อัตราส่วนของการกระจายตัวสม่ำเสมอและปกติคืออะไร?


11

ให้ติดตามการกระจายตัวแบบสม่ำเสมอและติดตามการกระจายตัวแบบปกติ สิ่งที่สามารถจะกล่าวเกี่ยวกับ ? มีการกระจายสำหรับมันหรือไม่?Y XXYXY

ฉันพบอัตราส่วนของสองบรรทัดฐานที่มีค่าเฉลี่ยเป็นศูนย์คือโคชี


3
สำหรับสิ่งที่คุ้มค่าการกระจายของเรียกว่ากระจายเฉือน ฉันไม่รู้ว่าการแลกเปลี่ยนซึ่งกันและกันมีชื่อหรือรูปแบบปิด Y/X
David J. Harris

2
และคลาสที่ใหญ่กว่าซึ่งทั้งคู่อยู่ในนั้นดูเหมือนจะเป็นอัตราส่วนแบบกระจาย !
Nick Stauner

7
@ DavidJ.Harris ค่อนข้างงั้น +1 ฉันเคยเห็นเครื่องหมายทับใช้สองสามครั้งในการศึกษาความทนทาน บางที - เป็นเครื่องหมายทับกลับ - ควรเรียกว่า " การกระจายแบ็กสแลช " X/Y
Glen_b -Reinstate Monica

1
@rrpp คุณหมายถึงมาตรฐานหรือทั่วไปหรือไม่? ถ้าหลังเราต้องรู้ว่าถ้า ,ฯลฯUniform(0,1)> 0 < 0Uniform(a,b)a>0a<0
wolfies

1
ขอบคุณทุกคำตอบ @wolfiesเป็นและYมีค่าเฉลี่ยเป็นบวกXUniform(0,1)Y
rrpp

คำตอบ:


13

ปล่อยให้ตัวแปรสุ่มด้วย pdf :f ( x )XUniform(a,b)f(x)

ป้อนคำอธิบายรูปภาพที่นี่

โดยที่ฉันถือว่า (นี่เป็นกรณีมาตรฐาน ) [จะได้ผลลัพธ์ที่แตกต่างกันถ้าพูดพารามิเตอร์แต่ขั้นตอนเหมือนกันทุกประการ ]Uniform ( 0 , 1 ) a < 00<a<bUniform(0,1)a<0

เพิ่มเติมปล่อยให้และให้ด้วย pdf :W = 1 / Y g ( w )YN(μ,σ2)W=1/Yg(w)

ป้อนคำอธิบายรูปภาพที่นี่

จากนั้นเราค้นหาไฟล์ PDF ของผลิตภัณฑ์ , พูดซึ่งได้รับจาก:h ( v )V=XWh(v)

ป้อนคำอธิบายรูปภาพที่นี่

ที่ฉันใช้mathStaticaของTransformProductฟังก์ชั่นอัตโนมัติ nitty-gritties และที่Erfหมายถึงการทำงานข้อผิดพลาด: http://reference.wolfram.com/language/ref/Erf.html

เสร็จหมดแล้ว.

พล็อต

นี่คือสองแปลงของ pdf:

  • ลงจุด 1: , , ... และ ...σ = 1 b = 3 a = 0 , 1 , 2μ=0σ=1b=3a=0,1,2

ป้อนคำอธิบายรูปภาพที่นี่

  • เรื่อง 2: , , ,σ=1a=0b=1μ=0,12,1σ=1a=0b=1

ป้อนคำอธิบายรูปภาพที่นี่

ตรวจสอบ Monte Carlo

นี่คือการตรวจสอบ Monte Carlo อย่างรวดเร็วของคดี Plot 2 เพียงเพื่อให้แน่ใจว่าไม่มีข้อผิดพลาดพุ่งเข้ามา: , , ,
σ=1a=0b=1μ=12σ=1a=0b=1

ป้อนคำอธิบายรูปภาพที่นี่

เส้นสีฟ้าเป็นเชิงประจักษ์ Monte Carlo PDF, และเส้นประสีแดงเป็นรูปแบบไฟล์ PDF ทฤษฎีดังกล่าวข้างต้น ดูดี :)h(v)


3

มันเป็นไปได้ที่จะหาการกระจายของจากหลักการแรกที่และ2) พิจารณาฟังก์ชันความน่าจะเป็นสะสมของ : XU[0,1]YN(μ,σ2)ZZ=XYXU[0,1]YN(μ,σ2)Z

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

พิจารณาสองกรณีและ<0 หากแล้วZY ในทำนองเดียวกันถ้าแล้วZYY>0Y<0Y>0XYzXzYY<0XYzXzY

ตอนนี้เรารู้-เพื่อหาสิ่งที่น่าจะเป็นดังกล่าวข้างต้นให้พิจารณากรณีและ<0<Z<z>0z<0

ถ้าดังนั้นความน่าจะเป็นสามารถแสดงเป็นการรวมกันของการแจกแจงร่วมของในพื้นที่ที่แสดงด้านล่าง (ใช้ความไม่เท่าเทียมกัน)z>0(X,Y)

ภูมิภาคบูรณาการ

ดังนั้น โดยที่เป็นฟังก์ชั่นการกระจายของY

FZ(z)=01x/zfY(y)dydx+010fY(y)dydx
fY(y)Y

ค้นหาฟังก์ชันการกระจายของโดยแยกความแตกต่างด้านบน Z

fZ(z)=ddz01[FY()FY(xz)]dx=01z[FY()FY(xz)]dx=01xz2fY(xz)dx=01x2πσz2exp((xzμ)22σ2)dx

อินทิกรัลด้านบนสามารถประเมินได้โดยใช้ลำดับการแปลงดังนี้

  1. ให้u=xz
  2. ให้v=uμ
  3. แยกอินทิกรัลที่เกิดขึ้นเป็นอินทิเกรตสองตัวอันหนึ่งที่มีในเอกซ์โพเนนเชียลและอีกอันที่คูณด้วยเลขชี้กำลังvv

อินทิกรัลที่ได้สามารถทำให้

fZ(z)=σ2π[exp(μ22σ2)exp((1zμ)22σ2)]+μ[Φ(1zμσ)Φ(μσ)]

ที่นี่เป็นฟังก์ชันการแจกแจงสะสมของมาตรฐานปกติ ผลที่จะได้รับเหมือนกันสำหรับกรณี<0z < 0Φ(x)z<0

คำตอบนี้สามารถตรวจสอบได้โดยการจำลอง สคริปต์ต่อไปนี้ใน R ทำงานนี้

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")

นี่คือกราฟสำหรับการยืนยัน:

  1. สำหรับYN(0,1) ตรวจสอบ 1
  2. สำหรับYN(1,1) ตรวจสอบ 2
  3. สำหรับyN(1,2) ตรวจสอบ 3

การตัดคำตอบเชิงทฤษฎีที่เห็นในกราฟรอบอาจเป็นเพราะช่วงที่มีข้อ จำกัด มิฉะนั้นคำตอบทางทฤษฎีดูเหมือนว่าจะเป็นไปตามความหนาแน่นจำลองz=0


1
+1 ดีมาก! หลักการพื้นฐานมาจากความพึงพอใจเสมอและกราฟิกช่วยให้ผู้อ่านเข้าใจได้ทันทีว่าคุณกำลังทำอะไรอยู่
whuber

2

นอกเหนือจากการแบ่งปันการแบ่งสแลช (หรือการกระจายแบ็กสแลชของ @ Glen_b ของ) ซึ่งเป็นอัตราส่วนการแจกแจงแบบหนึ่งฉันไม่รู้ว่าจะเรียกมันว่าอะไร แต่ฉันจะจำลองหนึ่งเวอร์ชันในอาร์
เนื่องจากคุณระบุค่าบวก หมายถึงของ , ฉันจะใช้เพื่อให้ ในตัวอย่างส่วนใหญ่ของM แน่นอนว่ามีความเป็นไปได้อื่น ๆ ตัวอย่างเช่นใด ๆ ที่จะขยายช่วงของเกินกว่า 1 และแน่นอนว่าใด ๆ ที่จะขยายเป็นค่าลบ (ลดขนาดสำหรับคอมพิวเตอร์ที่ช้า! หรือใช้ถ้าคุณรู้วิธี!)Y = N ( 7 , 1 ) นาที( Y ) > 1 N 1 M Y < 1 XYY=N(7,1)min(Y)>1N1MY<1 Y<0XYY<0set.seed(1);x=rbeta(10000000,1,1)/rnorm(10000000,7);hist(x,n=length(x)/50000)
runif

ป้อนคำอธิบายรูปภาพที่นี่


2
หางที่รุนแรงทำให้เสียความหนาแน่น การกระจายค่อนข้างเหมือน Cauchy (จากความอยากรู้อยากเห็นทำไมไม่ใช้runifมันดูเป็นสำนวนมากขึ้นและดูเหมือนว่าจะเร็วขึ้นด้วย)
Glen_b

เพราะฉันยังไม่รู้เกี่ยวกับ R มากนัก! :) ขอบคุณสำหรับทิป!
Nick Stauner

1
ไม่ต้องห่วง. ความแตกต่างของความเร็วไม่มากนัก แต่ด้วยองค์ประกอบ 10 ^ 7 เพียงพอที่จะสังเกตได้ คุณอาจพบฮิสโตแกรมที่น่าดู ( hist(x,n=length(x),xlim=c(-10,10))) (ประมาณ 96% ของการกระจายดูเหมือนจะอยู่ในขีด จำกัด เหล่านั้น)
Glen_b

1
ว้าว! นั่นเองค่ะ ทำให้แผนการหนาแน่นเหล่านี้ค่อนข้างทำให้เข้าใจผิดฉันกลัว! ฉันจะแก้ไขในฮิสโตแกรมนั้น ...
Nick Stauner

1
ตกลง. ไม่ต้องห่วง. คุณอาจต้องการทำให้ nclass มีขนาดเล็กลงในกรณีนี้ ฉันคิดว่าในอุดมคติแถบควรแคบมาก แต่ไม่ใช่แค่เส้นสีดำ
Glen_b -Reinstate Monica
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.