Nasıl


19

Rasgele bir noktanın Kartezyen x,y koordinatları seçilsin mi st (x,y)U(10,10)×U(10,10) .

Böylece, yarıçap, ρ=x2+y2 ,ρtarafından ima edildiği gibi düzgünρ sitesindeki PDF .

Yine de θ=arctanyx , kenarlardaki 4 artakalan nedeniyle oluşan artefaktlar hariç, neredeyse eşit olacak şekilde:

resim açıklamasını buraya girin

Aşağıdaki grafiksel gösterim hesaplanan olan olasılık yoğunluk fonksiyonları arasında ve p'yeθρ : resim açıklamasını buraya girin

I izin Şimdi eğer st dağıtılacak x , y ~ N ( 0 , 20 2 ) x N ( 0 , 20 2 ) daha sonra θx,yx,yN(0,202)×N(0,202)θ eşit dağılmış görünüyor:

resim açıklamasını buraya girin

Neden zaman aynı değildir ( x , y ) ~ U ( - 10 , 10 ) x U ( - 10 , 10 ) ve tek biçimli olduğu zaman x , y ~ N ( 0 , 20 2 ) x , N ( 0 , 20 2θ(x,y)U(10,10)×U(10,10) ?x,yN(0,202)×N(0,202)

Kullandığım Matlab kodu:

number_of_points = 100000;
rng('shuffle')

a = -10;
b = 10;
r = (b-a).*randn(2,number_of_points);
r = reshape(r, [2,number_of_points]);
I = eye(2);
e1 = I(:,1); e2 = I(:,2);
theta = inf*ones(1,number_of_points);
rho = inf*ones(1,number_of_points);

for i=1:length(r(1,:))
    x = r(:,i);
    [theta(i),rho(i)] = cart2pol(x(1),x(2));        
end

figure
M=3;N=1; bins = 360;
subplot(M,N,1); 
histogram(rad2deg(theta), bins)
title('Polar angle coordinate p.d.f');

subplot(M,N,2); 
histogram(rho, bins);
title('Polar radius coordinate p.d.f');

subplot(M,N,3); 
histogram(r(:));
title('The x-y cooridnates distrbution (p.d.f)');

3. satırı değiştirmek : r = (b-a).*randn(2,number_of_points);ile ( x , y )r = (b-a).*randn(2,number_of_points) +a ;(x,y) normalden üniform olarak değiştirir.


5
Soru, her düzenleme ile daha güzel ve daha güzel görünüyor ve sorunun başlığı daha net ve daha özlü. Aferin @ 0x90.
Michael R.Chernick

3
+1. Bu normal dağılım olduğunu ilginç sadece (rotasyonel simetrik 2D dağılımına yani) eşit dağıtılmış açılarına yönlendireceğini gördükleri bir stats.stackexchange.com/a/255417/28666 .
amip diyor Reinstate Monica

Yanıtlar:


13

Bu bağımsız değişken bir çift bir dönüşüme atıfta konum , polar gösterimine ( R , θ ) (yarıçap ve açı) ve sonra da marjinal dağılımına bakıldığında İçeride ISTV melerin RWMAIWi'nin .(X,Y)(R,θ)θ

Biraz sezgisel bir açıklama sunacağım (yoğunluğun matematiksel bir türevi aslında gayri resmi olarak tanımladığım şeyi yapıyor olsa da).

İki değişkeni (X ve Y) ortak bir ölçekle ölçeklendirirseniz (örneğin, U (-1,1) - U (-10,10) veya N (0,1) - N (0,20) arasında) her iki değişken üzerinde aynı anda) ve açının dağılımında bir fark yaratmaz (yalnızca yarıçapın dağılım ölçeğini etkiler). Şimdi birim kasaları ele alalım.

Öncelikle, tek tip davada neler olup bittiğini düşünün. Dağılımın birim kare üzerinde tekdüze olduğuna dikkat edin, böylece içinde bulunan bir bölgedeki olasılık yoğunluğu bölgenin alanıyla orantılıdır. Spesifik olarak, yoğunlukta bir bakış açısı elemanı ile ilişkili d İçeride ISTV melerin RWMAIWi'nin yatay (yakın açısına yakın θ = 0 ) ve diyagonal (yakın açı θ = π / 4 ):[1,1]2dθθ=0θ=π/4

enter image description here

Açıkça bir açı elemanına ( d θ karşılık gelen olasılık elemanı (yani alan)dfθdθ köşegenlerden birine yakın olduğunda, açı ) ' daha büyüktür. Gerçekten de karenin içine bir daire yazmayı düşünün; çemberin içindeki belirli bir küçük açının kapsadığı alan sabittir ve daha sonra dairenin dışındaki kısım, diyagonale yaklaştıkça büyür, burada maksimumda.

Bu, simülasyonlarda gördüğünüz kalıbı tamamen açıklar.

Gerçekten de, yoğunluğun, karenin merkezinden kenarına kadar olan parçanın uzunluğuyla orantılı olması gerektiğini görebiliriz; basit trigonometri yoğunluğu oradan elde etmek için yeterlidir ve daha sonra yoğunluğun 1 ile bütünleşmesi için gereken sabiti bulmak kolaydır.

[Düzenle: Soru, orijinal yanıtımdan bu yana değiştiği için yarıçapı tartışmak için bu sonraki biti ekledi.]

Birim daire üzerinde eşit bir dağılımımız olsaydı (yani daha önce kareye yazdığımız), bunun için yarıçap yoğunluğunun yarıçapla orantılı olacağını unutmayın (küçük, dairesel bir genişlik elemanının alanını düşünün) yarıçapı r yani arasında - r ve r + D r - için alan orantılı olan r ). Dışarıda daha büyük bir yarıçapına sahip bir daire, yeni dairesel bölge geçerken yoğunluğu arasında (daha sonra yavaş yavaş oldukça hızlı başlangıçta) azalır, böylece daha sonra sadece, kare kısım yoğunluk katılım elde 1 vedrrrr+drr1 . (Yine, gerektiğinde yoğunluğun fonksiyonel biçimini elde etmek için oldukça basit geometrik kavramlar yeterlidir.)2


Aksine, eklem dağılımı başlangıç ​​noktası etrafında rotasyonel olarak simetrik ise, bir açıda olasılık elemanı açıya bağlı değildir (bu aslında bir totolojidir!). İki bağımsız standart Gaussian'ın iki değişkenli dağılımı, başlangıç ​​noktası hakkında rotasyonel olarak simetriktir:

enter image description here

(Elan Cohen'in koduna göre bu görüntü için kod burada ama güzel bir alternatif var burada ikisi arasındaki ve bir şey burada )

Sonuç olarak, bazı açı içerdiği birim her için aynıdır İçeride ISTV melerin RWMAIWi'nin açısı ile ilişkili yoğunluğu üzerinde düzgün olacak şekilde, [ 0 , 2 tt ) .dθθ[0,2π)

[Normal yoğunluğu gerçek çizgi üzerine entegre etmek için kullanılan polar hile, kare yarıçap yoğunluğunun negatif üstel olduğunu ve oradan yarıçap yoğunluğunun basit bir dönüşüm argümanı ile tanımlanmasının basit olduğunu anlamak için kullanılabilir. dağıtım işlevi]


4
dağılımındaki dört sivri gerçekten de karenin dört köşesinden kaynaklanmaktadır ( - 10 , 10 ) 2 . Herhangi bir küresel simetrik dağılımın θ üzerinde Düzgün dağılımına yol açacağını unutmayın .θ(10,10)2θ. (0,0)
Xi'an

2
+1. Dönel simetrik 2D dağılımına yol açan tek normal dağılım olması ilginçtir , bkz. Stats.stackexchange.com/a/255417/28666 . Bu benim için şaşırtıcıydı.
amip diyor Reinstate Monica

3
@amoeba Evet, bağımsız marjların ürünü olan tek dairesel simetrik dağılım.
Glen_b

2
Bence oldukça şaşırtıcı. Cevabınızda bahsetmeyi düşünün!
amip diyor Reinstate Monica

6

Düzgün dağılıma yol açan normal vaka hakkındaki soruyu cevaplayacağım . ve Y bağımsız ve normal olarak dağılmışsa, sabit olasılık yoğunluğunun konturlarının x - y düzleminde bir daire olduğu iyi bilinmektedir . Yarıçap R = XYxy olanRayleigh dağılımı. Bunun iyi bir tartışması için Rayleigh dağılımı başlıklı wikipedia makalesi.R=X2+Y2

Şimdi kutupsal koordinatları kullanarak ve Y rasgele değişkenlerine bakalım .XY

, Y = r sin ( θ ) . Not bu X- 2 + Y 2 = r 2 . Eğer θ üzerinde üniform ( 0 , 2 π ) ve r, Rayleigh dağılımı vardır X ve Y'nin her biri bağımsız normalleri olacak 0 ortalama ve ortak bir varyans. Bunun tersi de doğrudur. Sohbetin kanıtı, OP'nin sorunun ikinci kısmına cevap olarak istediğini düşünüyorum.X=rcos(θ)Y=rsin(θ)X2+Y2=r2θ(0,2π)rXY0

Here is a sketch of the proof. Without loss of generality we can assume that X is distributed N(0,1) and Y is distributed N(0,1) and independent of each other.

f(x,y)=(1/2π)exp[([x2+y2])/2]g(r,θ)x=rsin(θ)y=rcos(θ). So r=x2+y2 and θ=arctan(x/y). Compute the Jacobian of the transformation and make the appropriate substitution into f(x,y). as a result g(r,θ) will be rexp[(r2)/(2π)] for r0 and 0θ2π. This shows that r and theta are independent with r having a Rayleigh distribution and theta has the constant density 1/(2π).


What it means is that if you look at the height of the bivariate density at a fixed radial distance from the center (in this case the origin) it will be the same value on all points on that circle.
Michael R. Chernick


@0x90 Yes your link shows one way to see this is to look at the quadratic form in the exponent of the density. So in general for the bivariate normal setting that exponent to a constant defines the contours of constant density and that equation is one of an ellipse. in the special case when the covariance matrix is a scaled identity matirix the ellipse simplifies to a circle.
Michael R. Chernick

2
I think there is an easier way to see the uniformity: for independent normal X,Y with mean 0, it's easy to show that their ratio is Cauchy(0,1). Since CDF of Cauchy is simply scaling and translation of arctan, by probability integral transform arctan(X/Y) is simply a shifted and scaled standard uniform random variable.
Francis

1
@Francis Mostly I am appreciative of your thorough editing of all my equations. I also want to say that your comment above definitely shows an imaginative approach to solving the uniformity issue with theta. I am sure some will agree that it is easier.
Michael R. Chernick

6

To complete the fairly good answers given by Glen and Michael, I'll just compute the density of θ when the distribution of (X,Y) is uniform on the square [1,1]×[1,1]. This uniform density is 14 on this square, 0 elsewhere -- that is, the probability of sampling a point in a given region of the square is 14 the area of this region.

The region of interest for our question is the red sector on this drawing: square with a shaded sector

It’s a triangle delimited by the angle θ and θ+dθ. The probability of sampling a point in this triangle is the probability of sampling a value between θ and θ+dθ — which is the density of θ.

I’ll make the computation for θ[π4,π4] -- the whole density can be obtained by extending it by π2 periodicity.

Elementary trigonometry show that the lower side has length 1cosθ. The upper size has length

1cos(θ+dθ)=1cosθ+sinθcos2θdθ.
(We’ll see that the precise value of the derivative doesn’t really matter here!)

Now the area of a triangle with two sides of lengthes a and b forming an angle α is 12absinα, hence in our case

12(1cosθ)(1cosθ+sinθcos2θdθ)sindθ=dθ2cos2θ
(we neglect higher powers of dθ and use sindθ=dθ).

Thus the density of θ is

18cos2θ
for θ in [π4,π4], and is π2 periodic.

Verification:

x <- runif(1e6, -1, 1)
y <- runif(1e6, -1, 1)
hist( atan2(y,x), freq=FALSE, breaks=100)
theta <- seq(-pi, pi, length=500)
lines(theta, 0.125/cos((theta + pi/4)%%(pi/2) - pi/4)**2, col="red" )

histogramm + density

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.