
Для мы можем переключиться, чтобы получить , так что будет той случайной переменной, что максимум из независимых копий будет иметь такое же распределение, что и (и это не будь одним из наших знакомых друзей, в общем). α=1/nFZ=FnXXnZ
Случай положительного рационального числа (скажем, ) следует из предыдущего, поскольку
αα=m/n
(FZ)m/n=(F1/nZ)m.
Для иррационального выберите последовательность положительных рациональных чисел сходящихся к ; тогда последовательность (где мы можем использовать описанные выше приемы для каждого ) будет сходиться по распределению к требуемомуαakαXkkX
Возможно, это не та характеристика, которую вы ищете, но она, по крайней мере, дает представление о том, как правильно думать о для . С другой стороны, я не совсем уверен, насколько лучше это может быть: у вас уже есть CDF, поэтому правило цепочки дает вам PDF, и вы можете вычислять моменты до заката ...? Это правда, что у большинства не будет , знакомого для , но если бы я захотел поиграть с примером, чтобы найти что-то интересное, я мог бы попробовать равномерно распределить на интервале единиц с , .FαZαZXα=2–√ZF(z)=z0<z<1
РЕДАКТИРОВАТЬ: я написал несколько комментариев в ответ @JMS, и был вопрос о моей арифметике, поэтому я напишу, что я имел в виду, в надежде, что это более понятно.
@cardinal правильно в комментарии к @JMS ответ написал, что проблема упрощается до
или в более общем случае, когда не обязательно , мы имеем
Моя точка зрения заключалась в том, что когда имеет хорошую обратную функцию, мы можем просто решить для функции с базовой алгеброй. Я написал в комментарии, что должно быть
g−1(y)=Φ−1(Φα(y)),
ZN(0,1)x=g−1(y)=F−1(Fα(y)).
Fy=g(x)gy=g(x)=F−1(F1/α(x)).
Давайте возьмем специальный случай, включим вещи и посмотрим, как это работает. Пусть имеет распределение Exp (1) с CDF
и обратным CDF
Легко подключить все, чтобы найти ; после того, как мы закончим, мы получим
Итак, в итоге я утверждаю, что если и если мы определим
тогда у будет CDF, который выглядит как
Мы можем доказать это непосредственно (посмотрите наX
F(x)=(1−e−x), x>0,
F−1(y)=−ln(1−y).
gy=g(x)=−ln(1−(1−e−x)1/α)
X∼Exp(1)Y=−ln(1−(1−e−X)1/α),
YFY(y)=(1−e−y)α.
P(Y≤y) и использовать алгебру, чтобы получить выражение, в следующем за последним шагом нам понадобится интегральное преобразование вероятности). Просто в (часто повторяющемся) случае, что я сумасшедший, я провел несколько симуляций, чтобы перепроверить, что это работает, ... и это работает. См. ниже. Чтобы упростить код, я использовал два факта:
If X∼F then U=F(X)∼Unif(0,1).
If U∼Unif(0,1) then U1/α∼Beta(α,1).
Сюжет результатов моделирования выглядит следующим образом.
Код R, используемый для создания графика (без меток):
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)
Подходит выглядит довольно хорошо, я думаю? Может я не сумасшедший (на этот раз)?