Eliminar la distribución medida de otra distribución


8

Tome un haz de partículas como un conjunto de muchas partículas. Suponga dos variables aleatorias independientesXβ y δ que se suman a la posición horizontal X de una partícula:

X=Xβ+reXδ

(reX es un número simple, la función de "dispersión" en la dinámica del haz).

Tengo una medida horizontal del perfil del haz, FX, y otra medida del perfil de momento longitudinal, Fδ. He normalizado tanto el área de la unidad como las medidas de las funciones de densidad de probabilidad deX y δ:

Perfiles de viga medidos en plano horizontal ($ f_X $) y longitudinal ($ f_ \ delta $)

Ahora, me gustaría determinar la distribución / perfil de Xβ.

¿Cómo debo proceder?

Un primer pensamiento fue deconvolucionar FX con FreXδ, después de interpolar ambos conjuntos de datos al mismo conjunto de posiciones. Desafortunadamente, fallé conscipy.signal.deconvolve ... Termino con una cantidad de error igual al espectro, es decir, no llego a ninguna parte.

Si involucro a los dos, obtengo una extensión de FX por FreXδ, como era de esperar:

convolución de las medidas de perfil horizontal y longitudinal

(a través de numpy.convolve(f_x, f_Dxdelta, 'same')donde ambas matrices tienen la misma longitud y están en las mismas posiciones)

Me gustaría hacer lo opuesto ahora y 'eliminar' en lugar de 'agregar' la parte dispersiva. ¿O me he ido en la dirección completamente equivocada?

Otra información posiblemente importante: espero Xβ tener una distribución normal en lugar de δ. Me gustaría extraer la desviación estándar correspondiente deXβ desde FX.

Gracias por tu ayuda, Adrian

PD: He hecho la misma pregunta en el foro de intercambio de pila de física y me han sugerido que pregunte a su comunidad :-) ( /physics/224671/remove-measured-distribution-from- otra distribución )

Respuestas:


2

En lugar de ir por un camino rocoso con la deconvolución, un posible enfoque es tapar la supuesta distribución gaussiana para Xβ en una convolución con el PDF de reXδ, lo anterior FreXδ. La curva resultante se puede hacer para adaptarse al perfil medido con un algoritmo iterativo que varíaσXβ, la desviación estándar buscada de la distribución gaussiana supuesta.

Obtuve resultados razonables con este método. No obstante, estoy abierto a sus sugerencias y otros enfoques, posiblemente mejores ... :-) Gracias.

Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.