ให้ติดตามการกระจายตัวแบบสม่ำเสมอและติดตามการกระจายตัวแบบปกติ สิ่งที่สามารถจะกล่าวเกี่ยวกับ ? มีการกระจายสำหรับมันหรือไม่?Y X
ฉันพบอัตราส่วนของสองบรรทัดฐานที่มีค่าเฉลี่ยเป็นศูนย์คือโคชี
ให้ติดตามการกระจายตัวแบบสม่ำเสมอและติดตามการกระจายตัวแบบปกติ สิ่งที่สามารถจะกล่าวเกี่ยวกับ ? มีการกระจายสำหรับมันหรือไม่?Y X
ฉันพบอัตราส่วนของสองบรรทัดฐานที่มีค่าเฉลี่ยเป็นศูนย์คือโคชี
คำตอบ:
ปล่อยให้ตัวแปรสุ่มด้วย pdf :f ( x )
โดยที่ฉันถือว่า (นี่เป็นกรณีมาตรฐาน ) [จะได้ผลลัพธ์ที่แตกต่างกันถ้าพูดพารามิเตอร์แต่ขั้นตอนเหมือนกันทุกประการ ]Uniform ( 0 , 1 ) a < 0
เพิ่มเติมปล่อยให้และให้ด้วย pdf :W = 1 / Y g ( w )
จากนั้นเราค้นหาไฟล์ PDF ของผลิตภัณฑ์ , พูดซึ่งได้รับจาก:h ( v )
ที่ฉันใช้mathStaticaของTransformProduct
ฟังก์ชั่นอัตโนมัติ nitty-gritties และที่Erf
หมายถึงการทำงานข้อผิดพลาด: http://reference.wolfram.com/language/ref/Erf.html
เสร็จหมดแล้ว.
พล็อต
นี่คือสองแปลงของ pdf:
ตรวจสอบ Monte Carlo
นี่คือการตรวจสอบ Monte Carlo อย่างรวดเร็วของคดี Plot 2 เพียงเพื่อให้แน่ใจว่าไม่มีข้อผิดพลาดพุ่งเข้ามา: , , ,
σ=1a=0b=1
เส้นสีฟ้าเป็นเชิงประจักษ์ Monte Carlo PDF, และเส้นประสีแดงเป็นรูปแบบไฟล์ PDF ทฤษฎีดังกล่าวข้างต้น ดูดี :)
มันเป็นไปได้ที่จะหาการกระจายของจากหลักการแรกที่และ2) พิจารณาฟังก์ชันความน่าจะเป็นสะสมของ : X∼U[0,1]Y∼N(μ,σ2)Z
พิจารณาสองกรณีและ<0 หากแล้วZY ในทำนองเดียวกันถ้าแล้วZY
ตอนนี้เรารู้-เพื่อหาสิ่งที่น่าจะเป็นดังกล่าวข้างต้นให้พิจารณากรณีและ<0
ถ้าดังนั้นความน่าจะเป็นสามารถแสดงเป็นการรวมกันของการแจกแจงร่วมของในพื้นที่ที่แสดงด้านล่าง (ใช้ความไม่เท่าเทียมกัน)
ดังนั้น โดยที่เป็นฟังก์ชั่นการกระจายของY
ค้นหาฟังก์ชันการกระจายของโดยแยกความแตกต่างด้านบน
อินทิกรัลด้านบนสามารถประเมินได้โดยใช้ลำดับการแปลงดังนี้
อินทิกรัลที่ได้สามารถทำให้
ที่นี่เป็นฟังก์ชันการแจกแจงสะสมของมาตรฐานปกติ ผลที่จะได้รับเหมือนกันสำหรับกรณี<0z < 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:
การตัดคำตอบเชิงทฤษฎีที่เห็นในกราฟรอบอาจเป็นเพราะช่วงที่มีข้อ จำกัด มิฉะนั้นคำตอบทางทฤษฎีดูเหมือนว่าจะเป็นไปตามความหนาแน่นจำลอง
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 X Y<0set.seed(1);x=rbeta(10000000,1,1)/rnorm(10000000,7);hist(x,n=length(x)/50000)
runif
runif
มันดูเป็นสำนวนมากขึ้นและดูเหมือนว่าจะเร็วขึ้นด้วย)
hist(x,n=length(x),xlim=c(-10,10))
) (ประมาณ 96% ของการกระจายดูเหมือนจะอยู่ในขีด จำกัด เหล่านั้น)