Почему CDF образца равномерно распределен


17

Я читал здесь , что данный образец X1,X2,...,Xn из непрерывного распределения с cdf FX , выборка, соответствующая Ui=FX(Xi) следует стандартному равномерному распределению.

Я проверил это, используя качественное моделирование в Python, и мне было легко проверить связь.

import matplotlib.pyplot as plt
import scipy.stats

xs = scipy.stats.norm.rvs(5, 2, 10000)

fig, axes = plt.subplots(1, 2, figsize=(9, 3))
axes[0].hist(xs, bins=50)
axes[0].set_title("Samples")
axes[1].hist(
    scipy.stats.norm.cdf(xs, 5, 2),
    bins=50
)
axes[1].set_title("CDF(samples)")

В результате получается следующий сюжет:

График, показывающий образец нормального распределения и cdf образца.

Я не могу понять, почему это происходит. Я предполагаю, что это связано с определением CDF и его отношением к PDF, но я что-то упустил ...

Я был бы признателен, если бы кто-то мог указать мне на чтение по этой теме или помочь мне получить некоторую интуицию по этому вопросу.

РЕДАКТИРОВАТЬ: CDF выглядит следующим образом:

CDF выборочного распределения


2
Вычислить cdf из . FX(X)
Zhanxiong

2
Вы можете найти доказательство этого свойства (для непрерывных rv) в любой книге об симуляции, поскольку это является основой метода обратного моделирования cdf.
Сиань

2
Также попробуйте Google Интегральное преобразование вероятности
Захари Блюменфельд

1
@ Сиань Хорошо отметить, что заключение справедливо только для непрерывных случайных величин. Иногда этот результат ошибочно используется для дискретных случайных величин. С другой стороны, также отметим, что многие доказательства включают в себя шаг в котором предполагается строгая монотонностьF, что также является слишком сильным предположением. Следующая ссылка содержитподробноерезюме по этой теме:people.math.ethz.ch/~embrecht/ftp/generalized_inverse.pdfP(F(X)x)=P(XF1(x))F
Zhanxiong

@Zhanxiong единственное условие, необходимое для это то, что это càdlàg. F
AdamO

Ответы:


19

Предположим, что непрерывно и возрастает. Определите Z = F X ( X ) и обратите внимание, что Z принимает значения в [ 0 , 1 ] . Тогда F Z ( x ) = P ( F X ( X ) x ) = P ( X F - 1 X ( x ) ) = F X ( F -FXZ=FX(X)Z[0,1]

FZ(x)=P(FX(X)x)=P(XFX1(x))=FX(FX1(x))=x.

С другой стороны, если является равномерной случайной величиной, которая принимает значения в [ 0 , 1 ] , F U ( x ) = R f U ( u )U[0,1]

FU(x)=RfU(u)du=0xdu=x.

Таким образом, для любого x [ 0 , 1 ] .FZ(x)=FU(x)x[0,1]


Следует ли из этого, что Z имеет равномерное (0, 1) распределение?
StatsSorceress

@StatsSorceress Да, вы правы. имеет стандартное равномерное распределение по ( 0 , 1 ) . Z(0,1).
Idonknow

8

F(x)F(x)FxF1x=F1(p)xpFF1=λF1F

Fa<bP(F1(a)<x<F1(b))=P(a<F(X)<b)=ba


Y=F(X)
Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.