WikiDer > Распределение соотношения

А соотношение распределения (также известный как частное распределение) это распределение вероятностей построенный как распределение соотношение из случайные переменные имея два других известных дистрибутива. независимый) случайные переменные Икс и Y, распределение случайной величины Z который образуется как отношение Z = Икс/Y это соотношение распределения.

Примером может служить Распределение Коши (также называемый распределение нормального отношения),^{[нужна цитата]} что происходит как отношение двух нормально распределенный переменные с нулевым средним. Два других распределения, часто используемых в тестовой статистике, также являются пропорциональными распределениями: т-распределение возникает из Гауссовский случайная величина, деленная на независимую чи-распределенный случайная величина, а F-распределение происходит от соотношения двух независимых распределенный хи-квадрат случайные величины. В литературе рассматривались более общие отношения распределения.^{[1][2][3][4][5][6][7][8][9]}

Часто распределения соотношений хвостатый, и может быть сложно работать с такими дистрибутивами и разработать соответствующий статистический тест.Метод, основанный на медиана был предложен в качестве "обходного пути".^[10]

Алгебра случайных величин

Отношение - это один из видов алгебры случайных величин: с распределением соотношений связаны распространение продукции, распределение суммы и распределение разницы. В более общем плане можно говорить о комбинациях сумм, разностей, произведений и соотношений. Многие из этих распределений описаны в Мелвин Д. Спрингеркнига 1979 г. Алгебра случайных величин.^[8]

Алгебраические правила, известные для обычных чисел, неприменимы к алгебре случайных величин, например, если продукт C = AB и соотношение D = C / A это не обязательно означает, что распределения D и B одинаковые. Действительно, наблюдается своеобразный эффект для Распределение Коши: Произведение и соотношение двух независимых распределений Коши (с одинаковым параметром масштаба и параметром местоположения, установленным на ноль) дадут одно и то же распределение.^[8]Это становится очевидным, если рассматривать распределение Коши как соотношение двух гауссовских распределений нулевых средних: рассмотрим две случайные величины Коши, ${displaystyle C_ {1}}$ и ${displaystyle C_ {2}}$ каждое построено из двух гауссовых распределений ${displaystyle C_ {1} = G_ {1} / G_ {2}}$ и ${displaystyle C_ {2} = G_ {3} / G_ {4}}$ тогда

${displaystyle {frac {C_ {1}} {C_ {2}}} = {frac {{G_ {1}} / {G_ {2}}} {{G_ {3}} / {G_ {4}}}} } = {frac {G_ {1} G_ {4}} {G_ {2} G_ {3}}} = {frac {G_ {1}} {G_ {2}}} время {frac {G_ {4}} {G_ {3}}} = C_ {1} imes C_ {3},}$

куда ${displaystyle C_ {3} = G_ {4} / G_ {3}}$. Первый член - это отношение двух распределений Коши, а последний член - произведение двух таких распределений.

Вывод

Способ получения соотношения распределения ${displaystyle Z = X / Y}$ из совместного распределения двух других случайных величин X, Y , с совместным pdf ${displaystyle p_ {X, Y} (x, y)}$, получается интегрированием следующего вида^[3]

${displaystyle p_ {Z} (z) = int _ {- infty} ^ {+ infty} | y |, p_ {X, Y} (zy, y), dy.}$

Если две переменные независимы, то ${displaystyle p_ {XY} (x, y) = p_ {X} (x) p_ {Y} (y)}$ и это становится

${displaystyle p_ {Z} (z) = int _ {- infty} ^ {+ infty} | y |, p_ {X} (zy) p_ {Y} (y), dy.}$

Это может быть непросто. В качестве примера возьмем классическую задачу о соотношении двух стандартных гауссовских отсчетов. Совместный PDF-файл

${displaystyle p_ {X, Y} (x, y) = {frac {1} {2pi}} exp (- {frac {x ^ {2}} {2}}) exp (- {frac {y ^ {2 }} {2}})}$

Определение ${displaystyle Z = X / Y}$ у нас есть

${displaystyle p_ {Z} (z) = {frac {1} {2pi}} int _ {- infty} ^ {infty}, | y |, exp (- {frac {(zy) ^ {2}} {2 }}), exp (- {frac {y ^ {2}} {2}}), dy}$

${displaystyle ;;;; = {frac {1} {2pi}} int _ {- infty} ^ {infty}, | y |, exp (- {frac {y ^ {2} (z ^ {2} +1 )} {2}}), dy}$

Используя известный определенный интеграл ${displaystyle int _ {0} ^ {infty}, x, exp (-cx ^ {2}) dx = {frac {1} {2c}}}$ мы получили

${displaystyle p_ {Z} (z) = {гидроразрыв {1} {pi (z ^ {2} +1)}}}$

которое является распределением Коши или распределением Стьюдента т распространение с п = 1

В Преобразование Меллина также был предложен для вывода распределений отношений.^[8]

В случае положительных независимых переменных действуйте следующим образом. На диаграмме показано разделимое двумерное распределение ${displaystyle f_ {x, y} (x, y) = f_ {x} (x) f_ {y} (y)}$ который имеет опору в положительном квадранте ${displaystyle x, y> 0}$ и мы хотим найти pdf отношения ${displaystyle R = X / Y}$. Заштрихованный объем над линией ${displaystyle y = x / R}$ представляет собой кумулятивное распределение функции ${displaystyle f_ {x, y} (x, y)}$ умноженный на логическую функцию ${displaystyle X / Yleq R}$. Плотность сначала интегрируется в горизонтальные полосы; горизонтальная полоса на высоте у простирается от Икс = От 0 до x = Ry и имеет возрастающую вероятность ${displaystyle f_ {y} (y) dyint _ {0} ^ {Ry} f_ {x} (x) dx}$.
Во-вторых, объединение горизонтальных полос вверх по всей у дает объем вероятности над линией

${displaystyle F_ {R} (R) = int _ {0} ^ {infty} f_ {y} (y) left (int _ {0} ^ {Ry} f_ {x} (x) dxight) dy}$

Наконец, дифференцируйте ${displaystyle F_ {R} (R) {ext {wrt. }}Р}$ получить pdf ${displaystyle f_ {R} (R)}$.

${displaystyle f_ {R} (R) = {frac {d} {dR}} left [int _ {0} ^ {infty} f_ {y} (y) left (int _ {0} ^ {Ry} f_ { x} (x) dxight) dyight]}$

Перенесем дифференцирование внутрь интеграла:

${displaystyle f_ {R} (R) = int _ {0} ^ {infty} f_ {y} (y) left ({frac {d} {dR}} int _ {0} ^ {Ry} f_ {x} (x) dxight) dy}$

и с тех пор

${displaystyle {frac {d} {dR}} int _ {0} ^ {Ry} f_ {x} (x) dx = yf_ {x} (Ry)}$

тогда

${displaystyle f_ {R} (R) = int _ {0} ^ {infty} f_ {y} (y); f_ {x} (Ry); y; dy}$

В качестве примера найдите pdf отношения р когда

${displaystyle f_ {x} (x) = alpha e ^ {- alpha x}, ;;;; f_ {y} (y) = eta e ^ {- eta y}, ;;; x, ygeq 0}$

Оценка кумулятивного распределения коэффициента

У нас есть

${displaystyle int _ {0} ^ {Ry} f_ {x} (x) dx = -e ^ {- alpha x} vert _ {0} ^ {Ry} = 1-e ^ {- alpha Ry}}$

таким образом

${displaystyle {egin {align} F_ {R} (R) & = int _ {0} ^ {infty} f_ {y} (y) left (1-e ^ {- alpha Ry} ight) dy = int _ { 0} ^ {infty} eta e ^ {- eta y} left (1-e ^ {- alpha Ry} ight) dy & = 1- {frac {alpha R} {eta + alpha R}} & = { frac {R} {{frac {eta} {alpha}} + R}} конец {выровнено}}}$

Дифференциация относительно р дает PDF-файл р

${displaystyle f_ {R} (R) = {frac {d} {dR}} left ({frac {R} {{frac {eta} {alpha}} + R}} ight) = {frac {frac {eta} {alpha}} {left ({frac {eta} {alpha}} + Right) ^ {2}}}}$

Моменты случайных соотношений

Из Преобразование Меллина теория, для распределений, существующих только на положительной полупрямой ${displaystyle xgeq 0}$, у нас есть айдентика продукта ${стиль отображения имя оператора {E} [(UV) ^ {p}] = имя оператора {E} [U ^ {p}] ;; имя оператора {E} [V ^ {p}]}$ при условии ${displaystyle U,; V}$ независимы. В случае соотношения выборок вида ${displaystyle operatorname {E} [(X / Y) ^ {p}]}$, чтобы использовать это тождество, необходимо использовать моменты обратного распределения. Набор ${displaystyle 1 / Y = Z}$ такой, что ${displaystyle имя оператора {E} [(XZ) ^ {p}] = имя оператора {E} [X ^ {p}]; имя оператора {E} [Y ^ {- p}]}$Таким образом, если моменты ${displaystyle X ^ {p} {ext {and}} Y ^ {- p}}$ можно определить отдельно, то моменты ${displaystyle X / Y}$ можно найти. Моменты ${displaystyle Y ^ {- p}}$ определяются из обратного pdf ${displaystyle Y}$ , часто послушное упражнение. В простейшем случае ${displaystyle operatorname {E} [Y ^ {- p}] = int _ {0} ^ {infty} y ^ {- p} f_ {y} (y), dy}$.

Для иллюстрации пусть ${displaystyle X}$ быть выбранным из стандартного гамма-распределения

${displaystyle x ^ {alpha -1} e ^ {- x} / Gamma (alpha) {ext {чей}} p ^ {th}}$ момент ${displaystyle Gamma (alpha + p) / Gamma (alpha)}$.

${displaystyle Z = Y ^ {- 1}}$выбирается из обратного гамма-распределения с параметром ${displaystyle eta}$ и имеет pdf ${displaystyle; Gamma ^ {- 1} (eta) z ^ {1+ eta} e ^ {- 1 / z}}$. Моменты этого pdf

${displaystyle operatorname {E} [Z ^ {p}] = operatorname {E} [Y ^ {- p}] = {frac {Gamma (eta -p)} {Gamma (eta)}} ,; p$

Умножение соответствующих моментов дает

${displaystyle имя оператора {E} [(X / Y) ^ {p}] = имя оператора {E} [X ^ {p}]; имя оператора {E} [Y ^ {- p}] = {frac {Gamma (alpha + p)} {Gamma (alpha)}} {frac {Gamma (eta -p)} {Gamma (eta)}} ,; p$

Независимо известно, что соотношение двух гамма-отсчетов ${displaystyle R = X / Y}$ следует распределению Beta Prime:

${displaystyle f_ {eta ^ {'}} (r, альфа, эта) = B (альфа, эта) ^ {- 1} r ^ {альфа -1} (1 + r) ^ {- (альфа + эта)} }$ чьи моменты ${displaystyle operatorname {E} [R ^ {p}] = {frac {mathrm {B} (alpha + p, eta -p)} {mathrm {B} (alpha, eta)}}}$

Подстановка ${displaystyle mathrm {B} (alpha, eta) = {frac {Gamma (alpha) Gamma (eta)} {Gamma (alpha + eta)}}}$ у нас есть${displaystyle operatorname {E} [R ^ {p}] = {frac {Gamma (alpha + p) Gamma (eta -p)} {Gamma (alpha + eta)}} {Bigg /} {frac {Gamma (alpha) Гамма (эта)} {Гамма (альфа + эта)}} = {frac {Гамма (альфа + р) Гамма (эта-р)} {Гамма (альфа) Гамма (эта)}}}$что согласуется с приведенным выше произведением моментов.

Средние и дисперсии случайных соотношений

в Распространение продукции раздел, и полученный из Преобразование Меллина Согласно теории (см. раздел выше), среднее значение произведения независимых переменных равно произведению их средних значений. В случае отношений имеем

${displaystyle operatorname {E} (X / Y) = operatorname {E} (X) operatorname {E} (1 / Y)}$

что в терминах вероятностных распределений эквивалентно

${displaystyle operatorname {E} (X / Y) = int _ {- infty} ^ {infty} xf_ {x} (x), dx imes int _ {- infty} ^ {infty} y ^ {- 1} f_ { y} (y), dy}$

Обратите внимание, что ${displaystyle operatorname {E} (1 / Y) eq {frac {1} {operatorname {E} (Y)}} {ext {т.е. }} int _ {- infty} ^ {infty} y ^ {- 1} f_ {y} (y), dyeq {frac {1} {int _ {- infty} ^ {infty} yf_ {y} (y) , dy}}}$

Дисперсия отношения независимых переменных равна

${displaystyle {egin {выровнено} имя оператора {Var} (X / Y) & = имя оператора {E} ([X / Y] ^ {2}) - имя оператора {E ^ {2}} (X / Y) & = имя оператора {E} (X ^ {2}) имя оператора {E} (1 / Y ^ {2}) - имя оператора {E} ^ {2} (X) имя оператора {E} ^ {2} (1 / Y) конец {выровнено}}}$

Распределения нормального отношения

Некоррелированное центральное нормальное соотношение

Когда Икс и Y независимы и имеют Гауссово распределение с нулевым средним, форма их распределения отношения Распределение КошиЭто можно получить, задав ${displaystyle Z = X / Y = гетта}$ затем показывая, что ${displaystyle heta}$ имеет круговую симметрию. Для двумерного некоррелированного гауссова распределения имеем

${displaystyle {egin {align} p (x, y) & = {frac {1} {sqrt {2pi}}} e ^ {- {frac {1} {2}} x ^ {2}} imes {frac { 1} {sqrt {2pi}}} e ^ {- {frac {1} {2}} y ^ {2}} & = {frac {1} {2pi}} e ^ {- {frac {1} { 2}} (x ^ {2} + y ^ {2})} & = {frac {1} {2pi}} e ^ {- {frac {1} {2}} r ^ {2}} {ext {with}} r ^ {2} = x ^ {2} + y ^ {2} конец {выровнено}}}$

Если ${displaystyle p (x, y)}$ является функцией только р тогда ${displaystyle heta}$ равномерно распределяется по ${displaystyle [0,2pi] {ext {с плотностью}} 1 / 2pi}$ так что проблема сводится к нахождению распределения вероятностей Z под отображением

${displaystyle Z = X / Y = гетта}$

По сохранению вероятности имеем

${displaystyle p_ {z} (z) | dz | = p_ {heta} (heta) | d heta |}$

и с тех пор ${displaystyle dz / d heta = 1 / cos ^ {2} heta}$

${displaystyle p_ {z} (z) = {frac {p_ {heta} (heta)} {| dz / d heta |}} = {frac {1} {2pi}} {cos ^ {2} heta}}$

и установка ${displaystyle cos ^ {2} heta = {frac {1} {1+ (an heta) ^ {2}}} = {frac {1} {1 + z ^ {2}}}}$ мы получили

${displaystyle p_ {z} (z) = {гидроразрыв {1 / 2pi} {1 + z ^ {2}}}}$

Здесь есть ложный множитель 2. Собственно, два значения ${displaystyle heta {ext {через интервал}} пи}$ сопоставить с тем же значением z, плотность удваивается, и конечный результат

${displaystyle p_ {z} (z) = {frac {1 / pi} {1 + z ^ {2}}}, ;; - infty$

Однако, когда два распределения имеют ненулевые средние, форма распределения отношения намного сложнее. Ниже он приводится в сжатой форме, представленной Дэвид Хинкли.^[6]

Некоррелированное нецентральное нормальное соотношение

При отсутствии корреляции (кор (Икс,Y) = 0), функция плотности вероятности двух нормальных переменных Икс = N(μ_Икс, σ_Икс²) и Y = N(μ_Y, σ_Y²) соотношение Z = Икс/Y дается в точности следующим выражением, полученным из нескольких источников:^[6]

${displaystyle p_ {Z} (z) = {frac {b (z) cdot d (z)} {a ^ {3} (z)}} {frac {1} {{sqrt {2pi}} sigma _ {x } sigma _ {y}}} left [Phi left ({frac {b (z)} {a (z)}} ight) -Phi left (- {frac {b (z)}} {a (z)}}] ight) ight] + {frac {1} {a ^ {2} (z) cdot pi sigma _ {x} sigma _ {y}}} e ^ {- {frac {c} {2}}}}$

куда

${displaystyle a (z) = {sqrt {{frac {1} {sigma _ {x} ^ {2}}} z ^ {2} + {frac {1} {sigma _ {y} ^ {2}}}) }}}$

${displaystyle b (z) = {frac {mu _ {x}} {sigma _ {x} ^ {2}}} z + {frac {mu _ {y}} {sigma _ {y} ^ {2}}} }$

${displaystyle c = {frac {mu _ {x} ^ {2}} {sigma _ {x} ^ {2}}} + {frac {mu _ {y} ^ {2}} {sigma _ {y} ^ {2}}}}$

${displaystyle d (z) = e ^ {гидроразрыв {b ^ {2} (z) -ca ^ {2} (z)} {2a ^ {2} (z)}}}$

и ${displaystyle Phi}$ это нормальная кумулятивная функция распределения:

${displaystyle Phi (t) = int _ {- infty} ^ {t}, {frac {1} {sqrt {2pi}}} e ^ {- {frac {1} {2}} u ^ {2}} du }$.

При определенных условиях возможно нормальное приближение с вариацией:^[11]

${displaystyle sigma _ {z} ^ {2} = {frac {mu _ {x} ^ {2}} {mu _ {y} ^ {2}}} влево ({frac {sigma _ {x} ^ {2 }} {mu _ {x} ^ {2}}} + {frac {sigma _ {y} ^ {2}} {mu _ {y} ^ {2}}} ight)}$

Коррелированное центральное нормальное соотношение

Вышеприведенное выражение становится более сложным, когда переменные Икс и Y коррелированы. Если ${displaystyle mu _ {x} = mu _ {y} = 0 {ext {but}} sigma _ {X} eq sigma _ {Y}}$ и ${displaystyle ho eq 0}$ получается более общее распределение Коши

${displaystyle p_ {Z} (z) = {frac {1} {pi}} {frac {eta} {(z-alpha) ^ {2} + eta ^ {2}}},}$

где ρ - коэффициент корреляции между Икс и Y и

${displaystyle alpha = ho {frac {sigma _ {x}} {sigma _ {y}}},}$

${displaystyle eta = {frac {sigma _ {x}} {sigma _ {y}}} {sqrt {1-ho ^ {2}}}.}$

Сложное распределение также было выражено с помощью Куммера конфлюэнтная гипергеометрическая функция или Функция Эрмита.^[9]

Коррелированное нецентральное нормальное соотношение

Приближение к коррелированному нецентральному нормальному отношению

Преобразование в лог-домен было предложено Кацем (1978) (см. Раздел биномиальных данных ниже). Пусть отношение будет

${displaystyle Tsim {frac {mu _ {x} + mathbb {N} (0, sigma _ {x} ^ {2})} {mu _ {y} + mathbb {N} (0, sigma _ {y} ^ {2})}} = {frac {mu _ {x} + X} {mu _ {y} + Y}} = {frac {mu _ {x}} {mu _ {y}}} {frac {1 + {frac {X} {mu _ {x}}}} {1+ {frac {Y} {mu _ {y}}}}}}$.

Возьмите журналы, чтобы получить

${displaystyle log _ {e} (T) = log _ {e} left ({frac {mu _ {x}} {mu _ {y}}} ight) + log _ {e} left (1+ {frac { X} {mu _ {x}}} ight) -log _ {e} left (1+ {frac {Y} {mu _ {y}}} ight)}$.

С ${displaystyle log _ {e} (1 + delta) = delta - {frac {delta ^ {2}} {2}} + {frac {delta ^ {3}} {3}} + точки}$тогда асимптотически

${displaystyle log _ {e} (T) приблизительно log _ {e} left ({frac {mu _ {x}} {mu _ {y}}} ight) + {frac {X} {mu _ {x}} } - {frac {Y} {mu _ {y}}} sim log _ {e} left ({frac {mu _ {x}} {mu _ {y}}} ight) + mathbb {N} left (0 , {frac {sigma _ {x} ^ {2}} {mu _ {x} ^ {2}}} + {frac {sigma _ {y} ^ {2}} {mu _ {y} ^ {2} }} ight)}$.

С другой стороны, Гири (1930) предположил, что

${displaystyle tapprox {frac {mu _ {y} T-mu _ {x}} {sqrt {sigma _ {y} ^ {2} T ^ {2} -2ho sigma _ {x} sigma _ {y} T + сигма _ {x} ^ {2}}}}}$

имеет примерно стандартное распределение Гаусса:^[1]Это преобразование было названо Преобразование Гири – Хинкли;^[7] приближение хорошее, если Y вряд ли примет отрицательные значения, в основном ${displaystyle mu _ {y}> 3sigma _ {y}}$.

Точное коррелированное нецентральное нормальное соотношение

Эта секция возможно содержит синтез материала что не достоверно упомянуть или же иметь отношение к основной теме. Соответствующее обсуждение можно найти на страница обсуждения. (Ноябрь 2019) (Узнайте, как и когда удалить этот шаблон сообщения)

Гири показал, как коррелированное соотношение ${displaystyle z}$ можно преобразовать в форму, близкую к гауссовой, и разработать приближение для ${displaystyle t}$ зависит от вероятности отрицательных значений знаменателя ${displaystyle x + mu _ {x} <0}$ будучи исчезающе маленьким. Более поздний анализ коррелированных соотношений Филлера является точным, но требуется осторожность при использовании с современными математическими пакетами, и аналогичные проблемы могут возникнуть в некоторых уравнениях Марсальи. Фам-Гия подробно рассмотрел эти методы. Коррелированные результаты Хинкли точны, но ниже показано, что условие коррелированного отношения может быть просто преобразовано в некоррелированное, поэтому требуются только упрощенные уравнения Хинкли, приведенные выше, а не полная версия коррелированного отношения.

Пусть соотношение будет:

${displaystyle z = {frac {x + mu _ {x}} {y + mu _ {y}}}}$

в котором ${displaystyle x, y}$ - коррелированные нормальные переменные с нулевым средним и дисперсиями ${displaystyle sigma _ {x} ^ {2}, sigma _ {y} ^ {2}}$ и ${displaystyle X, Y}$ иметь средства ${displaystyle mu _ {x}, mu _ {y}.}$Написать ${displaystyle x '= x-ho ysigma _ {x} / sigma _ {y}}$ такой, что ${displaystyle x ', y}$ стать некоррелированными и ${displaystyle x '}$ имеет стандартное отклонение

${displaystyle sigma _ {x} '= sigma _ {x} {sqrt {1-ho ^ {2}}}.}$

Соотношение:

${displaystyle z = {frac {x '+ ho ysigma _ {x} / sigma _ {y} + mu _ {x}} {y + mu _ {y}}}}$

инвариантен относительно этого преобразования и сохраняет тот же pdf. ${displaystyle y}$ член в числителе делается разделяемым путем расширения:

${displaystyle {x '+ ho ysigma _ {x} / sigma _ {y} + mu _ {x}} = x' + mu _ {x} -ho mu _ {y} {frac {sigma _ {x}} {sigma _ {y}}} + ho (y + mu _ {y}) {frac {sigma _ {x}} {sigma _ {y}}}}$

получить

${displaystyle z = {frac {x '+ mu _ {x}'} {y + mu _ {y}}} + ho {frac {sigma _ {x}} {sigma _ {y}}}}$

в котором ${extstyle mu '_ {x} = mu _ {x} -ho mu _ {y} {frac {sigma _ {x}} {sigma _ {y}}}}$ и z теперь стало отношением некоррелированных нецентральных нормальных выборок с инвариантом z-компенсировать.

Наконец, чтобы быть точным, pdf отношения ${displaystyle z}$ для коррелированных переменных находится путем ввода измененных параметров ${displaystyle sigma _ {x} ', mu _ {x}', sigma _ {y}, mu _ {y}}$ и ${displaystyle ho '= 0}$ в уравнение Хинкли выше, которое возвращает PDF для коррелированного отношения с постоянным смещением ${displaystyle -ho {frac {sigma _ {x}} {sigma _ {y}}}}$ на ${displaystyle z}$.

Контуры коррелированного двумерного распределения Гаусса (не в масштабе), дающего соотношение х / у

pdf отношения Гаусса z и моделирование (точки) для
${displaystyle sigma _ {x} = sigma _ {y} = 1, mu _ {x} = 0, mu _ {y} = 0,5, ho = 0,975}$

На рисунках выше показан пример положительно коррелированного отношения с ${displaystyle sigma _ {x} = sigma _ {y} = 1, mu _ {x} = 0, mu _ {y} = 0,5, ho = 0,975}$ в котором заштрихованные клинья представляют собой приращение площади, выбранной заданным соотношением ${displaystyle x / yin [r, r + delta]}$ который накапливает вероятность там, где они перекрывают распределение. Теоретическое распределение, полученное из обсуждаемых уравнений в сочетании с уравнениями Хинкли, хорошо согласуется с результатом моделирования с использованием 5000 выборок. На верхнем рисунке легко понять, что для отношения ${displaystyle z = x / y = 1}$ клин почти полностью обходит массу распределения, что совпадает с областью, близкой к нулю, в теоретической PDF. Наоборот, как ${displaystyle x / y}$ уменьшается к нулю, линия собирает более высокую вероятность.

Это преобразование будет признано таким же, как преобразование, использованное Гири (1932) как частичный результат в его уравнение viii но чье происхождение и ограничения вряд ли были объяснены. Таким образом, первая часть преобразования Гири к приближенной гауссовости в предыдущем разделе на самом деле точна и не зависит от положительности Y. Результат смещения также согласуется с коррелированным распределением гауссова отношения «Коши» с нулевым средним в первом разделе. Марсалья применил тот же результат, но использовал нелинейный метод для его достижения.

Комплексное нормальное соотношение

Отношение коррелированных циркулярно-симметричных сложный нормально распределенный переменные были определены Baxley et. al.^[12] Совместное распространение х, у является

${displaystyle f_ {x, y} (x, y) = {frac {1} {pi ^ {2} | Sigma |}} exp {Biggr (} - {egin {bmatrix} x yend {bmatrix}} ^ { H} Сигма ^ {- 1} {egin {bmatrix} x yend {bmatrix}} {Biggr)}}$

куда

${displaystyle Sigma = {egin {bmatrix} sigma _ {x} ^ {2} & ho sigma _ {x} sigma _ {y} ho ^ {*} sigma _ {x} sigma _ {y} & sigma _ {y} ^ {2} конец {bmatrix}}, ;; x = x_ {r} + ix_ {i}, ;; y = y_ {r} + iy_ {i}}$

${displaystyle (.) ^ {H}}$ является эрмитовым транспонированием и

${displaystyle ho = ho _ {r} + iho _ {i} = operatorname {E} {igg (} {frac {xy ^ {*}} {sigma _ {x} sigma _ {y}}} {igg)} ;; in; left | mathbb {C} ight | leq 1}$

PDF-файл ${displaystyle Z = X / Y}$ оказывается

${displaystyle {egin {align} f_ {z} (z_ {r}, z_ {i}) & = {frac {1- | ho | ^ {2}} {pi sigma _ {x} ^ {2} sigma _ {y} ^ {2}}} {Biggr (} {frac {| z | ^ {2}} {sigma _ {x} ^ {2}}} + {frac {1} {sigma _ {y} ^ { 2}}} - 2 {frac {ho _ {r} z_ {r} -ho _ {i} z_ {i}} {sigma _ {x} sigma _ {y}}} {Biggr)} ^ {- 2 } & = {frac {1- | ho | ^ {2}} {pi sigma _ {x} ^ {2} sigma _ {y} ^ {2}}} {Biggr (} ;; {Biggr |} { гидроразрыв {z} {sigma _ {x}}} - {frac {ho ^ {*}} {sigma _ {y}}} {Biggr |} ^ {2} + {frac {1- | ho | ^ {2 }} {сигма _ {y} ^ {2}}} {Biggr)} ^ {- 2} конец {выровнено}}}$

В обычном случае, если ${displaystyle sigma _ {x} = sigma _ {y}}$ мы получили

${displaystyle f_ {z} (z_ {r}, z_ {i}) = {frac {1- | ho | ^ {2}} {pi left (;; | z-ho ^ {*} | ^ {2}) + 1- | ho | ^ {2} ight) ^ {2}}}}$

Также приведены другие результаты в закрытой форме для CDF.

Распределение соотношения коррелированных комплексных переменных, rho = 0,7 exp (i pi / 4).

График показывает pdf отношения двух комплексных нормальных переменных с коэффициентом корреляции ${displaystyle ho = 0,7exp (ipi / 4)}$. Пик pdf возникает примерно при комплексном сопряжении уменьшенного ${displaystyle ho}$.

Равномерное распределение соотношения

С двумя независимыми случайными величинами, следующими за равномерное распределение, например,

${displaystyle p_ {X} (x) = {egin {cases} 1qquad 0$

соотношение распределения становится

${displaystyle p_ {Z} (z) = {egin {case} 1 / 2qquad & 0$

Распределение отношения Коши

Если две независимые случайные величины, Икс и Y каждый следует за Распределение Коши с нулевой медианой и коэффициентом формы ${displaystyle a}$

${displaystyle p_ {X} (x | a) = {гидроразрыв {a} {pi (a ^ {2} + x ^ {2})}}}$

тогда распределение отношений для случайной величины ${displaystyle Z = X / Y}$ является^[13]

${displaystyle p_ {Z} (z | a) = {frac {1} {pi ^ {2} (z ^ {2} -1)}} ln (z ^ {2}).}$

Это распределение не зависит от ${displaystyle a}$ и результат, заявленный Springer^[8] (стр. 158, вопрос 4.6) неверно. Распределение соотношения похоже, но не то же самое, что и распространение продукции случайной величины ${displaystyle W = XY}$:

${displaystyle p_ {W} (w | a) = {frac {a ^ {2}} {pi ^ {2} (w ^ {2} -a ^ {4})}} ln left ({frac {w ^ {2}} {a ^ {4}}} ight).}$^[8]

В более общем смысле, если две независимые случайные величины Икс и Y каждый следует за Распределение Коши с нулевой медианой и коэффициентом формы ${displaystyle a}$ и ${displaystyle b}$ соответственно, тогда:

1. Распределение отношения для случайной величины ${displaystyle Z = X / Y}$ является^[13]

${displaystyle p_ {Z} (z | a, b) = {frac {ab} {pi ^ {2} (b ^ {2} z ^ {2} -a ^ {2})}} ln left ({frac {b ^ {2} z ^ {2}} {a ^ {2}}} ight).}$

2. Программа распространение продукции для случайной величины ${displaystyle W = XY}$ является^[13]

${displaystyle p_ {W} (w | a, b) = {frac {ab} {pi ^ {2} (w ^ {2} -a ^ {2} b ^ {2})}} ln left ({frac {w ^ {2}} {a ^ {2} b ^ {2}}} ight).}$

Результат для распределения соотношений можно получить из распределения продуктов, заменив ${displaystyle b}$ с ${displaystyle {frac {1} {b}}.}$

Соотношение стандартной нормальной формы к стандартной униформе

Если Икс имеет стандартное нормальное распределение и Y имеет стандартное равномерное распределение, то Z = Икс / Y имеет распространение, известное как распределение слэша, с функцией плотности вероятности

${displaystyle p_ {Z} (z) = {egin {case} left [varphi (0) -varphi (z) ight] / z ^ {2} quad & zeq 0 varphi (0) / 2quad & z = 0, end {случаи}}}$

где φ (z) - функция плотности вероятности стандартного нормального распределения.^[14]

Хи-квадрат, гамма, бета-распределения

Позволять Икс - нормальное (0,1) распределение, Y и Z быть распределения хи-квадрат с м и п степени свободы соответственно все независимые, с ${displaystyle f_ {chi} (x, k) = {frac {x ^ {{frac {k} {2}} - 1} e ^ {- x / 2}} {2 ^ {k / 2} Gamma (k / 2)}}}$. потом

${displaystyle {frac {X} {sqrt {Y / m}}} ​​sim t_ {m}}$ то Распределение Стьюдента

${displaystyle {frac {Y / m} {Z / n}} = F_ {m, n}}$ то есть Фишера F-тест распределение

${displaystyle {frac {Y} {Y + Z}} sim eta ({frac {m} {2}}, {frac {n} {2}})}$ то бета-распространение

${displaystyle ;; {frac {Y} {Z}} sim eta '({frac {m} {2}}, {frac {n} {2}})}$ то бета-простое распределение

Если ${displaystyle V_ {1} sim {chi '} _ {k_ {1}} ^ {2} (лямбда)}$, а нецентральное распределение хи-квадрат, и ${displaystyle V_ {2} sim {chi '} _ {k_ {2}} ^ {2} (0)}$ и ${displaystyle V_ {1}}$ не зависит от ${displaystyle V_ {2}}$ тогда

${displaystyle {frac {V_ {1} / k_ {1}} {V_ {2} / k_ {2}}} sim F '_ {k_ {1}, k_ {2}} (лямбда)}$, а нецентральное F-распределение.

${displaystyle {frac {m} {n}} F '_ {m, n} = eta' ({frac {m} {2}}, {frac {n} {2}}) {ext {или}} F '_ {m, n} = eta' ({frac {m} {2}}, {frac {n} {2}}, 1, {frac {n} {m}})}$ определяет ${displaystyle F '_ {m, n}}$, F-распределение плотности Фишера, PDF отношения двух хи-квадратов с м, н степени свободы.

CDF плотности Фишера, найденный в F-таблицы определены в бета-простое распределение статья. Если мы введем F-тестовая таблица с м = 3, п = 4 и 5% вероятности в правом хвосте, критическое значение оказывается 6.59. Это совпадает с интегралом

${displaystyle F_ {3,4} (6.59) = int _ {6.59} ^ {infty} eta '(x; {frac {m} {2}}, {frac {n} {2}}, 1, {frac {n} {m}}) dx = 0,05}$

Если ${displaystyle Usim Gamma (alpha _ {1}, 1), Vsim Gamma (alpha _ {2}, 1)}$, куда ${displaystyle Gamma (x; alpha, 1) = {frac {x ^ {alpha -1} e ^ {- x}} {Gamma (alpha)}}}$, тогда

${displaystyle {frac {U} {U + V}} sim eta (alpha _ {1}, alpha _ {2}), qquad {ext {expectation}} = {frac {alpha _ {1}} {alpha _ { 1} + альфа _ {2}}}}$

${displaystyle {frac {U} {V}} sim eta '(alpha _ {1}, alpha _ {2}), qquad qquad {ext {expectation}} = {frac {alpha _ {1}} {alpha _ { 2} -1}} ,; альфа _ {2}> 1}$

${displaystyle {frac {V} {U}} sim eta '(alpha _ {2}, alpha _ {1}), qquad qquad {ext {expectation}} = {frac {alpha _ {2}} {alpha _ { 1} -1}} ,; альфа _ {1}> 1}$

Если ${displaystyle Usim Gamma (x; alpha, 1)}$ тогда ${displaystyle heta Usim Gamma (x; alpha, heta) = {frac {x ^ {alpha -1} e ^ {- {frac {x} {heta}}}}} {heta ^ {k} Gamma (alpha)}} }$

Если ${displaystyle Usim Gamma (alpha _ {1}, heta _ {1}) ,; Vsim Gamma (alpha _ {2}, heta _ {2})}$, затем, изменив масштаб ${displaystyle heta}$ параметр к единице мы имеем

${displaystyle {frac {frac {U} {heta _ {1}}} {{frac {U} {heta _ {1}}} + {frac {V} {heta _ {2}}}}} = {frac {heta _ {2} U} {heta _ {2} U + heta _ {1} V}} sim eta (alpha _ {1}, alpha _ {2})}$

${displaystyle {frac {frac {U} {heta _ {1}}} {frac {V} {heta _ {2}}}} = {frac {heta _ {2}} {heta _ {1}}} { frac {U} {V}} sim eta '(alpha _ {1}, alpha _ {2})}$

таким образом ${displaystyle {frac {U} {V}} sim eta '(alpha _ {1}, alpha _ {2}, 1, {frac {heta _ {1}} {heta _ {2}}}) quad {ext {and}} имя оператора {E} left [{frac {U} {V}} ight] = {frac {heta _ {1}} {heta _ {2}}} {frac {alpha _ {1}} {alpha _ {2} -1}}}$

т.е. если ${displaystyle Xsim eta '(альфа _ {1}, альфа _ {2}, 1,1)}$ тогда ${displaystyle heta Xsim eta '(alpha _ {1}, alpha _ {2}, 1, heta)}$

Более конкретно, поскольку

${displaystyle eta '(x; alpha _ {1}, alpha _ {2}, 1, R) = {frac {1} {R}} eta' ({frac {x} {R}}; alpha _ {1 }, альфа _ {2})}$

если ${displaystyle Usim Gamma (alpha _ {1}, heta _ {1}), Vsim Gamma (alpha _ {2}, heta _ {2})}$ тогда

${displaystyle {frac {U} {V}} sim {frac {1} {R}} eta '({frac {x} {R}}; alpha _ {1}, alpha _ {2}) = {frac { left ({frac {x} {R}} ight) ^ {alpha _ {1} -1}} {left (1+ {frac {x} {R}} ight) ^ {alpha _ {1} + alpha _ {2}}}} cdot {frac {1} {; R; B (alpha _ {1}, alpha _ {2})}}, ;; xgeq 0}$

куда

${displaystyle R = {frac {heta _ {1}} {heta _ {2}}}, ;;; B (alpha _ {1}, alpha _ {2}) = {frac {Gamma (alpha _ {1}) ) Гамма (альфа _ {2})} {Гамма (альфа _ {1} + альфа _ {2})}}}$

Распределения Рэлея

Если X, Y независимые образцы из Распределение Рэлея ${displaystyle f_ {r} (r) = re ^ {- r ^ {2} / 2sigma ^ {2}}, ;; rgeq 0}$, Соотношение Z = X / Y следует за распределением^[15]

${displaystyle f_ {z} (z) = {гидроразрыв {2z} {(1 + z ^ {2}) ^ {2}}}, ;; zgeq 0}$

и имеет cdf

${displaystyle F_ {z} (z) = 1- {frac {1} {1 + z ^ {2}}} = {frac {z ^ {2}} {1 + z ^ {2}}}, ;; ; zgeq 0}$

В распределении Рэлея единственным параметром является масштабирование. Распределение ${displaystyle Z = alpha X / Y}$ следует

${displaystyle f_ {z} (z, alpha) = {frac {2alpha z} {(alpha + z ^ {2}) ^ {2}}}, ;; z> 0}$

и имеет cdf

${displaystyle F_ {z} (z, alpha) = {frac {z ^ {2}} {alpha + z ^ {2}}}, ;;; zgeq 0}$

Дробное гамма-распределение (включая хи, хи-квадрат, экспоненциальное, Рэлея и Вейбулла)

В обобщенное гамма-распределение является

${displaystyle f (x; a, d, r) = {frac {r} {Gamma (d / r) a ^ {d}}} x ^ {d-1} e ^ {- (x / a) ^ { r}}; xgeq 0 ;;; a,; d,; r> 0}$

который включает в себя регулярную гамму, хи, хи-квадрат, экспоненциальное распределение, распределения Рэлея, Накагами и Вейбулла, включающие дробные степени.

Если ${displaystyle Usim f (x; a_ {1}, d_ {1}, r), ;; Vsim f (x; a_ {2}, d_ {2}, r) {ext {независимы, и}} W = U / V}$

тогда^[16] ${extstyle g (w) = {frac {rleft ({frac {a_ {1}} {a_ {2}}} ight) ^ {d_ {2}}} {Bleft ({frac {d_ {1}} {r }}, {frac {d_ {2}} {r}} ight)}} {frac {w ^ {- d_ {2} -1}} {left (1 + left ({frac {a_ {2}}) a_ {1}}} ight) ^ {- r} w ^ {- r} ight) ^ {frac {d_ {1} + d_ {2}} {r}}}}, ;; w> 0}$

куда ${displaystyle B (u, v) = {гидроразрыв {Gamma (u) Gamma (v)} {Gamma (u + v)}}}$

Моделирование смеси различных масштабных коэффициентов

В соотношениях выше, гамма выборки, U, V могут иметь разные размеры выборки ${displaystyle alpha _ {1}, alpha _ {2}}$ но должны быть взяты из того же дистрибутива ${displaystyle {frac {x ^ {alpha -1} e ^ {- {frac {x} {heta}}}} {heta ^ {k} Гамма (альфа)}}}$ с равным масштабированием ${displaystyle heta}$.

В ситуациях, когда U и V по-разному масштабируются, преобразование переменных позволяет определить модифицированный pdf случайного отношения. Позволять ${displaystyle X = {гидроразрыв {U} {U + V}} = {гидроразрыв {1} {1 + B}}}$ куда ${displaystyle Usim Gamma (alpha _ {1}, heta), Vsim Gamma (alpha _ {2}, heta), heta}$ произвольно и сверху ${displaystyle Xsim Beta (alpha _ {1}, alpha _ {2}), B = V / Usim Beta '(alpha _ {2}, alpha _ {1})}$.

Масштабировать V произвольно, определяя ${displaystyle Ysim {frac {U} {U + varphi V}} = {frac {1} {1 + varphi B}}, ;; 0leq varphi leq infty}$

У нас есть ${displaystyle B = {frac {1-X} {X}}}$ и замена на Y дает ${displaystyle Y = {frac {X} {varphi + (1-varphi) X}}, dY / dX = {frac {varphi} {(varphi + (1-varphi) X) ^ {2}}}}$

Преобразование Икс к Y дает ${displaystyle f_ {Y} (Y) = {frac {f_ {X} (X)} {| dY / dX |}} = {frac {eta (X, alpha _ {1}, alpha _ {2})} {varphi / [varphi + (1-varphi) X] ^ {2}}}}$