Распределение разницы между двумя нормальными распределениями


21

У меня есть две функции плотности вероятности нормальных распределений:

f1(x1|μ1,σ1)=1σ12πe(xμ1)22σ12

и

f2(x2|μ2,σ2)=1σ22πe(xμ2)22σ22

Я ищу функцию плотности вероятности разделения между и . Я думаю, это означает, что я ищу функцию плотности вероятности, Это верно? Как мне это найти?x1x2|x1x2|


Если это домашнее задание, пожалуйста, используйте self-studyтег. Мы принимаем домашние вопросы, но здесь мы решаем их немного иначе.
Shadowtalker

Кроме того, я не хочу быть "тем парнем", но ты пробовал Google? «Разница между нормальным распределением» сразу же нашла мне ответ.
Shadowtalker

@ssdecontrol нет, не домашнее задание, но это для хобби-проекта, так что я не возражаю против того, чтобы самому что-то выяснять, если я на правильном пути. Я попробовал Google, но мое понимание этого вопроса настолько ограничено, что я, вероятно, не узнал бы его, если бы он был прямо передо мной. с кавычками я нашел много вещей, похожих на «в чем разница между нормальным распределением и х» для некоторого х.
Мартейн

Ответы:


26

На этот вопрос можно ответить, как указано, только если предположить, что две случайные величины и X 2, определяемые этими распределениями, независимы. X1X2 Это делает их разность Normal со средним μ = μ 2 - μ 1 и дисперсией σ 2 = σ 2 1 + σ 2 2 . (Следующее решение может быть легко обобщено на любое двумерное нормальное распределение ( X 1 , X 2X=X2X1μ=μ2μ1σ2=σ12+σ22 .) Таким образом, переменная(X1,X2)

Z=Xμσ=X2X1(μ2μ1)σ12+σ22

имеет стандартное нормальное распределение (то есть с нулевым средним и единицей дисперсии) и

X=σ(Z+μσ).

Выражение

|X2X1|=|X|=X2=σ(Z+μσ)2

демонстрирует абсолютную разницу как масштабированный вариант квадратного корня нецентрального распределения хи-квадрат с одной степенью свободы и параметром нецентральности . Нецентральное распределение хи-квадрат с этими параметрами имеет элемент вероятностиλ=(μ/σ)2

f(y)dy=y2πe12(λy)cosh(λy)dyy, y>0.

Запись для x > 0 устанавливает взаимно-однозначное соответствие между y и его квадратным корнем, что приводит кy=x2x>0y

f(y)dy=f(x2)d(x2)=x22πe12(λx2)cosh(λx2)dx2x2.

Упрощение этого и затем изменение масштаба на дает желаемую плотность,σ

f|X|(x)=1σ2πcosh(xμσ2)exp(x2+μ22σ2).

Этот результат подтверждается моделированием, таким как гистограмма 100 000 независимых розыгрышей (в коде он называется «x») с параметрами μ 1 = - 1 , μ 2 = 5 , σ 1 = 4 , σ 2 = 1 . На нем построен график f | X | , что точно совпадает со значениями гистограммы.|X|=|X2X1|μ1=1,μ2=5,σ1=4,σ2=1f|X|

фигура

RКод этого моделирования следующим образом .

#
# Specify parameters
#
mu <- c(-1, 5)
sigma <- c(4, 1)
#
# Simulate data
#
n.sim <- 1e5
set.seed(17)
x.sim <- matrix(rnorm(n.sim*2, mu, sigma), nrow=2)
x <- abs(x.sim[2, ] - x.sim[1, ])
#
# Display the results
#
hist(x, freq=FALSE)
f <- function(x, mu, sigma) {
 sqrt(2 / pi) / sigma * cosh(x * mu / sigma^2) * exp(-(x^2 + mu^2)/(2*sigma^2)) 
}
curve(f(x, abs(diff(mu)), sqrt(sum(sigma^2))), lwd=2, col="Red", add=TRUE)

Как бы это было иначе, если бы я хотел получить разницу в квадрате? Например, если я хочу ? (f1(.)f2(.))2
user77005

1
@ user77005 Ответ на это есть в моем посте: это нецентральный дистрибутив хи-квадрат. Перейдите по ссылке для получения подробной информации.
whuber

22

Я даю ответ, который дополняет ответ @whuber в том смысле, что может написать не статистик (то есть тот, кто мало знает о нецентральных распределениях хи-квадрат с одной степенью свободы и т. Д.), и что новичок может следовать относительно легко.

Z=X1X2N(μ,σ2)μ=μ1μ2σ2=σ12+σ22x0

F|Z|(x)P{|Z|x}=P{xZx}=P{x<Zx}since Z is a continuous random variable=FZ(x)FZ(x),
F|Z|(x)=0x<0x
f|Z|(x)xF|Z|(x)=[fZ(x)+fZ(x)]1(0,)(x)=[exp((xμ)22σ2)σ2π+exp((x+μ)22σ2)σ2π]1(0,)(x)=exp(x2+μ22σ2)σ2π(exp(xμσ2)+exp(xμσ2))1(0,)(x)=1σ2πcosh(xμσ2)exp(x2+μ22σ2)1(0,)(x)

1
+1 Мне всегда нравится видеть решения, которые работают от самых основных возможных принципов и предположений.
whuber

1

Распределение разности двух нормально распределенных переменных X и Y также является нормальным распределением, предполагая, что X и Y независимы (спасибо Марку за комментарий). Вот деривация: http://mathworld.wolfram.com/NormalDifferenceDistribution.html

Здесь вы спрашиваете абсолютную разницу, основанную на ответе whuber, и если мы предположим, что разница в среднем по X и Y равна нулю, это всего лишь половина нормального распределения с двукратной дисперсией (спасибо Дилипу за комментарий).


3
Вы и Wolfram Mathworld неявно предполагаете, что 2 нормальных распределения (случайные величины) независимы. Разница даже не обязательно нормально распределена, если две нормальные случайные переменные не являются двумерными нормальными, что может произойти, если они не являются независимыми.
Марк Л. Стоун,

4
μ1=μ20

Спасибо за ваши Коментарии. Теперь я пересмотрел свой ответ на основе ваших комментариев и ответа Whuber.
Yuqian
Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.