Выборочное распределение радиуса 2D нормального распределения

Двустороннее нормальное распределение со средним и ковариационной матрицей можно переписать в полярных координатах с радиусом и углом . Мой вопрос: Что такое распределение выборки , то есть расстояния от точки до расчетного центра с учетом ковариационной матрицы образца ? $\mu$ $\Sigma$ $r$ $\theta$ $\hat{r}$ $x$ $\bar{x}$ $S$

Фон: Истинное расстояние от точки до среднего соответствует распределению Хойта . С собственными значениями от и его параметр формы равен $r$ $x$ $\mu$ $\lambda_{1}, \lambda_{2}$ $\Sigma$ $\lambda_{1} > \lambda_{2}$ , а его масштабный параметр равен. Известно, что кумулятивная функция распределения является симметричной разностью между двумя Q-функциями Маркума. $q=\frac{1}{\sqrt{(\lambda_{1}+\lambda_{2})/\lambda_{2})-1}}$ $\omega = \lambda_{1} + \lambda_{2}$

Моделирование предполагает, что включение оценок и для и в истинный cdf работает для больших выборок, но не для небольших выборок. Следующая диаграмма показывает результаты от 200 раз $\bar{x}$ $S$ $\mu$ $\Sigma$

моделирование 20 2D нормальных векторов для каждой комбинации заданных ( ось), (строки) и квантиля (столбцы) $q$ $x$ $\omega$
для каждого образца, вычисление заданного квантиля наблюдаемого радиуса к $\hat{r}$ $\bar{x}$
для каждого образца, расчет квантиля от теоретического Hoyt (2D нормального) CDF, так и с теоретическим Рэлеем CDF после включения в оценках образцов и . $\bar{x}$ $S$

введите описание изображения здесь

Когда приближается к 1 (распределение становится круговым), оцененные квантили Хойта приближаются к оцененным квантилям Рэлея, на которые не влияет . С ростом разница между эмпирическими квантилями и оценочными возрастает, особенно в хвосте распределения. $q$ $q$ $\omega$

— каракал
источник

Что за вопрос?

— Джон

@ Джон Я выделил вопрос: «Каково распределение выборки [радиуса]

, то есть расстояния от точки

до предполагаемого центра

заданного выборочной матрицей

?»

r

$r$

x

$x$

\bar{x}

$\bar{x}$

S

$S$

— Каракал

Почему

, в отличие от

\hat{r}

$\hat{r}$

\hat{r^{2}}

$\hat{r^2}$

— SomeEE

@MathEE

просто потому , что в литературе я не знаю связан с распределением (истинный)

, а не (истинный)

. Обратите внимание, что это не похоже на ситуацию с расстоянием Махаланобиса, обсуждаемую в этом вопросе . Конечно, результаты для распределения

были бы весьма желательны.

\hat{r}

$\hat{r}$

r

$r$

r^{2}

$r^{2}$

{\hat{r}}^{2}

$\hat{r}^{2}$

— Каракал

Как вы упомянули в своем посте мы знаем распределение оценки , если задана , поэтому мы знаем распределение оценки истинного . $\widehat{r_{true}}$ $\mu$ $\widehat{r^2_{true}}$ $r^2$

Мы хотим найти распределение гдевыраженывиде векторовстолбцов.

\hat{r^{2}} = \frac{1}{N} \sum_{i = 1}^{N} (x_{i} - \bar{x})^{T} (x_{i} - \bar{x})

$\widehat{r^2} = \frac{1}{N}\sum_{i=1}^N (x_i-\overline{x})^T(x_i-\overline{x})$

x_{i}

$x_i$

Теперь мы делаем стандартный трюк

\begin{array}{rcl} \hat{r_{t r u e}^{2}} & = & \frac{1}{N} \sum_{i = 1}^{N} (x_{i} - μ)^{T} (x_{i} - μ) \\ = & \frac{1}{N} \sum_{i = 1}^{N} (x_{i} - \bar{x} + \bar{x} - μ)^{T} (x_{i} - \bar{x} + \bar{x} - μ) \\ = & [\frac{1}{N} \sum_{i = 1}^{N} (x_{i} - \bar{x})^{T} (x_{i} - \bar{x})] + (\bar{x} - μ)^{T} (\bar{x} - μ) (1) \\ = & \hat{r^{2}} + (\bar{x} - μ)^{T} (\bar{x} - μ) \end{array}

$\begin{eqnarray*} \widehat{r^2_{true}} &=& \frac{1}{N}\sum_{i=1}^N(x_i - \mu)^T(x_i-\mu)\\ &=& \frac{1}{N}\sum_{i=1}^N(x_i-\overline{x} + \overline{x} -\mu)^T(x_i-\overline{x} + \overline{x}-\mu)\\ &=&\left[\frac{1}{N}\sum_{i=1}^N(x_i - \overline{x})^T(x_i-\overline{x})\right] + (\overline{x} - \mu)^T(\overline{x}-\mu) \hspace{20pt}(1)\\ &=& \widehat{r^2} + (\overline{x}-\mu)^T(\overline{x}-\mu) \end{eqnarray*}$

(1)

$(1)$

\frac{1}{N} \sum_{i = 1}^{N} (x_{i} - \bar{x})^{T} (\bar{x} - μ) = (\bar{x} - \bar{x})^{T} (\bar{x} - μ) = 0

$\frac{1}{N}\sum_{i=1}^N(x_i-\overline{x})^T(\overline{x}-\mu) = (\overline{x} - \overline{x})^T(\overline{x} - \mu) = 0$

$\widehat{r^2}$ $S$ $(\overline{x}-\mu)^T(\overline{x}-\mu)$ $\overline{x}$

\hat{r_{t r u e}^{2}} = \hat{r^{2}} + (\bar{x} - μ)^{T} (\bar{x} - μ)

$\widehat{r_{true}^2} = \widehat{r^2} + (\overline{x}-\mu)^T(\overline{x}-\mu)$

\hat{r_{t r u e}^{2}}

$\widehat{r^2_{true}}$

(\bar{x} - μ)^{T} (\bar{x} - μ)

$(\overline{x} - \mu)^T(\overline{x}-\mu)$

Отредактировано, чтобы добавить:

$||x_i-\mu||$

f (ρ) = \frac{1 + q^{2}}{q ω} ρ e^{- \frac{(1 + q^{2})^{2}}{4 q^{2} ω} ρ^{2}} I_{O} (\frac{1 - q^{4}}{4 q^{2} ω} ρ^{2})

$f(\rho) = \frac{1+q^2}{q\omega}\rho e^{-\frac{(1+q^2)^2}{4q^2\omega} \rho^2}I_O\left(\frac{1-q^4}{4q^2\omega} \rho^2\right)$

I_{0}

$I_0$

0^{t h}

$0^{th}$

$||x_i-\mu||^2$

f (ρ) = \frac{1}{2} \frac{1 + q^{2}}{q ω} e^{- \frac{(1 + q^{2})^{2}}{4 q^{2} ω} ρ} I_{0} (\frac{1 - q^{4}}{4 q^{2} ω} ρ) .

$f(\rho) = \frac{1}{2}\frac{1+q^2}{q\omega}e^{-\frac{(1+q^2)^2}{4q^2\omega}\rho}I_0\left(\frac{1-q^4}{4q^2\omega}\rho\right).$

$a = \frac{1-q^4}{4q^2\omega}$ $b=-\frac{(1+q^2)^2}{4q^2\omega}$ $c=\frac{1}{2}\frac{1+q^2}{q\omega}$

$||x_i-\mu||^2$

{\begin{cases} \frac{c}{\sqrt{(s - b)^{2} - a^{2}}} & (s - b) > a \\ 0 & else \end{cases}

$\begin{cases} \frac{c}{\sqrt{(s-b)^2-a^2}} & (s-b) > a\\ 0 & \text{ else}\\ \end{cases}$

$\widehat{r^2_{true}}$

{\begin{cases} \frac{c^{N}}{((s / N - b)^{2} - a^{2})^{N / 2}} & (s / N - b) > a \\ 0 & else \end{cases}

$\begin{cases} \frac{c^N}{((s/N-b)^2-a^2)^{N/2}} & (s/N-b) > a\\ 0 & \text{else} \end{cases}$

| | \bar{x} - μ | |^{2}

$||\overline{x} - \mu||^2$

{\begin{cases} \frac{N c}{\sqrt{(s - N b)^{2} - (N a)^{2}}} = \frac{c}{\sqrt{(s / N - b)^{2} - a^{2}}} & (s / N - b) > a \\ 0 & else \end{cases}

$\begin{cases} \frac{Nc}{\sqrt{(s-Nb)^2-(Na)^2}} = \frac{c}{\sqrt{(s/N-b)^2-a^2}} & (s/N-b) > a\\ 0 & \text{ else} \end{cases}$

$\widehat{r^2}$

{\begin{cases} \frac{c^{N - 1}}{((s / N - b)^{2} - a^{2})^{(N - 1) / 2}} & (s / N - b) > a \\ 0 & else . \end{cases}

$\begin{cases} \frac{c^{N-1}}{((s/N-b)^2-a^2)^{(N-1)/2}} & (s/N-b) > a\\ 0 & \text{ else}. \end{cases}$

$\widehat{r^2}$

g (ρ) = \frac{\sqrt{π} N c^{N - 1}}{Γ (\frac{N - 1}{2})} {(\frac{2 i a}{N ρ})}^{(2 - N) / 2} e^{b N ρ} J_{N / 2 - 1} (i a N ρ) .

$g(\rho) = \frac{\sqrt{\pi}Nc^{N-1}}{\Gamma(\frac{N-1}{2})}\left(\frac{2\mathrm{i} a}{N\rho}\right)^{(2 - N)/2} e^{b N \rho} J_{N/2-1}( \mathrm{i} a N \rho).$

— SomeEE
источник

Спасибо! Я должен проработать детали, прежде чем принять.

— Каракал

\hat{r_{true}^{2}} \sim Hoyt

$\widehat{r^{2}_{\text{true}}} \sim \text{Hoyt}$

| | \bar{x} - μ | |^{2} \sim N (0, \frac{1}{N} Σ)

$||\bar{x}-\mu||^{2} \sim \mathcal{N}(0, \frac{1}{N}\Sigma)$

\hat{r^{2}}

$\widehat{r^{2}}$

\hat{r^{2}}

$\widehat{r^{2}}$

Σ

$\Sigma$

t

$t$

Я отредактировал свой ответ на полный ответ. Пожалуйста, дайте мне знать, если вы согласны.

— SomeEE

Σ

$\Sigma$

\hat{r^{2}}

$\widehat{r^2}$

S

$S$

\frac{1}{N} \sum_{i = 1}^{N} (x_{i} - \bar{x})^{T} S^{- 1} (x_{i} - \bar{x})

$\frac{1}{N} \sum_{i=1}^N(x_i - \overline{x})^T S^{-1}(x_i-\overline{x})$

1

$1$

| | x_{i} - μ | |^{2}

$||x_{i}-\mu||^{2}$

r^{2}

$r^{2}$

Γ (q, \frac{ω}{q})

$\Gamma(q, \frac{\omega}{q})$

Γ

$\Gamma$