Jaki jest stosunek rozkładu równomiernego i normalnego?


11

Niech podąża za rozkładem jednolitym, a za rozkładem normalnym. Co można powiedzieć o ? Czy istnieje dla tego dystrybucja?Y XXYXY

Stwierdziłem, że stosunek dwóch normalnych do średniej zero to Cauchy.


3
Dla tego, co jest warte, rozkład nazywa się rozkładem ukośnika . Nie wiem, czy odwrotność ma nazwę czy formę zamkniętą. Y/X
David J. Harris

2
A większa klasa, do której należą obie, wydaje się być rozkładem proporcji !
Nick Stauner

7
@ DavidJ.Harris Całkiem tak; +1. Widziałem slash używany kilka razy w badaniach odporności. Może - jako odwrócony ukośnik - należy nazwać „ rozkładem ukośnika odwrotnego ”. X/Y
Glen_b

1
@rrpp Czy masz na myśli standardowy , czy ogólny ? Jeśli to drugie, to musimy wiedzieć, czy , itd.Uniform(0,1)Uniform(a,b)a>0a<0
wilki

1
dziękuję wszystkim za odpowiedzi. @wolfies is a ma dodatnią średniąXUniform(0,1)Y
rrpp

Odpowiedzi:


13

Niech zmienna losowa z pdf :f ( x )XUniform(a,b)f(x)

wprowadź opis zdjęcia tutaj

gdzie założyłem (zagnieżdżone jest standardowe ). [Różne wyniki zostaną uzyskane, jeśli powie się parametr , ale procedura jest dokładnie taka sama. ]Jednolite ( 0 , 1 ) a < 00<a<bUniform(0,1)a<0

Następnie pozwól i niech z pdf :W = 1 / Y g ( w )YN(μ,σ2)W=1/Yg(w)

wprowadź opis zdjęcia tutaj

Następnie szukamy pdf produktu , powiedzmy , który podaje:h ( v )V=XWh(v)

wprowadź opis zdjęcia tutaj

gdzie m użyciu mathStatica jest TransformProductfunkcja zautomatyzować Nitty-gritties i gdzie Erfoznacza funkcję błędu: http://reference.wolfram.com/language/ref/Erf.html

Wszystko gotowe.

Działki

Oto dwie wykresy pdf:

  • Wykres 1: , , ... i ...σ = 1 b = 3 a = 0 , 1 , 2μ=0σ=1b=3a=0,1,2

wprowadź opis zdjęcia tutaj

  • Wykres 2: , , ,μ=0,12,1σ=1a=0b=1

wprowadź opis zdjęcia tutaj

Czek Monte Carlo

Oto szybkie sprawdzenie Monte Carlo w przypadku 2, aby upewnić się, że nie wystąpiły błędy: , , ,
μ=12σ=1a=0b=1

wprowadź opis zdjęcia tutaj

Niebieska linia to empiryczny pdf Monte Carlo, a czerwona linia przerywana to teoretyczny pdf powyżej. Wygląda w porządku :)h(v)


3

Można znaleźć rozkład podstawie pierwszych zasad, gdzie i . Rozważ funkcję skumulowanego prawdopodobieństwa :Z=XYXU[0,1]YN(μ,σ2)Z

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

Rozważ dwa przypadki i . Jeśli , to . Podobnie, jeśli to .Y>0Y<0Y>0XYzXzYY<0XYzXzY

Teraz wiemy . Aby znaleźć powyższe prawdopodobieństwo, rozważ przypadki i .<Z<z>0z<0

Jeśli , prawdopodobieństwo można wyrazić jako całkowanie rozkładu połączeń w pokazanym poniżej obszarze. (używając nierówności)z>0(X,Y)

Region integracji

Więc gdzie jest funkcją rozkładu .

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

Znajdź funkcję rozkładu , różnicując powyższe. Z

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

Całka powyżej może być oceniona przy użyciu następującej sekwencji transformacji:

  1. Niechu=xz
  2. Niechv=uμ
  3. Podziel wynikową całkę na dwie całki, jedną z tylko w postaci wykładniczej, a drugą z pomnożoną przez wykładniczą.vv

Otrzymane całki można uprościć, uzyskując

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

Tutaj jest funkcją skumulowanego rozkładu standardowej normy. Identyczny wynik uzyskano dla przypadku .z < 0Φ(x)z<0

Ta odpowiedź może być zweryfikowana przez symulację. Poniższy skrypt w języku R wykonuje to zadanie.

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")

Oto kilka wykresów do weryfikacji:

  1. DlaYN(0,1) Sprawdź 1
  2. DlaYN(1,1) Sprawdź 2
  3. DlayN(1,2) Sprawdź 3

Nieosiągnięcie teoretycznej odpowiedzi widoczne na wykresach wokół jest prawdopodobnie spowodowane ograniczonym zakresem. W przeciwnym razie teoretyczna odpowiedź wydaje się podążać za symulowaną gęstością.z=0


1
+1 Bardzo miło! Pochodzenie od podstawowych zasad jest zawsze satysfakcjonujące, a grafika pomaga czytelnikowi natychmiast zrozumieć, co robisz.
whuber

2

Oprócz odwrotności rozkładu ukośnika (lub „rozkładu odwrotnego ukośnika” @ Glen_b!), Pewnego rodzaju rozkładu proporcji, nie wiem też, jak to nazwać, ale zasymuluję jedną wersję w R.
Ponieważ podasz pozytywny średnia z , będziemy używać tak, że w większości próbek . Oczywiście istnieją inne możliwości. Na przykład każde rozszerzy zakres poza 1, a każde oczywiście rozszerzy go do wartości ujemnych. (Zmniejsz rozmiar dla wolnych komputerów! Lub użyj, jeśli wiesz jak!)YY=N(7,1)N 1 M Y < 1 Xmin(Y)>1N1MY<1 T<0XYY<0set.seed(1);x=rbeta(10000000,1,1)/rnorm(10000000,7);hist(x,n=length(x)/50000)
runif

wprowadź opis zdjęcia tutaj


2
ekstremalne ogony miażdżą gęstość. Rozkład jest raczej jak Cauchy. (Z ciekawości, czemu nie użyć runif? Wydaje się bardziej idiomatyczny i wydaje się też szybszy)
Glen_b

Ponieważ najwyraźniej wciąż niewiele wiem o R. :) Dzięki za wskazówkę!
Nick Stauner

1
bez obaw. Różnica prędkości nie jest tak duża, ale z 10 ^ 7 elementami, wystarczy zauważyć. Możesz znaleźć histogram, na który warto spojrzeć ( hist(x,n=length(x),xlim=c(-10,10))) (około 96% rozkładu wydaje się mieścić w tych granicach)
Glen_b

1
Łał! Jasne. Obawiam się, że te wykresy gęstości są dość mylące! Zmienię na tym histogramie ...
Nick Stauner

1
W porządku Bez obaw. W takim przypadku możesz chcieć zmniejszyć nclass. Myślę, że idealnie paski powinny być bardzo wąskie, ale nie tylko czarne linie.
Glen_b
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.