Biến ngẫu nhiên được định nghĩa là A với 50% cơ hội và B với 50% cơ hội


8

Lưu ý: đây là một vấn đề bài tập về nhà, vì vậy xin vui lòng không cho tôi toàn bộ câu trả lời!

Tôi có hai biến, A và B, với các phân phối bình thường (phương tiện và phương sai được biết đến). Giả sử C được định nghĩa là A với 50% cơ hội và B với 50% cơ hội. Làm thế nào tôi có thể chứng minh liệu C cũng được phân phối bình thường hay không, và nếu vậy, ý nghĩa và phương sai của nó là gì?

Tôi không chắc chắn cách kết hợp các tệp PDF của A và B theo cách này, nhưng lý tưởng nhất là nếu ai đó có thể chỉ cho tôi đi đúng hướng, kế hoạch tấn công của tôi là lấy ra PDF của C và cho biết liệu đó có phải hay không biến thể của PDF bình thường.


2
Có lẽ xem Wikipedia về 'phân phối hỗn hợp'.
BruceET

6
Một âm mưu có thể đưa ra một gợi ý tốt về việc có được phân phối bình thường hay không. C
Kodiologist

4
Vẽ sơ đồ PDF của một vài trường hợp nhanh chóng cho thấy thường không bình thường: nó có thể có hai chế độ. Các phần thú vị bao gồm trong việc có được một đặc điểm hoàn toàn khi được phân phối thường. CC
whuber

4
Tôi luôn thấy dễ dàng hơn khi làm việc với CDF của một biến ngẫu nhiên so với PDF.
BallpointBen

5
Và như một gợi ý, hãy xem xét việc rút ngẫu nhiên một người nào đó trong dân số bao gồm tất cả các em bé dưới một tuổi và tất cả các cầu thủ NBA. Bạn có thể tìm thấy bất cứ ai cao khoảng bốn feet?
BallpointBen

Câu trả lời:


8

Hy vọng rằng rõ ràng với bạn rằng C không được đảm bảo là bình thường. Tuy nhiên, một phần câu hỏi của bạn là làm thế nào để viết ra PDF của nó. @BallpointBen đã cho bạn một gợi ý. Nếu điều đó là không đủ, đây là một số spoilers ...

Lưu ý rằng C có thể được viết là: cho một Bernoulli ngẫu nhiên với với độc lập với . Đây ít nhiều là bản dịch toán học tiêu chuẩn của câu tiếng Anh "C là A với 50% cơ hội và B với 50% cơ hội".

C=TA+(1T)B
TP(T=0)=P(T=1)=1/2T(A,B)

Bây giờ, việc xác định PDF của C trực tiếp từ điều này có vẻ khó khăn, nhưng bạn có thể tiến bộ bằng cách viết ra hàm phân phối của C. Bạn có thể phân vùng sự kiện thành hai phần con (tùy thuộc vào giá trị của ) để viết :FCCXT

FC(x)=P(Cx)=P(T=0 and Cx)+P(T=1 and C x)

và lưu ý rằng theo định nghĩa của C và tính độc lập của T và B, bạn có:

P(T=0 and Cx)=P(T=0 and Bx)=12P(Bx)=12FB(x)

Bạn sẽ có thể sử dụng một kết quả tương tự trong trường hợp để viết theo thuật ngữ của và . Để lấy PDF của C, chỉ cần phân biệt với x.T=1FCFAFBFC


1
Đáng chú ý, theo câu trả lời này, thể bình thường, ví dụ khi được phân phối giống hệt nhau. C A,B
Mees de Vries

8

Mô phỏng hỗn hợp ngẫu nhiên 50-50 của và được minh họa bên dưới. Mô phỏng trong R.Norm(μ=90,σ=2)Norm(μ=100,σ=2)

set.seed(827);  m = 10^6
x1 = rnorm(m, 100, 2);  x2 = rnorm(m, 90, 2)
p = rbinom(m, 1, .5)
x = x1;  x[p==1] = x2[p==1]
hist(x, prob=T, col="skyblue2", main="Random 50-50 Mixture of NORM(90,2) and NORM(100,2)")
  curve(.5*(dnorm(x, 100, 2) + dnorm(x, 90, 2)), add=T, col="red", lwd=2)

nhập mô tả hình ảnh ở đây


7

Một cách bạn có thể làm việc đó là phân tích nó khi phương sai có xu hướng 0. Cách này bạn sẽ có được phân phối giống Bernoulli, rõ ràng không phải là phân phối bình thường.


1
Tôi đã không đăng bài như một bình luận vì tôi không có đủ danh tiếng
André Costa

1
Tuy nhiên, một gợi ý tốt. (+1)
BruceET

1

Đây là loại vấn đề rất hữu ích khi sử dụng khái niệm CDF, hàm phân phối xác suất tích lũy, của các biến ngẫu nhiên, khái niệm hoàn toàn không cần thiết mà các giáo sư kéo vào chỉ để gây nhầm lẫn cho những sinh viên hài lòng khi chỉ sử dụng pdf.

Theo định nghĩa, giá trị của CDF của biến ngẫu nhiên bằng xác suất không lớn hơn số thực , nghĩa là, Bây giờ, định luật tổng xác suất cho chúng ta biết rằng nếu có khả năng giống như một biến ngẫu nhiên hoặc biến ngẫu nhiên , thì hay nói cách khác, FX(α)XXα

FX(α)=P{Xα}, <α<.
XAB
P{Xα}=12P{Aα}+12P{Bα},
FX(α}=12FA(α}+12FB(α}.
Ghi nhớ cách giáo sư của bạn chán nản nói về cách biến các biến ngẫu nhiên liên tục, pdf là đạo hàm của CDF, chúng ta có được trả lời một trong những câu hỏi của bạn. Đối với trường hợp đặc biệt của biến ngẫu nhiên bình thường và , bạn có thể biết liệu cho mật độ bình thường cho hay không? Nếu bạn quen thuộc với các khái niệm chẳng hạn như bạn có thể tìm ra, bằng cách thay thế bên phải của cho trong
(1)fX(α}=12fA(α}+12fB(α}
AB(1)X
(2)E[X]=αfX(α}dα,
(1)fX(α)(2)và suy nghĩ về biểu thức, là gì về và ?E[X]E[A]E[B]

1

C không được phân phối bình thường trừ khi và được phân phối giống hệt nhau. Tuy nhiên, nếu và được phân phối giống hệt nhau, cũng sẽ được phân phối giống hệt nhau.ABABC

Bằng chứng

Đặt , và là các hàm phân phối tích lũy (CDF) của A, B và C và , và các hàm mật độ xác suất (PDF) của chúng, nghĩa làFAFBFCfAfBfC

FA(x)=Pr(A<x),FB(x)=Pr(B<x),FC(x)=Pr(C<x),fA(x)=ddxFA(x),fB(x)=ddxFB(x), andfC(x)=ddxFC(x).

Chúng tôi cũng có hai sự kiện:

  • Γ1 , đó là khi được xác định là , xảy ra với xác suấtCAγ
  • Γ2 , đó là khi được xác định là , xảy ra với xác suấtCB1γ

Theo luật tổng xác suất ,

FC(x)=Pr(C<x)=Pr(C<x | Γ1)Pr(Γ1)+Pr(C<x | Γ2)Pr(Γ2)=Pr(A<x)Pr(Γ1)+Pr(B<x)Pr(Γ2)=γFA(x)+(1γ)FB(x).

Vì thế,

fC(x)=ddxFC(x)=ddx(γFA(x)+(1γ)FB(x))=γ(ddxFA(x))+(1γ)(ddxFB(x))=γfA(x)+(1γ)fB(x),

và vìγ=0.5,

fC(x)=0.5fA(x)+0.5fB(x).

Ngoài ra, vì PDF của phân phối bình thường là hàm Gaussian dương và tổng của hai hàm Gaussian sở hữu là hàm Gaussian dương nếu và chỉ khi hai hàm Gaussian phụ thuộc tuyến tính, thường được phân phối khi và chỉ khi và được phân phối giống hệt nhau.CAB

Nếu và được phân phối giống hệt nhau, , do đó cũng sẽ được phân phối giống hệt nhau.ABfA(x)=fB(x)=fC(x)C


2
Đây là một điểm tốt, nhưng bạn không nghĩ rằng nó sẽ giúp giải thích nhiều hơn tại sao kết quả này giữ được, thay vì chỉ khẳng định nó? Bạn có thể đưa ra một lời giải thích đơn giản hoặc rõ ràng hoặc trực quan?
whuber

@whuber Tốt hơn?
HelloGoodbye
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.