확률 이론과 방향 통계에서, 래핑된 확률 분포는 단위 n-sphere에 있는 데이터 점을 설명하는 연속적인 확률 분포다.하나의 차원에서는 래핑된 분포가 단위 원의 점으로 구성된다.φ이 확률밀도함수 p(φ)를 가진 구간(- random, (-)의 랜덤 변수인 경우, z = e는 i φ 래핑된 분포 pzw(z)에 따라 분포하는 원형 변수가 되고 and=arg(z)는 래핑된 분포 pw(θ)에 따라 분포하는 구간(- (-, ])에서 각도 변수가 된다.null
라인의 모든
확률밀도함수(pdf) ( {\디스플레이 스타일 p은 단위 반지름 원주 둘레를 중심으로 "포장"할 수 있다.[1]즉, 래핑된 변수의 pdf.
- = 길이
의 일부 간격
이다
![p_{w}(\theta )=\sum _{{k=-\infty }}^{\infty }{p(\theta +2\pi k)}.](https://wikimedia.org/api/rest_v1/media/math/render/svg/1205926b378f388df7b1f9fbcad9da9de57008df)
which is a periodic sum of period
. The preferred interval is generally
for which ![\ln(e^{{i\theta }})=\arg(e^{{i\theta }})=\theta](https://wikimedia.org/api/rest_v1/media/math/render/svg/a09f6db09c8d4482f8f4ce826372032e0e3e0773)
이론
대부분의 상황에서, 순환 통계를 포함하는 프로세스는 음의 무한대에서 양의 무한대로의 간격에 놓여 있는
)를 생성하며, "포장되지 않은" 확률 밀도함수 ( ) p에 의해 설명된다
그러나 측정은 "측정된" 를 산출할 것이다 길이 2 의 일부 간격
예
: [ 0, 2 style ) {\
즉, 측정은 "참" 각도 이(가) 측정되었는지
또는 "wrapted" 각도 + 이(가) 측정되었는지
알 수 없으며, 여기서 는 일부 알 수 없는 정수인 것이다.즉,
![\theta =\phi +2\pi a.](https://wikimedia.org/api/rest_v1/media/math/render/svg/88f652e5cdb4629b7ca7c32b513d9ebc4a4201ac)
측정된 각도의 일부 함수에 대한 기대값을 계산하고자 하는 경우 다음과 같다.
![\langle f(\theta )\rangle =\int _{{-\infty }}^{\infty }p(\phi )f(\phi +2\pi a)d\phi .](https://wikimedia.org/api/rest_v1/media/math/render/svg/9176b6b3e1b6c1ab29d7da72fafd5281e8a2d1d1)
의 합계로서 2
예: 0 ~ }):![2\pi](https://wikimedia.org/api/rest_v1/media/math/render/svg/73efd1f6493490b058097060a572606d2c550a06)
![\langle f(\theta )\rangle =\sum _{{k=-\infty }}^{\infty }\int _{{2\pi k}}^{{2\pi (k+1)}}p(\phi )f(\phi +2\pi a)d\phi .](https://wikimedia.org/api/rest_v1/media/math/render/svg/5eb0b6f6a69562d835eda60fef4ba761a1ae85f8)
통합 변수를 = - - k {\'=\ k}로 변경하고
통합 및 합산의 순서를 교환하는 것은 다음과 같다.
![\langle f(\theta )\rangle =\int _{0}^{{2\pi }}p_{w}(\theta ')f(\theta '+2\pi a')d\theta '](https://wikimedia.org/api/rest_v1/media/math/render/svg/8ca9b0ec6777c865839051099da195e7d816a8d5)
여기서 ( ) 은
"pdf" 분포의 pdf이고 a'는 또 다른 알 수 없는 정수(a'=a+k)이다.알 수 없는 정수 a'는 (의 기대치에 모호성을 도입하는 것을 알 수 있다
측정된 각도 집합의 평균을 취하려고 할 때 이 문제의 특정 사례가 발생한다.만약 측정된 각도 대신에 = e 매개 변수를 도입한다면, z는 다음과 같은 이유로
"진정한" 각도 과(와) 모호하지 않은 관계를 갖는다고 간주된다
.
![z=e^{{i\theta }}=e^{{i\phi }}.](https://wikimedia.org/api/rest_v1/media/math/render/svg/f7c3a925adadd0ff5798a5e7013db2c528e7fdfd)
z 함수의 기대값을 계산하면 모호하지 않은 답이 나온다.
![\langle f(z)\rangle =\int _{0}^{{2\pi }}p_{w}(\theta ')f(e^{{i\theta '}})d\theta '](https://wikimedia.org/api/rest_v1/media/math/render/svg/ccd88dc48b2c5d9962d984d35db52b79d82ea52c)
그리고 이러한 이유로 z 매개변수가 측정된 각도 }보다 순환 통계 분석에서 사용하기에 선호되는 통계 변수인 것이다
이는 다음과 같이 래핑된 분포함수가 z의 함수로 표현될 수 있음을 시사하며, 아래에 나와 있다.
![{\displaystyle \langle f(z)\rangle =\oint p_{wz}(z)f(z)\,dz}](https://wikimedia.org/api/rest_v1/media/math/render/svg/1e0725e2de132e2e98a32b622cbac5d9a6c9dc75)
where
is defined such that
. This concept can be extended to the multivariate context by an extension of the simple sum to a number of
sums that cover형상 공간의 모든 치수:
![p_{w}({\vec \theta })=\sum _{{k_{1},...,k_{F}=-\infty }}^{{\infty }}{p({\vec \theta }+2\pi k_{1}{\mathbf {e}}_{1}+\dots +2\pi k_{F}{\mathbf {e}}_{F})}](https://wikimedia.org/api/rest_v1/media/math/render/svg/8ebfe2f190b9efdf0435217ebdbe656755119ef5)
여기서 =( , ) ,0는 {\ Th
U클리드 기본 벡터다
.null
특성함수의 관점에서 표현
기본 래핑된 분포는 래핑된 디락 델타 함수인 디락 빗이다.
![\Delta _{{2\pi }}(\theta )=\sum _{{k=-\infty }}^{{\infty }}{\delta (\theta +2\pi k)}.](https://wikimedia.org/api/rest_v1/media/math/render/svg/1c11580b446b15a6580205be415b2ac522ac9141)
델타 함수를 사용하여 일반 포장 분포를 작성할 수 있다.
![p_{w}(\theta )=\sum _{{k=-\infty }}^{{\infty }}\int _{{-\infty }}^{\infty }p(\theta ')\delta (\theta -\theta '+2\pi k)\,d\theta '.](https://wikimedia.org/api/rest_v1/media/math/render/svg/054391369eb9022e9a825df994c36be94bcdca19)
합계와 통합의 순서를 바꾸어, 포장된 모든 분포는 "포장되지 않은" 분포와 Dirac의 결합으로 작성할 수 있다.
![p_{w}(\theta )=\int _{{-\infty }}^{\infty }p(\theta ')\Delta _{{2\pi }}(\theta -\theta ')\,d\theta '.](https://wikimedia.org/api/rest_v1/media/math/render/svg/3549d765e03a067056d76ae9e036f2e7ac835d17)
디락 빗은 지수들의 합으로도 표현될 수 있으므로, 우리는 다음과 같이 쓸 수 있다.
![p_{w}(\theta )={\frac {1}{2\pi }}\,\int _{{-\infty }}^{\infty }p(\theta ')\sum _{{n=-\infty }}^{{\infty }}e^{{in(\theta -\theta ')}}\,d\theta '](https://wikimedia.org/api/rest_v1/media/math/render/svg/f6cf6ee65af3ff440a134b642945495c17a5acd1)
다시 종합과 통합의 순서를 교환하고
![{\displaystyle p_{w}(\theta )={\frac {1}{2\pi }}\,\sum _{n=-\infty }^{\infty }\int _{-\infty }^{\infty }p(\theta ')e^{in(\theta -\theta ')}\,d\theta '}](https://wikimedia.org/api/rest_v1/media/math/render/svg/53a16d18d4fbdb8672044e45fe723d89cfd3aa4d)
( ){\의 정의![\phi (s)](https://wikimedia.org/api/rest_v1/media/math/render/svg/93fad2da6491c21fdb48cba8537b0958cfe3c0d4)
( ) p의 특성 함수를 사용하여 포장되지 않은 분포의 특성 함수에 있어 래핑된 분포에 대해 약 0의 Laurent 시리즈를 산출한다.[2]
![{\displaystyle p_{w}(\theta )={\frac {1}{2\pi }}\,\sum _{n=-\infty }^{\infty }\phi (n)\,e^{-in\theta }}](https://wikimedia.org/api/rest_v1/media/math/render/svg/6ebff01934cf36e374bbbceb082eae3d3254921e)
또는
![{\displaystyle p_{wz}(z)={\frac {1}{2\pi }}\,\sum _{n=-\infty }^{\infty }\phi (n)\,z^{-n}.}](https://wikimedia.org/api/rest_v1/media/math/render/svg/da29769af57018827674916fb786b1b19d78570a)
선형 분포와 유사하게 ( 을(를) 래핑된 분포의[2] 특성 함수(또는 더 정확히 말하면 특성 시퀀스)라고 한다
.이는 포아송 합계 공식의 한 예로서, 포장되지 않은 분포의 푸리에 변환의 푸리에 계수(Fourier)를 정수로 환산한 푸리에 계수(Fourier 변환의 푸리에 계수(Fourier 계수)에 지나지 않는다.null
순간
포장된 분포 ( )의 모멘트는 다음과 같이 정의된다
.
![{\displaystyle \langle z^{m}\rangle =\oint p_{wz}(z)z^{m}\,dz.}](https://wikimedia.org/api/rest_v1/media/math/render/svg/5439c90a841c59bc2dc115a50188e804b727c730)
함수의 관점에서
w() {\w}(을(를) 표현하고 통합 및 합산의 순서를 교환하는 경우:
![{\displaystyle \langle z^{m}\rangle ={\frac {1}{2\pi }}\sum _{n=-\infty }^{\infty }\phi (n)\oint z^{m-n}\,dz.}](https://wikimedia.org/api/rest_v1/media/math/render/svg/85e34e5642a0695a81329fb3ea7cb82f7a7eee3c)
잔류물 이론으로 볼 때
![{\displaystyle \oint z^{m-n}\,dz=2\pi \delta _{m-n}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/fffac2f6681796606e51feca04939bea064fd0c4)
여기서 는
Kronecker 델타 함수다.다음은 순간들이 단순히 정수 인수에 대한 포장되지 않은 분포의 특성 함수와 동일하다는 것이다.
![{\displaystyle \langle z^{m}\rangle =\phi (m).}](https://wikimedia.org/api/rest_v1/media/math/render/svg/1fa3b9cad20f287390e0b8aec1bc01c683e8057f)
랜덤 변수의 생성
X가 선형 확률 분포 P에서 도출된 랜덤 변수인 경우, = X Z는
포장된 P 분포에 따라 분포된 원형 변수가 되며, = (Z 은
포장된 P 분포에 따라 분포된 각 변수가 된다.-< { { {\-\leq ![{\displaystyle -\pi <\theta \leq \pi }](https://wikimedia.org/api/rest_v1/media/math/render/svg/a70d91280db2ab2fd5ef5d17654d46c869caaf23)
엔트로피
확률밀도 ( ) 을(를) 가진 순환 분포의 정보 엔트로피는 다음과 같이 정의된다
.[1]
![{\displaystyle H=-\int _{\Gamma }p_{w}(\theta )\,\ln(p_{w}(\theta ))\,d\theta }](https://wikimedia.org/api/rest_v1/media/math/render/svg/ed9a7560e83b1c503600c0879e1505ff0106c366)
여기서 은
길이 의 임의 구간이다
확률밀도와 그 로그가 모두 푸리에 시리즈(또는 더 일반적으로 원의 모든 적분 변환)로 표현될 수 있다면 직교성 속성을 사용하여 엔트로피의 직렬 표현을 얻을 수 있다.폐쇄형으로 축소하다null
분포의 모멘트 () 은 확률밀도의 푸리에 시리즈 확장을 위한 푸리에 계수다
.
![{\displaystyle p_{w}(\theta )={\frac {1}{2\pi }}\sum _{n=-\infty }^{\infty }\phi _{n}e^{-in\theta }}](https://wikimedia.org/api/rest_v1/media/math/render/svg/3830229c7ef637843e2ddb7bdd98929eaeac00d0)
확률밀도의 로그가 푸리에 시리즈로도 표현될 수 있는 경우:
![{\displaystyle \ln(p_{w}(\theta ))=\sum _{m=-\infty }^{\infty }c_{m}e^{im\theta }}](https://wikimedia.org/api/rest_v1/media/math/render/svg/8947cdea07acf629ab952dc7c4fcf02037cd65ec)
어디에
![{\displaystyle c_{m}={\frac {1}{2\pi }}\int _{\Gamma }\ln(p_{w}(\theta ))e^{-im\theta }\,d\theta }](https://wikimedia.org/api/rest_v1/media/math/render/svg/6297d3ea857479a1740675399ce3a5599f8cca89)
그런 다음, 통합과 합산의 순서를 바꾸어 엔트로피를 다음과 같이 쓸 수 있다.
![{\displaystyle H=-{\frac {1}{2\pi }}\sum _{m=-\infty }^{\infty }\sum _{n=-\infty }^{\infty }c_{m}\phi _{n}\int _{\Gamma }e^{i(m-n)\theta }\,d\theta }](https://wikimedia.org/api/rest_v1/media/math/render/svg/b1aa7a2bcb12a6bf9264cde68a5b5f97178a5fea)
푸리에 기초의 직교성을 사용하여 적분은 다음과 같이 감소할 수 있다.
![{\displaystyle H=-\sum _{n=-\infty }^{\infty }c_{n}\phi _{n}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/e7978bdff13998e48448e55800c57d1cbc2ff62e)
확률밀도가 평균에 대해 인 한 경우 c - m= {\m}}와
로그는 다음과 같이 기록할 수 있다.
![{\displaystyle \ln(p_{w}(\theta ))=c_{0}+2\sum _{m=1}^{\infty }c_{m}\cos(m\theta )}](https://wikimedia.org/api/rest_v1/media/math/render/svg/e04a386fd2b5d913822d852dc85c73043454f515)
그리고
![{\displaystyle c_{m}={\frac {1}{2\pi }}\int _{\Gamma }\ln(p_{w}(\theta ))\cos(m\theta )\,d\theta }](https://wikimedia.org/api/rest_v1/media/math/render/svg/f1980d30d5f278c460f38ffd06f6d74995f2b589)
그리고, 정상화를 위해서는 = 1 이 필요하므로 엔트로피가 다음과 같이 기록될 수 있다![{\displaystyle \phi _{0}=1}](https://wikimedia.org/api/rest_v1/media/math/render/svg/d9a4ae4140c2d50223218b5998517865eef1576a)
![{\displaystyle H=-c_{0}-2\sum _{n=1}^{\infty }c_{n}\phi _{n}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/0828ea65898875d11183227f0570e4f706f839c6)
참고 항목
참조
외부 링크
- C++11, C++11 기반수학 및 통계수학을 이용한 순환값 수학 및 통계
|
---|
이산형 일변도의 | |
---|
연속 일변도의 | 의 지지를 받고 있는. 경계 간격 | |
---|
의 지지를 받고 있는. 반무한 간격을 두고 | |
---|
지지의 대체로 실선 | |
---|
지지하여 누구의 타입이 다른가. | |
---|
|
---|
혼합 일변도의 | |
---|
다변량 (공동) | |
---|
방향 | |
---|
퇴보하다 그리고 단수 | |
---|
가족들 | |
---|