การกระจายตัวแบบเกาส์อัตราส่วน: อนุพันธ์ wrt ต้นแบบ 's และ s


28

ผมทำงานกับสองการแจกแจงปรกติอิสระและYมีวิธี\ mu_xและ\ mu_yและความแปรปรวน\ ^ ซิก 2_xและ\ ^ ซิก 2_yY μ x μ y σ 2 x σ 2 yXYμxμyσx2σy2

ฉันสนใจในการกระจายของอัตราส่วนของพวกเขาZ=X/Y Y ทั้งXหรือYมีค่าเฉลี่ยอยู่ที่ศูนย์ดังนั้นZไม่ได้กระจายเป็น Cauchy

ฉันต้องการหา CDF ของZ , และจากนั้นใช้อนุพันธ์ของ CDF ด้วยความเคารพμx , μy , σx2และ\σy2

ใครบ้างที่รู้กระดาษที่คำนวณเหล่านี้แล้ว? หรือจะทำสิ่งนี้ด้วยตัวเองได้อย่างไร?

ฉันค้นพบสูตรสำหรับ CDF ในเอกสารปี 1969แต่การจดอนุพันธ์เหล่านี้จะเป็นความเจ็บปวดอย่างมาก อาจมีบางคนทำไปแล้วหรือรู้วิธีที่จะทำได้ง่าย ๆ ? ฉันต้องการทราบสัญญาณของตราสารอนุพันธ์เป็นส่วนใหญ่

กระดาษนี้ยังมีการประมาณที่ง่ายขึ้นในการวิเคราะห์ถ้าYเป็นบวกส่วนใหญ่ ฉันไม่มีข้อ จำกัด อย่างไรก็ตามการประมาณอาจมีสัญลักษณ์เดียวกับอนุพันธ์ที่แท้จริงแม้จะอยู่นอกช่วงพารามิเตอร์


4
ฉันได้เพิ่มTEXให้คุณ คุณเขียนว่า "sigma" แต่บอกว่าสิ่งเหล่านี้เป็นความแปรปรวนดังนั้นฉันจึงทำให้พวกมันเป็นซิกมาสแควร์ ตรวจสอบให้แน่ใจว่ามันยังพูดสิ่งที่คุณต้องการถาม
gung - Reinstate Monica

3
en.wikipedia.org/wiki/Ratio_distributionมีฟังก์ชันความหนาแน่นของความน่าจะเป็น
Douglas Zare

2
นั่นคือ PDF เดียวกันกับในเอกสารข้างต้น ฉันกำลังพยายามหาอนุพันธ์ของ CDF ด้วยความเคารพต่อ mus และ sigmas
ABC

2
สูตรของ pdf ที่ David Hinkley พบนั้นอยู่ในรูปแบบปิด ดังนั้นคุณสามารถหาอนุพันธ์เหล่านั้นทีละขั้นตอนได้ จริง ๆ แล้วฉันอยากรู้อยากเห็นเกี่ยวกับจุดของการทำสัญญาดังกล่าวเนื่องจากไม่มีเหตุผลที่สัญญาณควรจะสม่ำเสมอกว่าจำนวนจริง ...
ซีอาน

2
@ABC คุณสามารถหาความหนาแน่นของในสมการที่ 1 ของเอกสารนี้ ผมทำงานเกี่ยวกับมันเวลาที่ผ่านมาและมันก็เห็นด้วยกับผล Hinkley และผล Marsaglia ของ มันสามารถอนุมานได้โดยกำลังดุร้ายและ Douglas Zare แนะนำ (ฉันทำมันแนะนำเฉพาะถ้าคุณจำเป็นต้องทำจริงๆ ) X/Y

คำตอบ:


1

5
ยินดีต้อนรับสู่เว็บไซต์ @Quantum คุณจะให้สรุปสั้น ๆ ของเอกสารเหล่านี้เพื่อให้ผู้อ่านสามารถตัดสินว่าพวกเขาเป็นสิ่งที่พวกเขากำลังมองหาโดยไม่ต้องเปิดและอ่านแต่ละคน?
gung - Reinstate Monica

@gung ใช่ฉันใจ ... แค่ล้อเล่น เอกสารเหล่านี้เป็นบทความใหม่ล่าสุดในหัวข้อที่มีการแสดงออกถึงความหนาแน่นของเพื่อความรู้ที่ดีที่สุดของฉัน หัวข้อไม่ร้อนแรงดังนั้นจึงเป็นไปได้ที่รายการนี้จะทันสมัยเว้นแต่คุณจะอ่านบทความนี้ในปี 2527Z=X/Y
Quantum

4
Quantum - นั่นไม่ได้อยู่ที่ความกังวลของ @ gung โดยทั่วไปคำตอบสำหรับลิงก์เท่านั้นไม่สามารถยอมรับได้ Gung ได้ถามว่าคุณสามารถ 'สรุปสั้น ๆ ของเอกสารเหล่านี้' (ความหมาย 'ในคำตอบของคุณ') คำอธิบายโดยรวมของคุณในความคิดเห็นนั้นไม่เพียงพอ โปรดให้คำอธิบายสั้น ๆ ของแต่ละลิงก์ (ถ้าเป็นไปได้เป็นรายบุคคลไม่รวมกัน) ซึ่งจะระบุสาเหตุที่คุณรวมไว้ / ทำไมจึงมีความเกี่ยวข้อง เพราะมันหมายถึงความเสี่ยงที่เป็นประโยชน์คำตอบของคุณถูกแปลงเป็นความคิดเห็น - เช่นเดียวกับที่เกิดขึ้นแล้วกับการตอบกลับลิงค์เท่านั้นก่อนหน้านี้สำหรับคำถามนี้
Glen_b -Reinstate Monica

ฉันไม่เข้าใจว่าทำไมความคาดหวังของอัตราส่วนจึงไม่มีอยู่ ถ้าและYกระจายกันตามปกติด้วยค่าเฉลี่ยแตกต่างจากศูนย์ดังนั้นค่าเฉลี่ยของZ = XXYจะได้รับโดยxZ=XYฉันหายไปไหน? xyp(x,y)dxdy
Royi

เมื่อใดที่คุณหายไปก็คือข้อเท็จจริงที่ว่าความหนาแน่นของนั้นต่อเนื่องและเป็นบวกที่ศูนย์เพื่อที่จะได้สร้างหางที่มีน้ำหนักมาก ...y
kjetil b halvorsen

0

พิจารณาใช้แพ็คเกจคณิตศาสตร์สัญลักษณ์เช่น Mathematica หากคุณมีใบอนุญาตหรือ Sage หากคุณไม่มี

หากคุณเพิ่งทำงานเชิงตัวเลขคุณอาจพิจารณาความแตกต่างของตัวเลข

ในขณะที่น่าเบื่อมันจะมองไปข้างหน้า นั่นคือฟังก์ชั่นทั้งหมดที่เกี่ยวข้องมีการคำนวณอนุพันธ์ได้ง่าย คุณอาจใช้ความแตกต่างเชิงตัวเลขเพื่อทดสอบผลลัพธ์ของคุณเมื่อเสร็จเพื่อให้แน่ใจว่าคุณมีสูตรที่เหมาะสม


0

μx

pratio <- function(z, mu_x=1.0, mu_y=1.0,var_x=0.2, var_y=0.2) {
    sd_x <- sqrt(var_x)
    sd_y <- sqrt(var_y)

    a <- function(z) {
        sqrt(z*z/var_x+1/var_y)
    }

    b <- function(z) {
        mu_x*z/var_x + mu_y/var_y
    }

    c <- mu_x^2/var_x + mu_y^2/var_y

    d <- function(z) {
        exp((b(z)^2 - c*a(z)^2)/(2*a(z)^2))
    }


    t1 <- (b(z)*d(z)/a(z)^3)
    t2 <- 1.0/(sqrt(2*pi)*sd_x*sd_y)
    t3 <- pnorm(b(z)/a(z)) - pnorm(-b(z)/a(z))
    t4 <- 1.0/(a(z)^2*pi*sd_x*sd_y)
    t5 <- exp(-c/2.0)
    return(t1*t2*t3 + t4*t5)
}

# Integrates to 1, so probably no typos.
print(integrate(pratio, lower=-Inf, upper=Inf))

cdf_ratio <- function(x, mu_x=1.0, mu_y=1.0,var_x=0.2, var_y=0.2) {
    integrate(function(x) {pratio(x, mu_x, mu_y, var_x, var_y)}, 
        lower=-Inf, upper=x, abs.tol=.Machine$double.eps)$value
} 

# Numerical differentiation here is very easy:
derv_mu_x <- function(x, mu_x=1.0, mu_y=1.0,var_x=0.2, var_y=0.2) {
    eps <- sqrt(.Machine$double.eps)
    left <- cdf_ratio(x, mu_x+eps, mu_y, var_x, var_y)
    right <- cdf_ratio(x, mu_x-eps, mu_y, var_x, var_y)
    return((left - right)/(2*eps))
} 
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.