Montrer est Cauchy standard lorsque est Cauchy standard

9

Si , trouvez la distribution de . $X\sim\mathcal C(0,1)$ $Y=\frac{2X}{1-X^2}$

Nous avons $F_Y(y)=\mathrm{Pr}(Y\le y)$

$\qquad\qquad\qquad=\mathrm{Pr}\left(\frac{2X}{1-X^2}\le y\right)$

$\qquad\qquad=\begin{cases} \mathrm{Pr}\left(X\in\left(-\infty,\frac{-1-\sqrt{1+y^2}}{y}\right]\right)+\mathrm{Pr}\left(X\in\left(-1,\frac{-1+\sqrt{1+y^2}}{y}\right]\right),\text{if}\quad y>0\\ \mathrm{Pr}\left(X\in\left(-1,\frac{-1+\sqrt{1+y^2}}{y}\right]\right)+\mathrm{Pr}\left(X\in\left(1,\frac{-1-\sqrt{1+y^2}}{y}\right]\right),\text{if}\quad y<0 \end{cases}$

Je me demande si la distinction de cas ci-dessus est correcte ou non.

D'un autre côté, la méthode suivante semble plus simple:

On peut écrire utilisant l'identité $Y=\tan(2\tan^{-1}X)$ $\frac{2\tan z}{1-\tan^2z}=\tan 2z$

Maintenant, $X\sim\mathcal C(0,1)\implies\tan^{-1}X\sim\mathcal R\left(-\frac{\pi}{2},\frac{\pi}{2}\right)$

$\qquad\qquad\qquad\quad\implies 2\tan^{-1}X\sim\mathcal R(-\pi,\pi)$

$\qquad\qquad\qquad\quad\implies\tan\left(2\tan^{-1}X\right)\sim\mathcal C(0,1)$ , le dernier étant une transformation 2 en 1.

Mais si on me demande de dériver la distribution de partir de la définition, je suppose que la première méthode est de savoir comment je dois procéder. Le calcul devient un peu compliqué, mais est-ce que j'arrive à la bonne conclusion? Toute autre solution est également la bienvenue. $Y$

Les distributions univariées continues (Vol.1) de Johnson-Kotz-Balakrishnan ont mis en évidence cette propriété de la distribution de Cauchy. Il s'avère que ce n'est qu'un cas particulier de résultat général.

— TêtuAtom
source

4

La deuxième solution est tout à fait correcte, il ne devrait donc y avoir aucune objection.

— Xi'an

1

Addendum: puisque , la première résolution devrait finir par utiliser cette identité sur la tangente.

P (X < x) = \tan^{- 1} (x) / π + 1 / 2

$P(X<x)=\tan^{-1}(x)/\pi+1/2$

— Xi'an

@ Xi'an En fait, j'essaie de terminer l'argument de la première méthode.

— StubbornAtom

6

Une manière alternative, plus simpliste, de voir les choses:

distribution de Cauchy standard:

f (x) d x = \frac{π^{- 1}}{x^{2} + 1} d x

$f(x) \text{d}x = \frac{\pi^{-1}}{x^2+1} \text{d}x$

transformations de variables:

u (x) = \frac{2 x}{1 - x^{2}} and x_{1} (u) = \frac{- 1 - \sqrt{u^{2} + 1}}{u}, x_{2} (u) = \frac{- 1 + \sqrt{u^{2} + 1}}{u}

$u(x) = \frac{2x}{1-x^2} \qquad \text{and} \qquad x_1(u) = \frac{-1 - \sqrt{u^2+1}}{u} \, , \, x_2(u) = \frac{-1 + \sqrt{u^2+1}}{u}$

transformation de la distribution:

g (u) d u = \sum_{i = 1, 2} f (x_{i} (u)) | \frac{d x_{i}}{d u} | d u

$g(u)\text{d}u = \sum_{i=1,2} f(x_i(u)) \left|\frac{\text{d}x_i}{\text{d}u}\right|\text{d}u$

Si vous travaillez avec cela, qui n'a pas besoin de devenir aussi désordonné, vous obtiendrez

g (u) = \frac{π^{- 1}}{u^{2} + 1}

$g(u) = \frac{\pi^{-1}}{u^2+1}$

représentation graphique

Ce genre de travaux ressemble à l'identité , mais écrit plus explicitement. $\frac{2\tan z}{1-\tan^2z}=\tan 2z$

Ou comme votre représentation avec la fonction de distribution cumulative divisée mais maintenant pour une division en . $F_Y(y) = Pr(Y \leq y)$ $f_Y(y) = Pr(y-\frac{1}{2}dy \leq Y\leq y+\frac{1}{2}dy)$

— Sextus Empiricus
source

2

En fait, la formule de transformation, lorsque a plus d'une racine pour un donné , disons pour , estAinsi, l'ajout que vous décrivez comme nécessaire est en fait intégré à la formule.

x (u)

$x(u)$

u

$u$

x_{i} (u) = u

$x_i(u) =u$

i = 1, 2, \dots n

$i=1,2,\ldots n$

g (u) = \sum_{i = 1}^{n} f (x_{i} (u)) | \frac{d x_{i} (u)}{d u} | .

$g(u) =\sum_{i=1}^n f(x_i(u))\left|\frac{\mathrm dx_i(u)}{\mathrm du}\right|.$

— Dilip Sarwate

@DilipSarwate Je vais le changer.

— Sextus Empiricus

3

La transformation de la deuxième approche semble manquer de motivation (certains détails doivent également être complétés). Ici, à partir du calcul de la fonction caractéristique, j'essaie de sauvegarder votre transformation "mystérieuse".

La fonction caractéristique de peut être calculée comme suit: qui nous suggère d'essayer la transformation , ce qui conduit à $Y$

\begin{aligned} φ_{Y} (t) = & E [e^{i t Y}] = \int_{- \infty}^{\infty} e^{i t \frac{2 x}{1 - x^{2}}} \frac{1}{π (1 + x^{2})} d x \\ = & \frac{1}{π} \int_{- \infty}^{\infty} e^{i t \frac{2 x}{1 - x^{2}}} d \arctan x, \end{aligned}

$\begin{align} \varphi_Y(t) = & E[e^{itY}] = \int_{-\infty}^{\infty} e^{it\frac{2x}{1 - x^2}} \frac{1}{\pi(1 + x^2)} dx \\ = & \frac{1}{\pi}\int_{-\infty}^\infty e^{it\frac{2x}{1 - x^2}} d\arctan x, \end{align}$

u = \arctan x

$u = \arctan x$

\begin{aligned} (1) & φ_{Y} (t) = \frac{1}{π} \int_{- π / 2}^{π / 2} e^{i t \frac{2 \tan u}{1 - \tan^{2} u}} d u = \frac{1}{π} \int_{- π / 2}^{π / 2} e^{i t \tan (2 u)} d u . \end{aligned}

$\begin{align} \varphi_Y(t)= \frac{1}{\pi}\int_{-\pi/2}^{\pi/2} e^{it\frac{2\tan u}{1 - \tan^2 u}} du = \frac{1}{\pi}\int_{-\pi/2}^{\pi/2}e^{it\tan(2u)}du. \tag{1} \end{align}$

Notre objectif est de montrer que l'intégrale dans est égale à la fonction caractéristique d'une variable aléatoire de Cauchy standard : $(1)$ $X$

\begin{aligned} φ_{X} (t) = & \int_{- \infty}^{\infty} e^{i t x} \frac{1}{π (1 + x^{2})} d x \\ (2) & = & \frac{1}{π} \int_{- π / 2}^{π / 2} e^{i t \tan u} d u \end{aligned}

$\begin{align} \varphi_X(t) = & \int_{-\infty}^\infty e^{itx}\frac{1}{\pi(1 + x^2)} dx \\ = & \frac{1}{\pi}\int_{-\pi/2}^{\pi/2} e^{it\tan u} du \tag{2} \end{align}$

Pourquoi l'intégrale de égale à l'intégrale de ? À première vue, c'est un peu contre-intuitif. Pour le vérifier, nous devons traiter soigneusement la monotonie de la fonction . Continuons à travailler sur : $(1)$ $(2)$ $\tan(\cdot)$ $(1)$

\begin{aligned} φ_{Y} (t) = & \frac{1}{π} \int_{- π / 2}^{π / 2} e^{i t \tan (2 u)} d u \\ = & \frac{1}{2 π} \int_{- π}^{π} e^{i t \tan v} d v (Change of variable v = 2 u) \\ = & \frac{1}{2 π} [\int_{- π}^{- π / 2} + \int_{- π / 2}^{π / 2} + \int_{π / 2}^{π}] e^{i t \tan u} d u \\ = & \frac{1}{2} φ_{X} (t) + \frac{1}{2 π} \int_{- π}^{- π / 2} e^{i t \tan v} d v + \frac{1}{2 π} \int_{π / 2}^{π} e^{i t \tan v} d v (3) \\ = & \frac{1}{2} φ_{X} (t) + \frac{1}{2 π} \int_{- π / 2}^{0} e^{- i t \tan u_{1}} d u_{1} + \frac{1}{2 π} \int_{0}^{π / 2} e^{- i t \tan u_{2}} d u_{2} (4) \\ = & \frac{1}{2} φ_{X} (t) + \frac{1}{2 π} \int_{- π / 2}^{π / 2} e^{- i t \tan v} d v \\ = & φ_{X} (t) (5) \end{aligned}

$\begin{align} \varphi_Y(t) = & \frac{1}{\pi}\int_{-\pi/2}^{\pi/2}e^{it\tan(2u)}du \\ = & \frac{1}{2\pi}\int_{-\pi}^\pi e^{it\tan v} dv \quad (\text{Change of variable } v = 2u) \\ = & \frac{1}{2\pi}\left[\int_{-\pi}^{-\pi/2} + \int_{-\pi/2}^{\pi/2} + \int_{\pi/2}^{\pi}\right]e^{it\tan u} du \\ = & \frac{1}{2}\varphi_X(t) + \frac{1}{2\pi}\int_{-\pi}^{-\pi/2}e^{it\tan v} dv + \frac{1}{2\pi}\int_{\pi/2}^{\pi}e^{it\tan v} dv \quad (3) \\ = & \frac{1}{2}\varphi_X(t) + \frac{1}{2\pi}\int_{-\pi/2}^{0} e^{-it\tan u_1} du_1 + \frac{1}{2\pi}\int_{0}^{\pi/2} e^{-it\tan u_2} du_2 \quad (4) \\ = & \frac{1}{2}\varphi_X(t) + \frac{1}{2\pi}\int_{-\pi/2}^{\pi/2} e^{-it\tan v} dv \\ = & \varphi_X(t) \quad (5) \end{align}$

$(3)$ : Parce que la fonction n'est pas monotone sur l'intervalle , j'ai fait une telle division de telle sorte que chaque intégrande soit monotone sur l'intervalle séparé (ce qui assure le changement ultérieur de formules variables valides). $u \mapsto \tan(u)$ $(-\pi, \pi)$

$(4)$ : Les deux changements de formules variables sont et . $u_1 = -\pi - v$ $u_2 = \pi - v$

$(5)$ : Dernier changement de formule variable . $u = -v$

Les étapes - élaboré l'énoncé "la dernière étant une transformation de 2 en 1" dans la question de OP. $(3)$ $(5)$

— Zhanxiong
source

Je me demande pourquoi la deuxième approche est «mystérieuse» ou «manque de motivation». Le fait que est un résultat très standard qui est facilement vu en utilisant la transformation intégrale de probabilité. Et dans la dernière étape où je passe de à est éventuellement justifiée comme suit:

Θ \sim Rect (- π / 2, π / 2) \Leftrightarrow \tan (Θ) \sim C (0, 1)

$\Theta\sim\text{Rect}(-\pi/2,\pi/2)\Leftrightarrow \tan(\Theta)\sim\mathcal C(0,1)$

U \sim Rect (- π, π)

$U\sim\text{Rect}(-\pi,\pi)$

V = \tan U \sim C (0, 1)

$V=\tan U\sim\mathcal C(0,1)$

— StubbornAtom

... . Je différencie le wrt ci-dessus pour obtenir , où je multiplie le jacobien par 2 car la transformation est de deux à un dans . Tout cela peut être exprimé plus rigoureusement, je suppose.

F_{V} (v) = P r (\tan U \leq v) = F_{U} (\tan^{- 1} v)

$F_V(v)=\mathrm{Pr}(\tan U\le v)=F_U(\tan^{-1}v)$

v

$v$

f_{V} (v) = f_{U} (\tan^{- 1} v) 2 \frac{d}{d v} (\tan^{- 1} v)

$f_V(v)=f_U(\tan^{-1}v)2\frac{d}{dv}(\tan^{-1}v)$

(- π, π)

$(-\pi,\pi)$

— StubbornAtom