Na to pytanie można odpowiedzieć, jak stwierdzono, zakładając, że dwie losowe zmienne i rządzone przez te rozkłady są niezależne. X1X2 To czyni ich różnicę Normalną ze średnią i wariancją . (Poniższe rozwiązanie można łatwo uogólnić na dowolny dwuwymiarowy Rozkład normalny .) Zatem zmiennaX=X2−X1μ=μ2−μ1σ2=σ21+σ22(X1,X2)
Z=X−μσ=X2−X1−(μ2−μ1)σ21+σ22−−−−−−√
ma standardowy rozkład normalny (tzn. z zerową średnią i wariancją jednostkową) i
X=σ(Z+μσ).
Ekspresja
|X2−X1|=|X|=X2−−−√=σ(Z+μσ)2−−−−−−−−√
wykazuje różnicę bezwzględną jako skalowaną wersję pierwiastka kwadratowego niecentralnego rozkładu chi-kwadrat z jednym stopniem swobody i parametrem niecentryczności . Niecentralny rozkład chi-kwadrat z tymi parametrami ma element prawdopodobieństwaλ=(μ/σ)2
f(y)dy=y√2π−−√e12(−λ−y)cosh(λy−−√)dyy, y>0.
Zapisanie dla x > 0 ustala zgodność jeden do jednego między y a pierwiastkiem kwadratowym, w wyniku czegoy=x2x>0y
f(y)dy=f(x2)d(x2)=x2−−√2π−−√e12(−λ−x2)cosh(λx2−−−√)dx2x2.
Uproszczenie tego, a następnie przeskalowanie o daje pożądaną gęstość,σ
f|X|(x)=1σ2π−−√cosh(xμσ2)exp(−x2+μ22σ2).
Ten wynik jest poparty symulacjami, takimi jak histogram 100 000 niezależnych losowań (zwany w kodzie „x”) o parametrach μ 1 = - 1 , μ 2 = 5 , σ 1 = 4 , σ 2 = 1 . Na nim jest wykreślony wykres f | X | , co dokładnie pokrywa się z wartościami histogramu.|X|=|X2−X1|μ1=−1,μ2=5,σ1=4,σ2=1f|X|
Poniżej przedstawiono R
kod tej symulacji.
#
# Specify parameters
#
mu <- c(-1, 5)
sigma <- c(4, 1)
#
# Simulate data
#
n.sim <- 1e5
set.seed(17)
x.sim <- matrix(rnorm(n.sim*2, mu, sigma), nrow=2)
x <- abs(x.sim[2, ] - x.sim[1, ])
#
# Display the results
#
hist(x, freq=FALSE)
f <- function(x, mu, sigma) {
sqrt(2 / pi) / sigma * cosh(x * mu / sigma^2) * exp(-(x^2 + mu^2)/(2*sigma^2))
}
curve(f(x, abs(diff(mu)), sqrt(sum(sigma^2))), lwd=2, col="Red", add=TRUE)
self-study
tagu. Przyjmujemy pytania domowe, ale tutaj traktujemy je nieco inaczej.