การดำเนินงานเกี่ยวกับวิชาตรีโกณมิติเกี่ยวกับส่วนเบี่ยงเบนมาตรฐาน


14

การบวกการลบการคูณและการหารของตัวแปรสุ่มปกติมีความหมายที่ดี แต่การดำเนินการเกี่ยวกับวิชาตรีโกณมิติ?

ยกตัวอย่างเช่นสมมติว่าฉันพยายามหามุมของสามเหลี่ยมลิ่ม (จำลองเป็นสามเหลี่ยมมุมฉาก) โดยมีสอง catheti ที่มีมิติd1และd2ทั้งคู่อธิบายว่าเป็นการแจกแจงแบบปกติ

ทั้งสัญชาตญาณและการจำลองบอกว่าการกระจายที่เกิดเป็นเรื่องปกติที่มีค่าเฉลี่ยขวา) แต่มีวิธีคำนวณการกระจายตัวของมุมที่เกิดขึ้นหรือไม่? การอ้างอิงเกี่ยวกับที่ฉันจะหาคำตอบ?arctan(mean(d1)mean(d2))

(สำหรับบริบทฉันกำลังทำงานกับความอดทนทางสถิติของชิ้นส่วนเครื่องจักรแรงกระตุ้นแรกของฉันคือการจำลองกระบวนการทั้งหมดเพียงแค่ตรวจสอบว่าผลลัพธ์สุดท้ายนั้นเป็นเรื่องปกติพอสมควรและคำนวณค่าเบี่ยงเบนมาตรฐาน แต่ฉันสงสัยว่า หากอาจมีวิธีวิเคราะห์เชิง neater)


2
คุณช่วยยืนยันได้ไหมว่า (a) d1 และ d2 เป็นความยาวด้านข้าง (ไม่ใช่มุม); (b) คุณกำลังสมมุติว่ามุมระหว่างมุมทั้งสองเป็นมุมฉาก (ไม่เช่นนั้นสูตรสงสัยของ atan); และ (c) คุณสนใจที่จะกระจายมุมอีกมุมหนึ่งของสามเหลี่ยมมุมฉากนี้หรือไม่? นอกจากนี้สมมุติว่า SD ของการกระจายความยาวแต่ละอันนั้นเล็กกว่าที่คาดไว้มากเพราะสามเหลี่ยมไม่ควรมีความน่าจะเป็นที่ประเมินได้ของความยาวด้านลบ :-)
whuber

แน่นอน ฉันได้ปรับปรุงปัญหาใหม่เพื่อให้ชัดเจนขึ้น และใช่ SD จะมีขนาดเล็กเมื่อเทียบกับขนาด
Bossykena

ใช้สูตรสำหรับการคูณและการเพิ่มคุณสามารถลองใช้การขยายตัวของเทย์เลอร์

ขอขอบคุณสำหรับคำตอบที่ยอดเยี่ยมของคุณซึ่ง (เท่าที่ฉันสามารถบอกได้ด้วยความเชี่ยวชาญด้านสถิติที่ จำกัด ของฉัน) มีทั้งความเข้าใจง่ายและเสียง
Bossykena

คำตอบ:


15

ในการตีความนี้สามเหลี่ยมเป็นรูปสามเหลี่ยมขวาของด้านยาวและYกระจาย binormally กับความคาดหวังμ xและμ Yเบี่ยงเบนมาตรฐานσ xและσ Yและความสัมพันธ์ρ เราพยายามกระจายของarctan ( Y / X ) ด้วยเหตุนี้มาตรฐานXและYเพื่อให้XYμxμyσxσyρarctan(Y/X)XY

และ Y = σ y η + μ y

X=σxξ+μx
Y=σyη+μy

กับและη variates ปกติมาตรฐานที่มีความสัมพันธ์ρ ให้θเป็นมุมและเพื่อความสะดวกในการเขียนQ = สีน้ำตาล( θ ) แล้วก็ξηρθq=tan(θ)

P[arctan(Y/X)θ]=P[YqX]

=P[σyη+μyq(σxξ+μx)

=P[σyηqσxξqμxμy]

ด้านซ้ายมือเป็นเชิงเส้นของการรวมกัน Normals, เป็นเรื่องปกติที่มีค่าเฉลี่ยและแปรปรวนσ 2 ปี + Q 2 σ 2 x - 2 Q ρ σ x σ Y μyσyqμxσxσy2+q2σx22qρσxσy

ความแตกต่างของ cdf ปกติของพารามิเตอร์เหล่านี้เทียบกับให้ผลกับ pdf ของมุม การแสดงออกค่อนข้างน่าสยดสยอง แต่ส่วนสำคัญของมันคือเลขชี้กำลังθ

exp((μy(σy+1)μx(σx+1)tan(θ))22(2ρσxσytan(θ)+σx2+σy2+tan2(θ))),

แสดงทันทีว่ามุมไม่ได้กระจายตามปกติ อย่างไรก็ตามการจำลองของคุณแสดงและสัญชาตญาณแนะนำมันควรจะประมาณปกติหากรูปแบบของความยาวด้านมีขนาดเล็กเมื่อเทียบกับความยาวของตัวเอง ในกรณีนี้การประมาณ Saddlepointควรให้ผลลัพธ์ที่ดีสำหรับค่าเฉพาะของ , μ y , σ x , σ y , และρแม้ว่าจะไม่มีวิธีแก้ปัญหาทั่วไปแบบปิด ค่าเบี่ยงเบนมาตรฐานโดยประมาณจะลดลงทันทีเมื่อพบอนุพันธ์อันดับสอง (เทียบกับθμxμyσxσyρθ) ของลอการิทึมของ pdf (ดังแสดงในสมการ (2.6) และ (3.1) ของการอ้างอิง) ฉันขอแนะนำระบบพีชคณิตคอมพิวเตอร์ (เช่น MatLab หรือ Mathematica) สำหรับการดำเนินการนี้!


1
ไม่เคยมีโอกาสแพร่กระจายได้ตามปกติ มันคือมุม! ใช้ค่าในเท่านั้น [π,π)
Robby McKilliam

1
P (Y / X q) = P (Y qX) ไม่ถูกต้องหาก X เป็น rv ปกติ - X สามารถเป็นลบได้เช่นกัน
ronaf

@ronaf: อันที่จริงแล้วเนื่องจากและYเป็นความยาวด้านของสามเหลี่ยมทางกายภาพเราจึงไม่ควรมีXเชิงลบ! XYX
shabbychef

2
@ronaf: นั่นเป็นความคิดที่ถูกต้อง หากใช้ความยาวด้านที่มีลายเซ็นและถือว่ามุมเป็นมูลค่าที่แท้จริง (แทนที่จะเป็นค่าโมดูโล ) จะไม่มีความไม่สอดคล้องกับปกติในกรณีใดกรณีหนึ่ง ประเด็นของคุณเกี่ยวกับความไม่เท่าเทียมที่อาจจะผิดนั้นยอดเยี่ยม สิ่งที่ฉันทำได้ก็คืออ้างว่าสมการนั้นเป็นค่าประมาณที่ยอดเยี่ยมภายใต้สมมติฐานที่ทำเพราะโอกาสของ X หรือ Y ที่เป็นลบนั้นน้อยมาก 2π
whuber

1
@YBE ฉันยอมรับว่า "+" ตัวสุดท้ายของฉันดูเหมือนว่ามันไม่ได้อยู่ในนั้น - มันอาจจะลื่นเมื่อฉันทำความสะอาดมาร์กอัปของ TeX ฉันไม่มีการอ้างอิงเพราะฉันคำนวณอนุพันธ์เอง
whuber

12

คุณกำลังมองหาที่สถิติวงกลมและโดยเฉพาะอย่างยิ่งการกระจายวงกลมเรียกว่าคาดการณ์การกระจายปกติ

ด้วยเหตุผลบางอย่างหัวข้อนี้อาจเป็นเรื่องยากที่จะ google แต่ทั้งสองข้อความที่สำคัญเกี่ยวกับสถิติวงกลมคือการวิเคราะห์ทางสถิติของข้อมูลวงกลมโดยฟิชเชอร์และ สถิติทิศทางโดย Mardia และ Jupp

สำหรับการวิเคราะห์อย่างละเอียดของการแจกแจงแบบปกติที่คาดการณ์ไว้ดูหน้า 46 ของ Mardia และ Jupp มีการแสดงออกของรูปแบบปิด (ขึ้นอยู่กับฟังก์ชันข้อผิดพลาดที่สำคัญ) สำหรับการแจกแจงและตามที่ whuber ได้เสนอแนะมันดูคล้ายกับปกติเมื่อ `ความแปรปรวน '(ระวังที่นี่ความแปรปรวนหมายถึงตัวแปรสุ่มบนวงกลม) !) มีขนาดเล็กกล่าวคือเมื่อการกระจายค่อนข้างเข้มข้นที่จุดหนึ่ง (หรือทิศทางหรือมุม)

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.