От равномерного распределения к экспоненциальному распределению и наоборот

20

Вероятно , это тривиальный вопрос, но мой поиск был бесплодном до сих пор, в том числе этой статьи в Википедии , и «Compendium распределений» документ .

Если имеет равномерное распределение, означает ли это, что следует экспоненциальному распределению?e XXeX

Аналогично, если следует экспоненциальному распределению, означает ли это, что следует равномерному распределению?l n ( Y )Yln(Y)

luchonacho
источник
3
Почему вы ожидаете, что это так? Из-за имени? Проверьте en.wikipedia.org/wiki/…, чтобы увидеть, как другие распределения связаны с экспоненциальной. Также exp(X)[0,) ...
Тим
Нет, я думаю, что следую аналогиям со стандартными преобразованиями функций, забывая, что с распределениями все иначе.
Лучоначо

Ответы:

25

Это не тот случай, когда возведение в степень равномерной случайной величины дает экспоненту, а взятие логарифма экспоненциальной случайной величины не дает униформы.

Пусть равномерно на ( 0 , 1 ) и X = exp ( U ) .U(0,1)X=exp(U)

FX(x)=P(Xx)=P(exp(U)x)=P(Ulnx)=lnx,1<x<e

Итак, .fx(x)=ddxlnx=1x,1<x<e

Это не экспоненциальная переменная. Аналогичный расчет показывает, что лог экспоненты не является равномерным.

Пусть стандартная экспонента, поэтому F Y ( y ) = P ( Y y ) = 1 - e - yY .FY(y)=P(Yy)=1ey,y>0

Пусть . Тогда F V ( v ) = P ( V v ) = P ( ln Y v ) = P ( Y e v ) = 1 - e - e vV=lnY .FV(v)=P(Vv)=P(lnYv)=P(Yev)=1eev,v<0

Это не униформа. ( На самом деле является Gumbel -distributed случайную величину, так что вы могли бы назвать распределение V а 'переворачивается Гамбель.)VV

Однако в каждом случае мы можем увидеть это быстрее, просто рассматривая границы случайных величин. Если равномерно (0,1), оно лежит между 0 и 1, поэтому X = exp ( U ) лежит между 1 и e ... так что оно не экспоненциально. Аналогично, для Y экспоненты, пер Y на ( - , ) , так что не может быть однородным (0,1), и , действительно любой другой однородной.UX=exp(U)1eYlnY(,)

Мы также могли бы смоделировать и снова увидеть это сразу:

Во-первых, возведение в степень униформы -

histogram of exponentiated uniform with the theoretical density superimposed

[синяя кривая - плотность (1 / x на указанном интервале), которую мы разработали выше ...]

Во-вторых, журнал экспоненты:

histogram of log of an exponential variate

Что мы можем видеть далеко не единообразно! (Если мы дифференцируем созданный ранее файл cdf, который дает плотность, он соответствует форме, которую мы видим здесь.)

Действительно, метод обратного cdf показывает, что взятие отрицательного числа логарифма равномерной (0,1) переменной дает стандартную экспоненциальную переменную, и наоборот, возведение в степень отрицательного значения стандартной экспоненты дает униформу. [Также смотрите вероятностное интегральное преобразование ]

Этот метод говорит нам, что если , Y = F - 1 ( U ) . Если применить обратное ВПР как преобразование на U , стандартной форме, в результате случайная величина имеет функцию распределения F Y .U=FY(Y)Y=F1(U)UFY

Если мы допустим, что равномерно (0,1), то P ( U u ) = u . Пусть Y = - ln ( 1 - U ) . (Обратите внимание, что 1 - U также является равномерным на (0,1), так что вы могли бы на самом деле позволить Y = - ln U , но мы полностью следуем обратному методу cdf здесь)UP(Uu)=uY=ln(1U)1UY=lnU

Тогда , что это cdf стандартной экспоненты.P(Yy)=P(ln(1U)y)=P(1Uey)=P(U1ey)=1ey

log

Glen_b - Восстановить Монику
источник
Отличный ответ! Благодарю. Я вижу это сейчас. Я рассчитал CDF в обоих случаях, и в первом случае получаю отрицательное значение логарифма, а во втором - абсолютное значение обратного. Я думаю, что моя путаница заключается в мышлении в терминах стандартных функций преобразования, которые не выполняются, когда дело доходит до распределений. +1 за графики!
Лучоначо
6

Вы почти вернули его вперед. Ты спрашивал:

  • "Если Икс имеет равномерное распределение, означает ли это, что еИкс следует экспоненциальному распределению?

  • «Точно так же, если Y следует экспоненциальному распределению, означает ли это пер(Y) следует за равномерным распределением?

по факту

  • если Икс равномерно на [0,1] тогда loge(X) follows an exponential distribution with parameter 1
  • if Y follows an exponential distribution with parameter 1 then eY has a uniform distribution on [0,1].

More generally you could say:

  • if X is uniform on [a,b] then 1kloge(Xaba) follows an exponential distribution with rate parameter k
  • if Y follows an exponential distribution with rate parameter k then ekY has a uniform distribution on [0,1] while a+(ba)ekY has a uniform distribution on [a,b]
Henry
источник