Niech podąża za rozkładem jednolitym, a za rozkładem normalnym. Co można powiedzieć o ? Czy istnieje dla tego dystrybucja?Y X
Stwierdziłem, że stosunek dwóch normalnych do średniej zero to Cauchy.
Niech podąża za rozkładem jednolitym, a za rozkładem normalnym. Co można powiedzieć o ? Czy istnieje dla tego dystrybucja?Y X
Stwierdziłem, że stosunek dwóch normalnych do średniej zero to Cauchy.
Odpowiedzi:
Niech zmienna losowa z pdf :f ( x )
gdzie założyłem (zagnieżdżone jest standardowe ). [Różne wyniki zostaną uzyskane, jeśli powie się parametr , ale procedura jest dokładnie taka sama. ]Jednolite ( 0 , 1 ) a < 0
Następnie pozwól i niech z pdf :W = 1 / Y g ( w )
Następnie szukamy pdf produktu , powiedzmy , który podaje:h ( v )
gdzie m użyciu mathStatica jest TransformProduct
funkcja zautomatyzować Nitty-gritties i gdzie Erf
oznacza funkcję błędu: http://reference.wolfram.com/language/ref/Erf.html
Wszystko gotowe.
Działki
Oto dwie wykresy pdf:
Czek Monte Carlo
Oto szybkie sprawdzenie Monte Carlo w przypadku 2, aby upewnić się, że nie wystąpiły błędy: , , ,
Niebieska linia to empiryczny pdf Monte Carlo, a czerwona linia przerywana to teoretyczny pdf powyżej. Wygląda w porządku :)
Można znaleźć rozkład podstawie pierwszych zasad, gdzie i . Rozważ funkcję skumulowanego prawdopodobieństwa :
Rozważ dwa przypadki i . Jeśli , to . Podobnie, jeśli to .
Teraz wiemy . Aby znaleźć powyższe prawdopodobieństwo, rozważ przypadki i .
Jeśli , prawdopodobieństwo można wyrazić jako całkowanie rozkładu połączeń w pokazanym poniżej obszarze. (używając nierówności)
Więc gdzie jest funkcją rozkładu .
Znajdź funkcję rozkładu , różnicując powyższe.
Całka powyżej może być oceniona przy użyciu następującej sekwencji transformacji:
Otrzymane całki można uprościć, uzyskując
Tutaj jest funkcją skumulowanego rozkładu standardowej normy. Identyczny wynik uzyskano dla przypadku .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:
Nieosiągnięcie teoretycznej odpowiedzi widoczne na wykresach wokół jest prawdopodobnie spowodowane ograniczonym zakresem. W przeciwnym razie teoretyczna odpowiedź wydaje się podążać za symulowaną gęstością.
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!)N ≤ 1 M Y < 1 X T<0set.seed(1);x=rbeta(10000000,1,1)/rnorm(10000000,7);hist(x,n=length(x)/50000)
runif
runif
? Wydaje się bardziej idiomatyczny i wydaje się też szybszy)
hist(x,n=length(x),xlim=c(-10,10))
) (około 96% rozkładu wydaje się mieścić w tych granicach)