Выпрямленное распределение Гаусса
редактировать
В теории вероятностей выпрямленное распределение Гаусса является модификацией Гауссово распределение при сбросе его отрицательных элементов в 0 (аналог электронного выпрямителя ). По сути, это смесь дискретного распределения (константа 0) и непрерывного распределения (усеченное распределение Гаусса с интервалом ) в результате цензуры.
Содержание
- 1 Функция плотности
- 2 Среднее значение и дисперсия
- 3 Создание значений
- 4 Применение
- 5 Расширение до общих границ
- 6 См. Также
- 7 Ссылки
Функция плотности
Функция плотности вероятности выпрямленного гауссовского распределения для которые случайные величины X, имеющие это распределение, полученное из нормального распределения отображаются как , определяется как
Сравнение распределения Гаусса, выпрямленного распределения Гаусса и усеченного распределения Гаусса.
Здесь - кумулятивная функция распределения (cdf) стандартного нормального распределения :
- дельта-функция Дирака
и - это функция единичного шага :
- <181 Среднее значение и дисперсия
Так как неустановленное нормальное распределение имеет mean и поскольку при преобразовании его в исправленное распределение некоторая вероятностная масса был сдвинут на более высокое значение (с отрицательных значений на 0), среднее значение выпрямленного распределения больше
Поскольку выпрямленное распределение формируется путем перемещения некоторых из вероятностной массы к остальной вероятностной массе исправление представляет собой сокращение с сохранением среднего значения в сочетании с жестким сдвигом распределения, изменяющим среднее значение, и, таким образом, дисперсия уменьшается; поэтому дисперсия выпрямленного распределения меньше
Генерация значений
Для генерации значений вычислительным способом можно использовать
и затем
Приложение
Выпрямленное распределение Гаусса является полу -сопряжен с гауссовским правдоподобием, и недавно он был применен к факторному анализу или, в частности, (неотрицательному) анализу исправленных факторов. Харва предложил алгоритм вариационного обучения для модели ректифицированных факторов, в котором факторы соответствуют смеси выпрямленных гауссовских; а позже Meng предложил модель бесконечного выпрямленного фактора в сочетании со своим решением выборки Гиббса, где факторы следуют процессу Дирихле смесь выпрямленного распределения Гаусса, и применил ее в вычислительной биологии для реконструкции сети регуляции генов.
Расширение до общих границ
Расширение выпрямленного гауссовского распределения было предложено Палмером и др., Позволяющее исправить положение между произвольными нижними и верхними границами. Для нижней и верхней границ и соответственно cdf, определяется по формуле
где - cdf нормального распределения с среднее значение и дисперсия . Среднее значение и дисперсия выпрямленного распределения вычисляются путем первого преобразования ограничений, действующих на стандартное нормальное распределение:
Используя преобразованные ограничения, среднее и дисперсия, и соответственно, тогда задаются следующим образом:
где erf - это функция ошибок. Это распределение использовали Palmer et al. для моделирования уровней физических ресурсов, таких как количество жидкости в емкости, которое ограничено как 0, так и вместимостью емкости.
См. Также
Ссылки