¿Cómo es , la coordenada polar, distribuida cuando y cuando ?


19

Deje que las coordenadas cartesianas x,y de un punto aleatorio se seleccionen st (x,y)U(10,10)×U(10,10) .

Por lo tanto, el radio, ρ=x2+y2 , no se distribuye uniformemente como lo implica el pdf de \ rho .ρ

No obstante, esperaría que θ=arctanyx sea ​​casi uniforme, excluyendo los artefactos debido a las 4 sobras en los bordes:

ingrese la descripción de la imagen aquí

Las siguientes son las funciones de densidad de probabilidad calculadas gráficamente de θ y ρ : ingrese la descripción de la imagen aquí

Ahora si dejo que se distribuya st entonces parece distribuido uniformemente:x , y N ( 0 , 20 2 ) × N ( 0 , 20 2 ) θx,yx,yN(0,202)×N(0,202)θ

ingrese la descripción de la imagen aquí

¿Por qué no es uniforme cuando y es uniforme cuando ?( x , y ) U ( - 10 , 10 ) × U ( - 10 , 10 ) x , y N ( 0 , 20 2 ) × N ( 0 , 20 2 )θ(x,y)U(10,10)×U(10,10)x,yN(0,202)×N(0,202)

El código de Matlab que utilicé:

number_of_points = 100000;
rng('shuffle')

a = -10;
b = 10;
r = (b-a).*randn(2,number_of_points);
r = reshape(r, [2,number_of_points]);
I = eye(2);
e1 = I(:,1); e2 = I(:,2);
theta = inf*ones(1,number_of_points);
rho = inf*ones(1,number_of_points);

for i=1:length(r(1,:))
    x = r(:,i);
    [theta(i),rho(i)] = cart2pol(x(1),x(2));        
end

figure
M=3;N=1; bins = 360;
subplot(M,N,1); 
histogram(rad2deg(theta), bins)
title('Polar angle coordinate p.d.f');

subplot(M,N,2); 
histogram(rho, bins);
title('Polar radius coordinate p.d.f');

subplot(M,N,3); 
histogram(r(:));
title('The x-y cooridnates distrbution (p.d.f)');

Sustituyendo la tercera línea: r = (b-a).*randn(2,number_of_points);con r = (b-a).*randn(2,number_of_points) +a ;cambiará la distribución de de normal a uniforme.(x,y)


55
La pregunta se ve más y más bonita con cada edición y el título de la pregunta es más claro y conciso. Bien hecho @ 0x90.
Michael R. Chernick

3
+1. Es interesante que la distribución normal es la única que conduce a ángulos distribuidos uniformemente (es decir, a una distribución 2D simétrica rotacional), consulte stats.stackexchange.com/a/255417/28666 .
ameba dice Reinstate Monica

Respuestas:


13

Se refiere a una transformación de un par de variables independientes a la representación polar (radio y ángulo), y luego observa la distribución marginal de .( R , θ ) θ(X,Y)(R,θ)θ

Voy a ofrecer una explicación algo intuitiva (aunque una derivación matemática de la densidad hace esencialmente lo que describo informalmente).

Tenga en cuenta que si escala las dos variables, X e Y según alguna escala común (por ejemplo, vaya de U (-1,1) a U (-10,10) o de N (0,1) a N (0,20) en ambas variables al mismo tiempo) que no hace diferencia en la distribución del ángulo (solo afecta la escala de la distribución del radio). Así que consideremos los casos unitarios.

Primero considere lo que está sucediendo con el caso del uniforme. Tenga en cuenta que la distribución es uniforme sobre el cuadrado de la unidad, de modo que la densidad de probabilidad en una región contenida dentro de es proporcional al área de la región. Específicamente, observe la densidad asociada con un elemento de ángulo, cerca de la horizontal (ángulo cercano ) y en la diagonal (ángulo cercano ): d θ θ = 0 θ = π / 4[1,1]2dθθ=0θ=π/4

ingrese la descripción de la imagen aquí

Claramente, el elemento de probabilidad (es decir, área) correspondiente a un elemento de ángulo ( ) es mayor cuando el ángulo está cerca de una de las diagonales. De hecho, considere inscribir un círculo dentro del cuadrado; el área abarcada por un ángulo pequeño dado dentro del círculo es constante, y luego la parte fuera del círculo crece a medida que nos acercamos a la diagonal, donde está al máximo. d θdfθdθ

Esto explica completamente el patrón que ves en las simulaciones.

De hecho, podemos ver que la densidad debe ser proporcional a la longitud del segmento desde el centro del cuadrado hasta su borde; La trigonometría simple es suficiente para derivar la densidad a partir de ahí y luego es fácil encontrar la constante requerida para hacer que la densidad se integre a 1.

[Editar: agregué este siguiente bit para discutir el radio, ya que la pregunta ha cambiado desde mi respuesta original.]

Tenga en cuenta que si tuviéramos una distribución uniforme sobre el círculo unitario (es decir, el que inscribimos en el cuadrado antes), entonces la densidad del radio para eso sería proporcional al radio (considere el área de un pequeño elemento anular de ancho en radio - es decir, entre y - tiene un área proporcional a ). Luego, cuando pasamos fuera del círculo, las nuevas regiones anulares con un radio mayor solo obtienen contribuciones de densidad de la parte en el cuadrado, por lo que la densidad disminuye (inicialmente bastante rápido, luego más lentamente) entre y . (Nuevamente, las nociones geométricas bastante simples son suficientes para obtener la forma funcional de la densidad si es necesario).r r r + d r r 1 drrrr+drr12


Por el contrario, si la distribución conjunta es simétrica rotacionalmente sobre el origen, entonces el elemento de probabilidad en algún ángulo no depende del ángulo (¡esto es esencialmente una tautología!). La distribución bivariada de dos gaussianos estándar independientes es rotacionalmente simétrica respecto al origen:

ingrese la descripción de la imagen aquí

(código para esta imagen basado en el código de Elan Cohen aquí, pero hay una buena alternativa aquí , y algo entre los dos aquí )

En consecuencia, el volumen contenido en algún ángulo es el mismo para cada , por lo que la densidad asociada con el ángulo es uniforme en .θ [ 0 , 2 π )dθθ[0,2π)

[El truco polar que se usa típicamente para integrar la densidad normal sobre la línea real se puede usar para descubrir que la densidad del radio cuadrado es exponencial negativa, y desde allí la densidad del radio es fácil de identificar mediante un argumento de transformación simple de la funcion de distribucion]


44
Los cuatro picos en la distribución de se deben a las cuatro esquinas del cuadrado . Tenga en cuenta que cualquier distribución esféricamente simétrica conducirá a la distribución Uniforme en , comenzando con los Uniformes en esferas y círculos centrados en . ( - 10 , 10 ) 2 θ ( 0 , 0 )θ(10,10)2θ(0,0)
Xi'an

2
+1. Es interesante que la distribución normal es la única que conduce a una distribución 2D simétrica rotacional, consulte stats.stackexchange.com/a/255417/28666 . Esto fue sorprendente para mí.
ameba dice Reinstate Monica

3
@amoeba Sí, es la única distribución simétrica circular que es producto de márgenes independientes.
Glen_b -Reinstate Monica

2
Creo que es bastante asombroso. ¡Considera mencionarlo en tu respuesta!
ameba dice Reinstate Monica

6

Contestaré la pregunta sobre el caso normal que conduce a la distribución uniforme. Es bien sabido que si e Y son independientes y normalmente distribuidos, los contornos de densidad de probabilidad constante es un círculo en el plano x - y . El radio R = XYxy tiene ladistribución de Rayleigh. Para una buena discusión de esto, el artículo de Wikipedia titulado Distribución de Rayleigh.R=X2+Y2

Ahora veamos las variables aleatorias e Y usando coordenadas polares.XY

, Y = r sin ( θ ) . tenga en cuenta que X 2 + Y 2 = r 2 . Si θ es uniforme en ( 0 , 2 π ) y r tiene una distribución de Rayleigh X y Y habrá normales independientes cada uno con 0 media y una varianza común. Lo contrario también es cierto. La prueba de lo contrario es lo que creo que el OP quiere como respuesta a la segunda parte de la pregunta.X=rcos(θ)Y=rsin(θ)X2+Y2=r2θ(0,2π)rXY0

Aquí hay un boceto de la prueba. Sin pérdida de generalidad, podemos suponer que se distribuye N ( 0 , 1 ) e Y se distribuye N ( 0 , 1 ) e independientes entre sí.XN(0,1)YN(0,1)

Entonces la densidad conjunta . Usa la transformación a coordenadas polares para obtener g ( r , θ ) . Dado que x = r sin ( θ ) e y = r cos ( θ ) . Entonces rf(x,y)=(1/2π)exp[([x2+y2])/2]g(r,θ)x=rsin(θ)y=rcos(θ) yθ=arctan(x/y). Calcule el jacobiano de la transformación y realice la sustitución apropiada enf(x,y). Como resultado,g(r,θ)serárexp[(-r2)/(2π)]parar0y0θr=x2+y2θ=arctan(x/y)f(x,y)g(r,θ)rexp[(r2)/(2π)]r0 . Esto muestra que r y theta son independientes con r que tiene una distribución de Rayleigh y theta tiene la densidad constante 1 / ( 2 π ) .0θ2πrr1/(2π)


Lo que significa es que si observa la altura de la densidad bivariada a una distancia radial fija desde el centro (en este caso, el origen) será el mismo valor en todos los puntos en ese círculo.
Michael R. Chernick


@ 0x90 Sí, su enlace muestra una forma de ver esto es mirar la forma cuadrática en el exponente de la densidad. Entonces, en general, para la configuración normal bivariada, ese exponente a una constante define los contornos de densidad constante y esa ecuación es una de una elipse. en el caso especial cuando la matriz de covarianza es una matriz de identidad escalada, la elipse se simplifica a un círculo.
Michael R. Chernick

2
Creo que hay una manera más fácil de ver la uniformidad: para normal independiente con media 0 , es fácil mostrar que su relación es Cauchy ( 0 , 1 ) . Dado que CDF de Cauchy es simplemente escalado y traducción de arctan , por probabilidad, el arctan de transformación integral ( X / Y ) es simplemente una variable aleatoria uniforme estándar desplazada y escalada. X,Y0Cauchy(0,1)arctan arctan(X/Y)
Francis el

1
@Francis Principalmente aprecio tu edición minuciosa de todas mis ecuaciones. También quiero decir que su comentario anterior definitivamente muestra un enfoque imaginativo para resolver el problema de uniformidad con theta. Estoy seguro de que algunos estarán de acuerdo en que es más fácil.
Michael R. Chernick

6

Para completar las respuestas bastante buenas dadas por Glen y Michael, calcularé la densidad de cuando la distribución de ( X , Y ) sea ​​uniforme en el cuadrado [ - 1 , 1 ] × [ - 1 , 1 ] . Esta densidad uniforme es 1θ(X,Y)[1,1]×[1,1] en este cuadrado,0 enotra parte, es decir, la probabilidad de muestrear un punto en una región determinada del cuadrado es1140 el área de esta región.14

La región de interés para nuestra pregunta es el sector rojo en este dibujo: square with a shaded sector

θθ+dθθθ+dθθ

θ[π4,π4]π2

1cosθ

1cos(θ+dθ)=1cosθ+sinθcos2θdθ.

abα12absinα

12(1cosθ)(1cosθ+sinθcos2θdθ)sindθ=dθ2cos2θ
dθsindθ=dθ

θ

18cos2θ
θ[π4,π4]π2

Verificación:

x <- runif(1e6, -1, 1)
y <- runif(1e6, -1, 1)
hist( atan2(y,x), freq=FALSE, breaks=100)
theta <- seq(-pi, pi, length=500)
lines(theta, 0.125/cos((theta + pi/4)%%(pi/2) - pi/4)**2, col="red" )

histogramm + density

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.