Produto de duas variáveis ​​aleatórias independentes

15

Eu tenho uma amostra de cerca de 1000 valores. Esses dados são obtidos do produto de duas variáveis ​​aleatórias independentes . A primeira variável aleatória possui uma distribuição uniforme . A distribuição da segunda variável aleatória não é conhecida. Como posso estimar a distribuição da segunda variável aleatória ( )?ξ ~ L ( 0 , 1 ) ψξψξU(0,1)ψ

Andy
fonte
8
Esta é uma versão do que é chamado de problema de desconvolução: se você passar para o log do produto, obterá a distribuição estimada da soma quando souber a distribuição de um dos termos. Verifique na wikipedia .
Xian
3
Consulte também esta pergunta relacionada sobre validação cruzada: depois de aplicar a transformação de log, o problema é equivalente.
Xian
3
@ Xi'an: Links agradáveis. Espero com certeza que quase com certeza ... embora possamos nos recuperar de uma violação aparentemente fatal dessa condição decompondo-a como ψ = ψ + - ψ - e considerando as peças separadamente. ψ0ψ=ψ+ψ
cardeal
2
@ cardinal Estou curioso para saber como o problema de estimativa é tratado quando alguns dados podem ser negativos. Como é determinada a decomposição? (O método intuitivo de atribuição de dados inferior a para um componente e de dados maior do que 1 para outro olhares sub-ótima para mim, porque a convolução com a exponencial tende a transformar os valores provenientes do ψ - componente para dentro relativamente grandes observações positivas.) Parece mais ou menos como o estimador simultaneamente tem que lidar com a identificação da mistura e a desconvolução - e isso parece complicado de fazer. 11ψ
whuber
2
@ Cardinal obrigado pela explicação. Não, não barulho: como eu pensava em logaritmos, simplesmente esqueci que não é negativo. ξ
whuber

Respostas:

2

Temos, supondo que tenha suporte na linha real positiva, ξψ Onde X ~ F N e F n é a distribuição empírica dos dados. Tomando o log desta equação, obtemos,

ξψ=X
XFnFn

Log(ξ)+Log(ψ)=Log(X)

Assim, pelo teorema da continuidade de Levy, e independência de e ψ assumindo as funções caracteresíticas: ξψ

ΨLog(ξ)(t)ΨLog(ψ)(t)=ΨLog(X)

Agora, , t h e r e f o r e - L o g ( ξ ) ~ E x p ( 1 ) Assim, Ψ L o g ( ξ ) ( - t ) = ( 1 + i t ) - 1ξUnif[0,1],thereforeLog(ξ)Exp(1)

ΨLog(ξ)(t)=(1+it)1

Dado que comX1. . . X1000A amostra aleatória deln(X).Ψln(X)=1nk=11000exp(itXk),X1...X1000ln(X)

Agora podemos especificar completamente a distribuição de através de sua função característica:Log(ψ)

(1+it)1ΨLog(ψ)(t)=1nk=11000exp(itXk)

ln(ψ)t<1

MLog(ψ)(t)=1nk=11000exp(tXk)(1t)

It is enough then to invert the Moment generating function to get the distribution of ln(ϕ) and thus that of ϕ

Drmanifold
fonte
can you explain this with an example in R?
Andy
Of course. I ll try to post it tomorrow.
Drmanifold