Было предложено объединить эту статью с обратным преобразованием выборки . ( Обсудить ) Предлагается с декабря 2020 года. |
В теории вероятности , то вероятность интегрального преобразования (также известный как универсальность равномерной ) относится к тому , что значения данных, которые моделируются как случайные величины из любого заданного непрерывного распределения могут быть преобразованы в случайных величин , имеющих стандартное распределение равномерное . [1] Это верно при условии, что используемое распределение является истинным распределением случайных величин; если распределение соответствует данным, результат будет сохраняться приблизительно в больших выборках.
Результат иногда модифицируется или расширяется, так что результатом преобразования является стандартное распределение, отличное от равномерного распределения, например экспоненциальное распределение .
Приложения [ править ]
Одним из применений интегрального преобразования вероятности в статистическом анализе данных является обеспечение основы для проверки того, можно ли разумно моделировать набор наблюдений как возникающий из заданного распределения. В частности, интегральное преобразование вероятности применяется для построения эквивалентного набора значений, а затем выполняется проверка того, подходит ли равномерное распределение для созданного набора данных. Примеры тому - графики PP и тесты Колмогорова-Смирнова .
Второй вариант использования преобразования связан с теорией связок, которые являются средством как определения, так и работы с распределениями для статистически зависимых многомерных данных. Здесь задача определения или управления совместным распределением вероятностей для набора случайных величин упрощается или сокращается в кажущейся сложности за счет применения интегрального преобразования вероятности к каждому из компонентов, а затем работы с совместным распределением, для которого маргинальные переменные имеют равномерные распределения .
Третье использование основано на применении обратного преобразования интеграла вероятности для преобразования случайных величин из равномерного распределения в выбранное распределение: это известно как выборка с обратным преобразованием .
Заявление [ править ]
Предположим , что случайная величина Х имеет непрерывное распределение , для которого интегральная функция распределения (CDF) , является Р Х . Тогда случайная величина Y, определенная как
имеет стандартное равномерное распределение . [1]
Доказательство [ править ]
Для любой случайной непрерывной переменной определите . Потом:
это просто CDF случайной величины. Таким образом, имеет равномерное распределение на интервале .
Примеры [ править ]
В качестве наглядного примера пусть X - случайная величина со стандартным нормальным распределением . Тогда его CDF равен
где - функция ошибок . Тогда новая случайная величина Y , определяемая как Y = Φ ( X ), равномерно распределена.
Если X имеет экспоненциальное распределение с единичным средним, то его CDF равен
и непосредственным результатом преобразования интеграла вероятностей является то, что
имеет равномерное распределение. Затем с помощью симметрии равномерного распределения можно показать, что
также имеет равномерное распределение.
См. Также [ править ]
Ссылки [ править ]
- ^ a b Додж Ю. (2006) Оксфордский словарь статистических терминов , Oxford University Press .