Düzgün ve normal dağılım oranı nedir?


11

Let X bir eş dağılımını takip etmek ve Y normal bir dağılım izleyin. X hakkında ne söylenebilir?XY ? Bunun için bir dağıtım var mı?

Ortalama sıfır ile iki normalin oranının Cauchy olduğunu buldum.


3
Değeri için, dağılımına eğik çizgi dağılımıY/X denir . Karşılıklı bir isim veya kapalı bir form var mı bilmiyorum.
David J. Harris

2
Ve her ikisinin de ait olduğu daha büyük sınıf oran dağılımları gibi görünüyor !
Nick Stauner

7
@ DavidJ.Harris Oldukça öyle; +1. Eğik çizginin sağlamlık çalışmalarında birkaç kez kullanıldığını gördüm. Belki X/Y - ters eğik çizgi olarak - " ters eğik çizgi dağıtımı " olarak adlandırılmalıdır .
Glen_b

1
@rrpp Standart bir veya genel bir U n i f o r m ( a , b ) mi söz ediyorsunuz? İkincisi ise, o zaman bir > 0 , bir < 0 vb. UnbenfÖrm(0,1)UnbenfÖrm(bir,b)bir>0bir<0
Olup

1
cevaplarınız için hepinize teşekkür ederim. @wolfies olan , U , n i f o r m ( 0 , 1 ) ve Y'nin pozitif ortalama sahiptirXUnbenfÖrm(0,1)Y
rrpp

Yanıtlar:


13

Rasgele değişken pdf f ( x ) ile olsun :X~üniforma(bir,b)f(x)

resim açıklamasını buraya girin

burada olduğunu varsaydım (bu standart Düzgün ( 0 , 1 ) durumu iç içe geçirir ). Mesela parametre ise [farklı sonuçlar elde edilecek bir < 0 , ancak prosedür tam olarak aynıdır. ]0<bir<büniforma(0,1)bir<0

Ayrıca, ve p = g ( w ) ile W = 1 / Y olsun :Y~N-(μ,σ2)W=1/Yg(w)

resim açıklamasını buraya girin

Ardından, ürününün pdf'sini ararız , diyelim ki h ( v ) :V=X*Wh(v)

resim açıklamasını buraya girin

Ben kullanıyorum nerede mathStatica 'ın TransformProductasıl gritties otomatik hale getirmek işlevini ve nerede Erfhata fonksiyonunu ifade eder: http://reference.wolfram.com/language/ref/Erf.html

Hepsi tamam.

Arsalar

İşte pdf'in iki grafiği:

  • Parsel 1: , σ = 1 , b = 3 ... ve ... a = 0 , 1 , 2μ=0σ=1b=3bir=0,1,2

resim açıklamasını buraya girin

  • 2.Parça: ,σ=1,a=0,b=1μ=0,12,1σ=1bir=0b=1

resim açıklamasını buraya girin

Monte Carlo çek

Burada, hiçbir hatanın akmadığından emin olmak için Plot 2 vakasının hızlı bir Monte Carlo kontrolü:
,σ=1,a=0,b=1μ=12σ=1bir=0b=1

resim açıklamasını buraya girin

Mavi çizgi ampirik Monte Carlo pdf'dir ve kırmızı kesik çizgi yukarıdaki teorik pdf . İyi görünüyor :)h(v)


3

Z = X dağılımını bulmak mümkündür ilk ilkelerinden Y , buradaXU[0,1]veYN(μ,σ2). Z'ninkümülatif olasılık fonksiyonunu düşünün:Z=XYX~U[0,1]Y~N-(μ,σ2)Z

FZ(z)=P(Zz)=P(XYz)

İki ve Y < 0 vakasını ele alalım . Eğer Y > 0 , daha sonra X-Y>0Y<0Y>0 . Benzer şekilde, eğer Y, < 0 , sonra XXYzXzYY<0 .XYzXzY

-<Z<z>0z<0

z>0(X,Y)

Entegrasyon Bölgesi

Böylece

FZ(z)=01x/zfY(y)dydx+01-0fY(y)dydx
fY(y)Y

Z

fZ(z)=ddz01[FY()-FY(xz)]dx=01z[FY()-FY(xz)]dx=01xz2fY(xz)dx=01x2πσz2tecrübe(-(xz-μ)22σ2)dx

Yukarıdaki integral, aşağıdaki dönüşüm dizisi kullanılarak değerlendirilebilir:

  1. u=xz
  2. v=u-μ
  3. vv

Elde edilen integraller, f Z vermek üzere basitleştirilebilir.

fZ(z)=σ2π[tecrübe(-μ22σ2)-tecrübe(-(1z-μ)22σ2)]+μ[Φ(1z-μσ)-Φ(-μσ)]

Φ(x)z<0

Bu cevap simülasyon ile doğrulanabilir. R'deki aşağıdaki komut dosyası bu görevi gerçekleştirir.

n <- 1e7
mu <- 2
sigma <- 4

X <- runif(n)
Y <- rnorm(n, mean=mu, sd=sigma)

Z <- X/Y
# Constrain range of Z to allow better visualization 
Z <- Z[Z>-10]
Z <- Z[Z<10] 

# The actual density 
hist(Z, breaks=1000, xlim=c(-10,10), prob=TRUE)

# The theoretical density
r <- seq(from=-10, to=10, by=0.01)
p <- sigma/sqrt(2*pi)*( exp( -mu^2/(2*sigma^2)) - exp(-(1/r-mu)^2/(2*sigma^2)) ) + mu*( pnorm((1/r-mu)/sigma) - pnorm(-mu/sigma) )

lines(r,p, col="red")

Doğrulama için birkaç grafik:

  1. Y~N-(0,1) Kontrol 1
  2. Y~N-(1,1) Kontrol 2
  3. y~N-(1,2) Kontrol 3

civarındaki grafiklerde görülen teorik cevabın altını çizmekz=0


1
+1 Çok hoş! Temel ilkelerden türetme her zaman tatmin edicidir ve grafikler okuyucunun ne yaptığınızı anında kavramasına yardımcı olur.
whuber

2


YY=N-(7,1)min(Y)>1N-1MY<1XYY<0set.seed(1);x=rbeta(10000000,1,1)/rnorm(10000000,7);hist(x,n=length(x)/50000)
runif

resim açıklamasını buraya girin


2
aşırı kuyruklar yoğunluğu mutasyona uğratıyor. Dağıtım oldukça Cauchy gibidir. (Meraktan, neden kullanmıyorsunuz runif? Daha deyimsel ve daha hızlı görünüyor)
Glen_b-Monica

Çünkü görünüşe göre R hakkında o kadar çok şey bilmiyorum! :) Bahşiş için teşekkürler!
Nick Stauner

1
telaşa gerek yok. Hız farkı çok büyük değil, 10 ^ 7 element ile fark etmek için yeterli. hist(x,n=length(x),xlim=c(-10,10))
Bakmaya

1
Vaov! Yeterince emin. Korkarım bu yoğunluk planlarını oldukça yanıltıcı yapıyor! Bu histogramda düzenleyeceğim ...
Nick Stauner

1
Tamam. Telaşa gerek yok. Bu durumda nclass'ı daha küçük yapmak isteyebilirsiniz. İdeal olarak çubuklar çok dar olmalı, sadece siyah çizgiler olmamalı.
Glen_b
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.