균일 분포와 정규 분포의 비율은 얼마입니까?


11

하자 균일 한 분포를 따라 정규 분포를 따른다. 에 대해 무엇을 말할 수 있습니까? 배포판이 있습니까?XYXY

평균 0의 두 법선의 비율이 Cauchy라는 것을 알았습니다.


3
가치있는 것은 의 분포를 슬래시 분포 라고합니다 . 상호가 이름이나 닫힌 양식을 가지고 있는지 모르겠습니다. Y/X
David J. Harris

2
그리고 둘 다 속하는 큰 클래스는 비율 분포 인 것 같습니다 !
Nick Stauner

7
@ DavidJ.Harris 아주 그렇습니다; +1. 견고성 연구에서 슬래시가 몇 번 사용되는 것을 보았습니다. 어쩌면 - 역 슬래시로 -은 "호출 할 필요가 백 슬래시 유통 ". X/Y
Glen_b-복지 주 모니카

1
@rrpp 표준 또는 일반적인 있습니까? 후자라면, 우리는 , 등 인지 알아야합니다 .Uniform(0,1)Uniform(a,b)a>0a<0
wolfies

1
답변 해 주셔서 감사합니다. @wolfies 는 이고 는 양의 평균을 XUniform(0,1)Y
나타냅니다

답변:


13

임의 변수 을 pdf 하자 :f ( x )XUniform(a,b)f(x)

여기에 이미지 설명을 입력하십시오

여기서 나는 라고 가정했다 (이것은 표준 경우를 중첩 ). [매개 변수 이면 다른 결과를 얻을 수 있지만 절차는 동일합니다. ]균일 ( 0 , 1 ) a < 00<a<bUniform(0,1)a<0

또한 , pdf 이라고하자 :W = 1 / Y g ( w )YN(μ,σ2)W=1/Yg(w)

여기에 이미지 설명을 입력하십시오

그런 다음 곱 의 pdf를 찾고 라고 말하면 다음과 같습니다.h ( v )V=XWh(v)

여기에 이미지 설명을 입력하십시오

여기서 mathStaticaTransformProduct기능을 사용 하여 핵심 기능을 자동화 Erf하고 오류 기능을 나타냅니다. http://reference.wolfram.com/language/ref/Erf.html

다 했어요

줄거리

다음은 PDF의 두 가지 플롯입니다.

  • 줄거리 1 : , , ... 그리고 ...σ = 1 b = 3 a = 0 , 1 , 2μ=0σ=1b=3a=0,1,2

여기에 이미지 설명을 입력하십시오

  • 플롯 2 : , , ,μ=0,12,1σ=1a=0b=1

여기에 이미지 설명을 입력하십시오

몬테카를로 체크

다음은 Plot 2 사례에 대한 빠른 Monte Carlo 검사입니다. , , ,
μ=12σ=1a=0b=1

여기에 이미지 설명을 입력하십시오

파란색 선은 실험적인 Monte Carlo pdf이고 빨간색 파선은 위의 이론적 인 pdf 입니다. 잘 보인다 :)h(v)


3

및 에서 첫 번째 원리에서 분포를 찾을 수 있습니다. 의 누적 확률 함수를 고려하십시오 .Z=XYXU[0,1]YN(μ,σ2)Z

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

두 경우 및 고려하십시오 . 경우 , 다음 . 마찬가지로 이면 합니다.Y>0Y<0Y>0XYzXzYY<0XYzXzY

이제 우리는 알고 있습니다. 위의 확률을 찾으려면 및 고려하십시오 .<Z<z>0z<0

경우 , 그 확률의 결합 분포의 적분으로서 표현 될 수있다 아래에 도시 된 영역 위에. (불평등 사용)z>0(X,Y)

통합 지역

따라서 여기서 는 의 분포 함수입니다 .

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

위의 미분을 통해 의 분포 함수를 찾으십시오 . Z

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

위의 적분은 다음과 같은 변환 시퀀스를 사용하여 평가할 수 있습니다.

  1. 보자u=xz
  2. 하자v=uμ
  3. 두 적분 한 결과에 일체 별개 만 지수, 그리고 하나 지수 승산.vv

결과 적분을 단순화하여

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

여기서 는 표준 법선의 누적 분포 함수입니다. 경우 대해 동일한 결과가 나타납니다 .z < 0Φ(x)z<0

이 답변은 시뮬레이션으로 확인할 수 있습니다. R의 다음 스크립트가이 작업을 수행합니다.

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")

확인을위한 몇 가지 그래프는 다음과 같습니다.

  1. YN(0,1) 확인 1
  2. YN(1,1) 확인 2
  3. 를 들어yN(1,2) 확인 3

주위의 그래프에서 볼 수있는 이론적 대답의 언더 슈팅 은 아마도 제한된 범위 때문일 것입니다. 그렇지 않으면 이론적 대답은 시뮬레이션 된 밀도를 따르는 것 같습니다.z=0


1
+1 아주 좋아요! 기본 원칙에서 파생 된 내용은 항상 만족스럽고 그래픽을 통해 독자가 현재하고있는 일을 즉시 파악할 수 있습니다.
whuber

2

슬래시 분포의 역수 (또는 Glen_b의 "백 슬래시 분배!"@) 비율 분포의 종류 외에도, 나도 그것을 호출할지 모르겠지만, R. 한 버전을 시뮬레이션 할 수 있습니다
당신이 긍정적를 지정하기 때문에 평균 , 나는 하여 대부분의 샘플에서 을 사용 합니다. 물론 다른 가능성도 존재합니다. 예를 들어, 은 범위를 1 이상으로 확장하고 은 음의 값으로 확장합니다. (느린 컴퓨터의 크기를 줄이십시오! 또는 방법을 알고 있다면 사용 하십시오!)Y = N ( 7 , 1 ) 최소 ( Y ) > 1 N 1 M Y < 1 XYY=N(7,1)min(Y)>1N1MY<1 Y<0XYY<0set.seed(1);x=rbeta(10000000,1,1)/rnorm(10000000,7);hist(x,n=length(x)/50000)
runif

여기에 이미지 설명을 입력하십시오


2
극단적 인 꼬리는 밀도를 높이고 있습니다. 분포는 오히려 코시와 같습니다. (호기심에서, 왜 사용하지 runif않습니까? 더 관용적이고 더 빠를 것 같습니다)
Glen_b-복지국 Monica

나는 여전히 R에 대해 많이 알지 못하기 때문에 분명히! :) 팁 고마워!
Nick Stauner

1
걱정 마. 속도의 차이는 크지 않지만 10 ^ 7 요소로 충분히 알아볼 수 있습니다. ( hist(x,n=length(x),xlim=c(-10,10)))를 살펴볼 가치가있는 막대 그래프를 찾을 수 있습니다 ( 분포의 약 96 %가 해당 한계 내에있는 것 같습니다)
Glen_b -Reinstate Monica

1
와! 충분합니다. 이 밀도 플롯을 매우 오도하게 만듭니다. 히스토그램으로 편집하겠습니다.
Nick Stauner

1
오 알았어 걱정 마. 이 경우 nclass를 더 작게 만들고 싶을 수도 있습니다. 이상적으로 막대는 매우 좁지 만 검은 선이 아니라고 생각합니다.
Glen_b-복지국 Monica
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.