變 數 代 換
對一隨機變數, 有時我們會想知道它的一個函數的行為。便稱為之變數代換(change of variable)。仍為一隨機變數。通常的分佈知道, 而因的值是由的值所決定, 故的分佈, 可由所給之的分佈來決定。 對每一實數的子集合,
在此
對於新的隨機變數, 由(5.1)式, 欲求落在某一集合之機率, 仍要回到關於的機率。
分佈函數為
令。則此為一由至之變換, 且取值在。我們想決定之p.d.f.。
表之機率密度函數取正值處。這種集合稱為分佈之支撐(support)。另外對一函數,
表在之左極限值。同理可定義右極限。只是若為分佈函數, 因其為右連續, 故, 。 定理 1適用連續及離離散型的隨機變數。當之機率密度函數為連續, 則利用定理 1, 可由微分分佈函數而得。
稱為具有參數之瑞萊分佈(Rayleigh distribution)。
例 6. 設隨機變數有
分佈.令。試決定之p.d.f.及分佈函數。
在做變數代換時, 函數有時不為嚴格單調, 因此定理 2就不適用。 但往往會有在一個個的集合中, 分別為嚴格單調, 因此在每一個集合中, 皆可解出, 則仍有辦法求出之分佈。
現若之p.d.f.存在, 則
我們發現之p.d.f.為兩項之和,
分別對應區間及。
在前者有反函數,
在後者有反函數。
定理 1推廣如下:
對一分佈函數, 我們定義其分位函數(quantile function, 有時也稱反函數(inverse function), 但與一般反函數的定義不同)如下:
若一隨機變數以為分佈函數, 則可同時稱為及之分位函數。即使不一定是連續, 也不一定嚴格漸增, 必定存在。但若為連續, 且嚴格漸增, 則等於滿足之唯一的。此時與一般反函數的意義相同。 對 , 令。 則稱為此分佈之第 分位數(th-quantile), 或第 百分位數(th-percentile)。 特別地稱為下四分位數(lower quartile), 稱為上四分位數(upper quartile)。先給的一些基本性質。
圖5.1 之圖形
則在, 解, 得 ; 在 , ; 在, 解 , 得 。分位函數通常不定義在及, 不過在本例中, 有定義。之0.3分位數為0.6, 0.5分位數為1, 0.55分位數為2, 0.6分位數亦為2。在連續, 但
又在連續, 但
及之圖形如圖5.2.
圖 5.2 例 9中及之圖形
給一分佈函數,
利用其分位函數及一有
分佈的隨機變數,
可得一以為分佈函數之隨機變數, 此過程即所謂分位轉換(quantile
transformation)。
進一步閱讀資料:黃文璋 (2003) .
基本概念。數理統計講義第一章。國立高雄大學應用數學系。
|
|
|