하자 균일 한 분포를 따라 정규 분포를 따른다. 에 대해 무엇을 말할 수 있습니까? 배포판이 있습니까?
평균 0의 두 법선의 비율이 Cauchy라는 것을 알았습니다.
하자 균일 한 분포를 따라 정규 분포를 따른다. 에 대해 무엇을 말할 수 있습니까? 배포판이 있습니까?
평균 0의 두 법선의 비율이 Cauchy라는 것을 알았습니다.
답변:
임의 변수 을 pdf 하자 :f ( x )
여기서 나는 라고 가정했다 (이것은 표준 경우를 중첩 ). [매개 변수 이면 다른 결과를 얻을 수 있지만 절차는 동일합니다. ]균일 ( 0 , 1 ) a < 0
또한 , pdf 이라고하자 :W = 1 / Y g ( w )
그런 다음 곱 의 pdf를 찾고 라고 말하면 다음과 같습니다.h ( v )
여기서 mathStatica 의 TransformProduct
기능을 사용 하여 핵심 기능을 자동화 Erf
하고 오류 기능을 나타냅니다. http://reference.wolfram.com/language/ref/Erf.html
다 했어요
줄거리
다음은 PDF의 두 가지 플롯입니다.
몬테카를로 체크
다음은 Plot 2 사례에 대한 빠른 Monte Carlo 검사입니다. , , ,
파란색 선은 실험적인 Monte Carlo pdf이고 빨간색 파선은 위의 이론적 인 pdf 입니다. 잘 보인다 :)
및 에서 첫 번째 원리에서 분포를 찾을 수 있습니다. 의 누적 확률 함수를 고려하십시오 .
두 경우 및 고려하십시오 . 경우 , 다음 . 마찬가지로 이면 합니다.
이제 우리는 알고 있습니다. 위의 확률을 찾으려면 및 고려하십시오 .
경우 , 그 확률의 결합 분포의 적분으로서 표현 될 수있다 아래에 도시 된 영역 위에. (불평등 사용)
따라서 여기서 는 의 분포 함수입니다 .
위의 미분을 통해 의 분포 함수를 찾으십시오 .
위의 적분은 다음과 같은 변환 시퀀스를 사용하여 평가할 수 있습니다.
결과 적분을 단순화하여
여기서 는 표준 법선의 누적 분포 함수입니다. 경우 대해 동일한 결과가 나타납니다 .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.
주위의 그래프에서 볼 수있는 이론적 대답의 언더 슈팅 은 아마도 제한된 범위 때문일 것입니다. 그렇지 않으면 이론적 대답은 시뮬레이션 된 밀도를 따르는 것 같습니다.
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 X Y<0set.seed(1);x=rbeta(10000000,1,1)/rnorm(10000000,7);hist(x,n=length(x)/50000)
runif
runif
않습니까? 더 관용적이고 더 빠를 것 같습니다)
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)