Inverz-Gauss-törvény
A valószínűségelméletben és a statisztikákban az inverz-Gauss- törvény (vagy az inverz Gauss-törvény, vagy akár Wald-törvény ) folyamatos valószínűségi törvény , két paraméterrel és szigorúan pozitív értékekkel. Abraham Wald statisztikusról kapta a nevét .
Az "inverz" kifejezést nem szabad félreértelmezni, a törvény a következő értelemben fordított: a Brown-mozgás rögzített időpontban érvényes értékének normális törvénye van, fordítva, az az idő, amikor a Brown-mozgás pozitív sodródással (sodródott) elér egy a fix érték inverz-Gauss-törvény.
A valószínűségi sűrűség adják
f(x;μ,λ)={(λ2πx3)1/2exp-λ(x-μ)22μ2x mert x>0,0 ha nem.{\ displaystyle f (x; \ mu, \ lambda) = {\ begin {cases} \ displaystyle \ left ({\ frac {\ lambda} {2 \ pi x ^ {3}}} \ right) ^ {1 / 2} \ exp {\ frac {- \ lambda (x- \ mu) ^ {2}} {2 \ mu ^ {2} x}} és {\ text {for}} x> 0, \\ 0 és { \ text {egyébként}}. \ end {esetek}}}ahol μ> 0 az elvárása és λ> 0 egy alakparaméter .
Amikor λ a végtelenbe hajlik, az inverz-Gauss- törvény normális törvényként viselkedik , ez utóbbival több hasonló tulajdonsággal rendelkezik.
Az inverz-Gauss-törvény kumulánsainak generátorfüggvénye (a jellegzetes függvény logaritmusa ) a normális törvény fordítottja .
Annak jelzésére, hogy az X véletlen változónak inverz-Gauss paraméter-eloszlása van, és a jelölést használjukμ{\ displaystyle \ mu}λ{\ displaystyle \ lambda}x∼énG(μ,λ).{\ displaystyle X \ sim IG (\ mu, \ lambda). \, \!}
Tulajdonságok
Összeg
Ha a valószínűségi változók , van a jog , és ezeket, függetlenek , akkor az összegük az inverz Gauss törvény:
xén{\ displaystyle X_ {i}}én=1,2,...,nem{\ displaystyle i = 1,2, \ pont, n}énG(μ0wén,λ0wén2){\ displaystyle IG (\ mu _ {0} w_ {i}, \ lambda _ {0} w_ {i} ^ {2})}
S=∑én=1nemxén∼énG(μ0∑wén,λ0(∑wén)2).{\ displaystyle S = \ sum _ {i = 1} ^ {n} X_ {i} \ sim IG \ left (\ mu _ {0} \ sum w_ {i}, \ lambda _ {0} \ left (\ összeg w_ {i} \ right) ^ {2} \ right).}meg kell jegyezni, hogy
Var(xén)E(xén)=μ02wén2λ0wén2=μ02λ0{\ displaystyle {\ frac {{\ textrm {Var}} (X_ {i})} {{\ textrm {E}} (X_ {i})}} = {\ frac {\ mu _ {0} ^ { 2} w_ {i} ^ {2}} {\ lambda _ {0} w_ {i} ^ {2}}} = {\ frac {\ mu _ {0} ^ {2}} {\ lambda _ {0 }}}}állandó minden i-re . Ez az összegzési képlet szükséges feltétele .
Létra
Ha X inverz-Gauss-eloszlású, akkor minden t > 0 esetén tX- nek inverz-Gauss-eloszlása van, amelynek paramétereit meg kell szorozni t-vel :
x∼énG(μ,λ)⟹tx∼énG(tμ,tλ).{\ displaystyle X \ sim IG (\ mu, \ lambda) \ quad \ Longrightarrow \ quad tX \ sim IG (t \ mu, t \ lambda).}Exponenciális család
Az inverz Gauss-eloszlás egy exponenciális család két paraméter a természetes beállításokat és , és nemzeti statisztikai X és 1 / X .
-λ2μ2{\ displaystyle {\ frac {- \ lambda} {2 \ mu ^ {2}}}}-λ2{\ displaystyle {\ frac {- \ lambda} {2}}}
Összekapcsolás Brown-mozgással
A sztochasztikus folyamat által meghatározott
x=(xt,t≥0){\ displaystyle X = (X_ {t}, t \ geq 0)}
{x0=0xt=vt+σWt{\ displaystyle {\ begin {esetben} X_ {0} = 0 \\ X_ {t} = \ nu t + \ sigma W_ {t} \ end {esetek}}}hol van a standard Brown-mozgás és ν> 0 , egy Brown által mozgatott , ν által sodrott mozgás .
(Wt,t≥0){\ displaystyle (W_ {t}, t \ geq 0)}
Tehát az X által rögzített α> 0 érték (vagy szint) elérésének (vagy első áthaladási idejének) az ideje véletlenszerű és az inverz-Gauss-törvény szerint:
Tα=inf{t>0∣xt=α}∼énG(αv,α2σ2).{\ displaystyle T _ {\ alpha} = \ inf \ {t> 0 \ közepén X_ {t} = \ alpha \} \ sim IG \ balra ({\ frac {\ alpha} {\ nu}}, {\ frac {\ alpha ^ {2}} {\ sigma ^ {2}}} \ jobbra). \,}A nulla sodródásért
Az előző magyarázat gyakori speciális esete az az eset, amikor a Brown-mozgásnak nincs sodródása. Ebben az esetben a μ paraméter a végtelenbe hajlik, és az α <0 rögzített érték eléréséhez szükséges idő a valószínűségi sűrűség véletlen változója, mint a Lévy-eloszlás paramétere :
vs.=α2σ2{\ displaystyle c = {\ frac {\ alpha ^ {2}} {\ sigma ^ {2}}}}
f(x;0,(ασ)2)=ασ2πx3exp(-α22xσ2).{\ displaystyle f \ left (x; 0, \ left ({\ frac {\ alpha} {\ sigma}} \ right) ^ {2} \ right) = {\ frac {\ alpha} {\ sigma {\ sqrt {2 \ pi x ^ {3}}}}}} exp \ left (- {\ frac {\ alpha ^ {2}} {2x \ sigma ^ {2}}} \ right).}A legnagyobb valószínűség
Tekintsük a modellt
xén∼énG(μ,λwén),én=1,2,...,nem{\ displaystyle X_ {i} \ sim IG (\ mu, \ lambda w_ {i}), \, \, \, \, \, \, i = 1,2, \ ldots, n}ahol az összes w i ismert, ismeretlen, és ahol az X i független változók rendelkeznek a valószínűség funkcióval :
(μ,λ){\ displaystyle (\ mu, \ lambda)}
L(μ,λ)=(λ2π)nem2(∏én=1nemwénxén3)12exp(λμ∑én=1nemwén-λ2μ2∑én=1nemwénxén-λ2∑én=1nemwén1xén).{\ displaystyle L (\ mu, \ lambda) = \ balra ({\ frac {\ lambda} {2 \ pi}} \ jobbra) ^ {\ frac {n} {2}} \ balra (\ prod _ {i = 1} ^ {n} {\ frac {w_ {i}} {X_ {i} ^ {3}}} \ jobbra) ^ {\ frac {1} {2}} \ exp \ balra ({\ frac { \ lambda} {\ mu}} \ sum _ {i = 1} ^ {n} w_ {i} - {\ frac {\ lambda} {2 \ mu ^ {2}}} \ sum _ {i = 1} ^ {n} w_ {i} X_ {i} - {\ frac {\ lambda} {2}} \ sum _ {i = 1} ^ {n} w_ {i} {\ frac {1} {X_ {i }}} \ jobb).}A valószínűségi egyenlet megoldásával a következő becsléseket kapjuk:
μ^=∑én=1nemwénxén∑én=1nemwén,1λ^=1nem∑én=1nemwén(1xén-1μ^).{\ displaystyle {\ hat {\ mu}} = {\ frac {\ sum _ {i = 1} ^ {n} w_ {i} X_ {i}} {\ sum _ {i = 1} ^ {n} w_ {i}}}, \, \, \, \, \, \, \, \, {\ frac {1} {\ hat {\ lambda}}} = {\ frac {1} {n}} \ összeg _ {i = 1} ^ {n} w_ {i} \ balra ({\ frac {1} {X_ {i}}} - {\ frac {1} {\ hat {\ mu}}} \ jobbra) .}μ^{\ displaystyle {\ hat {\ mu}}}és függetlenek és
λ^{\ displaystyle {\ hat {\ lambda}}}
μ^∼énG(μ,λ∑én=1nemwén),nemλ^∼1λχnem-12.{\ displaystyle {\ hat {\ mu}} \ sim IG \ balra (\ mu, \ lambda \ sum _ {i = 1} ^ {n} w_ {i} \ right) \, \, \, \ ,, \, \, \, \, {\ frac {n} {\ hat {\ lambda}}} \ sim {\ frac {1} {\ lambda}} \ chi _ {n-1} ^ {2}.}
Az inverz-Gauss-törvény numerikus szimulációja
A következő algoritmus használható inverz-Gauss-törvényértékek előállítására.
Vesz
NEM∼NEM(0,1){\ displaystyle N \ sim {\ mathcal {N}} (0,1)}
és
y=NEM2{\ displaystyle y = N ^ {2}}
és .
x=μ+μ2y2λ-μ2λ4μλy+μ2y2{\ displaystyle X = \ mu + {\ frac {\ mu ^ {2} y} {2 \ lambda}} - {\ frac {\ mu} {2 \ lambda}} {\ sqrt {4 \ mu \ lambda y + \ mu ^ {2} y ^ {2}}}}
Vesz
Z∼U(0,1).{\ displaystyle Z \ sim {\ mathcal {U}} (0,1).}
Ha visszatér
Z≤μμ+x{\ displaystyle Z \ leq {\ frac {\ mu} {\ mu + x}}}x{\ displaystyle x}
Ellenkező esetben térjen vissza
μ2x{\ displaystyle {\ frac {\ mu ^ {2}} {x}}}
Kapcsolat más törvényekkel
Az inverz-Gauss- törvény és az exponenciális törvény konvolúcióját válaszidő-modellezésként használják a pszichológiában. Ex-Wald törvénynek hívják.
Történelmi
Ezt a törvényt eredetileg Erwin Schrödinger használta 1915-ben a Brown-mozgás elérési idejeként. Az „inverz-Gaussian” ( angolul fordított Gaussian ) elnevezést Tweedie javasolta 1945-ben. Abraham Wald ezt a törvényt 1947-ben egy minta korlátozó formájaként használta fel egy teszt során. Tweedie 1957-ben részletezi a törvény statisztikai tulajdonságait.
Szoftver
Az R programozási nyelv rendelkezik ezzel a törvényrel.
Megjegyzések és hivatkozások
Hivatkozások
-
(in) Véletlenszerű változatok előállítása John Ro Michael, William R. Schucany és Roy W. Haas, American Statistician , Vol. 30., 2. szám (1976. május), pp. 88–90
-
(in) Schwarz W (2001) A korábbi Wald-eloszlás, mint a válaszidők leíró modellje. Behav Res Methods Instrum Comput 33 (4): 457-469
-
Schrodinger E (1915) Zur Theorie der Fall- und Steigversuche an Teilchen mit Brownscher Bewegung. Physikalische Zeitschrift 16, 289-295
-
Folks JL & Chhikara RS (1978) Az inverz Gaussian és annak statisztikai alkalmazása - áttekintés. J Roy Stat Soc 40 (3) 263-289
-
http://www.ci.tuwien.ac.at/~hornik/R/R-FAQ.html
-
statmod csomag
-
Az inverz gauss eloszlás: Raj Chhikara és Leroy Folks elmélete, módszertana és alkalmazásai , 1989 ( ISBN 0-8247-7997-5 )
-
A rendszer megbízhatóságának elmélete : Marvin Rausand és Arnljot Høyland
-
Az inverz Gauss-eloszlás , Dr. V. Seshadri, Oxford Univ Press, 1993
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">