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 )X∼Uniform(a,b) 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 < 00<a<b Uniform(0,1) a<0
Następnie pozwól i niech z pdf :W = 1 / Y g ( w )Y∼N(μ,σ2) W=1/Y g(w)
Następnie szukamy pdf produktu , powiedzmy , który podaje:h ( v )V=X∗W h(v)
gdzie m użyciu mathStatica jest
TransformProduct
funkcja zautomatyzować Nitty-gritties i gdzieErf
oznacza funkcję błędu: http://reference.wolfram.com/language/ref/Erf.htmlWszystko gotowe.
Działki
Oto dwie wykresy pdf:
Czek Monte Carlo
Oto szybkie sprawdzenie Monte Carlo w przypadku 2, aby upewnić się, że nie wystąpiły błędy: , , ,
μ=12 σ=1 a=0 b=1
Niebieska linia to empiryczny pdf Monte Carlo, a czerwona linia przerywana to teoretyczny pdf powyżej. Wygląda w porządku :)h(v)
źródło
Można znaleźć rozkład podstawie pierwszych zasad, gdzie i . Rozważ funkcję skumulowanego prawdopodobieństwa :Z=XY X∼U[0,1] Y∼N(μ,σ2) Z
Rozważ dwa przypadki i . Jeśli , to . Podobnie, jeśli to .Y>0 Y<0 Y>0 XY≤z⟹X≤zY Y<0 XY≤z⟹X≥zY
Teraz wiemy . Aby znaleźć powyższe prawdopodobieństwo, rozważ przypadki i .−∞<Z<∞ z>0 z<0
Jeśli , prawdopodobieństwo można wyrazić jako całkowanie rozkładu połączeń w pokazanym poniżej obszarze. (używając nierówności)z>0 (X,Y)
Więc gdzie jest funkcją rozkładu .
Znajdź funkcję rozkładu , różnicując powyższe.Z
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 < 0Φ(x) z<0
Ta odpowiedź może być zweryfikowana przez symulację. Poniższy skrypt w języku R wykonuje to zadanie.
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.z=0
źródło
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.Y Y=N(7,1) N ≤ 1 M Y < 1 Xmin(Y)>1 N≤1M Y<1 T<0XY Y<0
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!)
set.seed(1);x=rbeta(10000000,1,1)/rnorm(10000000,7);hist(x,n=length(x)/50000)
runif
źródło
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)