Log Cauchy分布的一个Hierarchical模型:LC=Gamma+Gamma+Unif

  • 一个重要公式:Γ(z)Γ(1−z)=πsin⁡(πz)\Gamma(z)\Gamma(1-z)=\frac{\pi}{\sin(\pi z)}Γ(z)Γ(1−z)=sin(πz)π​
  • 分层模型的证明

如果XXX服从对数柯西分布LC(0,π)LC(0,\pi)LC(0,π),则它可以用下面的分层模型表示:
X∣Y,Z∼Gamma(Z,Y)Y∣Z∼Gamma(1−Z,1)Z∼Unif(0,1)\begin{aligned}X|Y,Z & \sim \text{Gamma}(Z,Y) \\ Y|Z & \sim \text{Gamma}(1-Z,1) \\ Z & \sim \text{Unif}(0,1)\end{aligned}X∣Y,ZY∣ZZ​∼Gamma(Z,Y)∼Gamma(1−Z,1)∼Unif(0,1)​

这篇博客记录一下这个分层模型的证明。

一个重要公式:Γ(z)Γ(1−z)=πsin⁡(πz)\Gamma(z)\Gamma(1-z)=\frac{\pi}{\sin(\pi z)}Γ(z)Γ(1−z)=sin(πz)π​

第一步 Beta函数的定义是
B(x,y)=∫0∞tx−1(1+t)x+ydt=Γ(x)Γ(y)Γ(x+y)\Beta(x,y)=\int_0^{\infty} \frac{t^{x-1}}{(1+t)^{x+y}}dt=\frac{\Gamma(x)\Gamma(y)}{\Gamma(x+y)}B(x,y)=∫0∞​(1+t)x+ytx−1​dt=Γ(x+y)Γ(x)Γ(y)​

令x=z,y=1−zx=z,y=1-zx=z,y=1−z,则
Γ(z)Γ(1−z)=∫0∞tz−11+tdt\Gamma(z)\Gamma(1-z)=\int_0^{\infty} \frac{t^{z-1}}{1+t}dtΓ(z)Γ(1−z)=∫0∞​1+ttz−1​dt

定义复变函数g(t)=tz−11+tg(t)=\frac{t^{z-1}}{1+t}g(t)=1+ttz−1​


考虑上图所示的contour CCC,γ\gammaγ与Γ\GammaΓ是以−1-1−1为中心的圆,则
∫Cgdt=∫Γgdt+∫γgdt+∫0∞gdt−∫0∞(te2πi)z−11+tdt\int_{C} gdt=\int_{\Gamma}gdt+\int_{\gamma}gdt+\int_0^{\infty}gdt-\int_0^{\infty}\frac{(t e^{2\pi i})^{z-1}}{1+t}dt∫C​gdt=∫Γ​gdt+∫γ​gdt+∫0∞​gdt−∫0∞​1+t(te2πi)z−1​dt

假设γ\gammaγ的半径非常小,Γ\GammaΓ的半径非常大,根据留数定理
∫Γgdt+∫γgdt=2πiRes(g;−1)−2πiRes(g;−1)=0∫Cgdt=2πiRes(g;−1)=2πieiπ(z−1)\int_{\Gamma}gdt+\int_{\gamma}gdt=2\pi iRes(g;-1)-2\pi iRes(g;-1)=0 \\ \int_C gdt = 2 \pi i Res(g;-1)=2\pi i e^{i \pi (z-1)}∫Γ​gdt+∫γ​gdt=2πiRes(g;−1)−2πiRes(g;−1)=0∫C​gdt=2πiRes(g;−1)=2πieiπ(z−1)

所以
[1−ei2π(z−1)]∫0+∞gdt=2πieiπ(z−1)∫0+∞gdt=πsin⁡(πz)[1-e^{i2 \pi (z-1)}]\int_0^{+\infty}gdt=2\pi i e^{i \pi (z-1)} \\ \int_0^{+\infty}gdt=\frac{\pi}{\sin(\pi z)}[1−ei2π(z−1)]∫0+∞​gdt=2πieiπ(z−1)∫0+∞​gdt=sin(πz)π​

分层模型的证明

f(x,y,z)=yzxz−1Γ(z)e−xyy−zΓ(1−z)e−y=xz−1e−(x+1)yΓ(z)Γ(1−z)f(x,y,z)=\frac{y^zx^{z-1}}{\Gamma(z)}e^{-xy} \frac{y^{-z}}{\Gamma(1-z)}e^{-y}=\frac{x^{z-1}e^{-(x+1)y}}{\Gamma(z)\Gamma(1-z)}f(x,y,z)=Γ(z)yzxz−1​e−xyΓ(1−z)y−z​e−y=Γ(z)Γ(1−z)xz−1e−(x+1)y​

其中Γ(z)Γ(1−z)=πsin⁡(πz)\Gamma(z)\Gamma(1-z)=\frac{\pi}{\sin(\pi z)}Γ(z)Γ(1−z)=sin(πz)π​

于是联合密度为
f(x,y,z)=xz−1e−(x+1)ysin⁡(πz)πf(x,y,z)=\frac{x^{z-1}e^{-(x+1)y}\sin(\pi z)}{\pi}f(x,y,z)=πxz−1e−(x+1)ysin(πz)​

下面计算积分:
f(x,z)=∫0+∞xz−1e−(x+1)ysin⁡(πz)πdy=xzsin⁡(πz)πx(x+1)f(x)=∫01xzsin⁡(πz)πx(x+1)dz=1πx(x+1)π(x+1)π2+ln⁡2(x)=1x1π2+ln⁡2(x)\begin{aligned} f(x,z) & = \int_0^{+\infty} \frac{x^{z-1}e^{-(x+1)y}\sin(\pi z)}{\pi} dy = \frac{x^z \sin (\pi z)}{\pi x(x+1)} \\ f(x) & = \int_0^1\frac{x^z \sin (\pi z)}{\pi x(x+1)} dz = \frac{1}{\pi x(x+1)} \frac{\pi(x+1)}{\pi^2+\ln^2(x)} \\ & = \frac{1}{x} \frac{1}{\pi^2+\ln^2(x)} \end{aligned}f(x,z)f(x)​=∫0+∞​πxz−1e−(x+1)ysin(πz)​dy=πx(x+1)xzsin(πz)​=∫01​πx(x+1)xzsin(πz)​dz=πx(x+1)1​π2+ln2(x)π(x+1)​=x1​π2+ln2(x)1​​

这正好是LC(0,π)LC(0,\pi)LC(0,π)的密度。

最后一步需要用到积分
∫01xzsin⁡(πz)dz=π(x+1)π2+ln⁡2(x)\int_0^1 x^z \sin(\pi z)dz = \frac{\pi(x+1)}{\pi^2+\ln^2(x)}∫01​xzsin(πz)dz=π2+ln2(x)π(x+1)​

Log Cauchy分布的一个Hierarchical模型:LC=Gamma+Gamma+Unif相关推荐

  1. R语言柯西(cauchy)分布

    柯西分布是一个数学期望不存在的连续型概率分布.当随机变量X满足它的概率密度函数时,称X服从柯西分布. The Cauchy Distribution Description Density, dist ...

  2. 【转载】关于幂律分布的一个笔记

    关于幂律分布的一个笔记 原文转自:http://blog.sina.com.cn/s/blog_55954cfb0100ps89.html 0:题外话或补记 最早知道二八法则,还是一本介绍犹太民族杰出 ...

  3. 关于幂律分布的一个笔记_哈克_新浪博客

    关于幂律分布的一个笔记_哈克_新浪博客 关于幂律分布的一个笔记     (2011-03-02 18:12:27)     转载▼     标签:     幂律     二八法则     杂谈     ...

  4. 我们可以无损放大一个Transformer模型吗?

    ©PaperWeekly 原创 · 作者 | 苏剑林 单位 | 追一科技 研究方向 | NLP.神经网络 看了标题,可能读者会有疑惑,大家不都想着将大模型缩小吗?怎么你想着将小模型放大了?其实背景是这 ...

  5. Three.js的学习之路(一丶创建项目/画出第一个3D模型)

    前言: 最近有点无聊,学学three.js,记录一下学习过程,随便给大家避避坑. 我的目标是完成一个室内设计预览的效果(下图),任重而道远啊,最后能不能坚持下去也不知道,不一定有这么多时间去搞,拭目以 ...

  6. 赠书 | 成为一个多模型思考者,从掌握数据跃迁到拥有智慧

    文中有数据派THU福利哦 密歇根大学复杂性研究中心"掌门人"斯科特·佩奇大力提倡多模型思维方法,即通过一系列不同的逻辑框架"生成"智慧的方法.为了论证多模型思维 ...

  7. 构建一个LVS-DR模型的高性能集群,并实现Nginx、PHP、MySQL分离

    搭建一个LVS-DR模型的高性能集群,并实现以下功能: (1).wordpress程序通过nfs共享给个个realserver: (2).后端realserver中的nginx和php分离: 网站架构 ...

  8. 把一个dataset的表放在另一个dataset里面_使用中文维基百科语料库训练一个word2vec模型并使用说明...

    ​本篇主要介绍如何通过中文维基百科语料库来训练一个word2vec模型. 相关资料下载: 中文维基百科下载地址:https://dumps.wikimedia.org/zhwiki/ WikiExtr ...

  9. matlab全景图素材,matlab以simulink的方式建立一个vr模型

    在动态视景仿真中,建立虚拟现实模型通常非常方便.早些时候,据说通过命令行构建一个虚拟现实模型.以下是用simulink建立simulink模型的一种简单快捷的方法.增加了一个方框作为例子. 工具/原材 ...

最新文章

  1. 2019年深度学习的十大预测
  2. 无法绑定由多个部分组成的标识符“System.Data.DataRowView”
  3. 性能优化18招提速宝典
  4. 高性能计算的线程模型:Pthreads 还是 OpenMP
  5. P2802 回家(dfs+三维数组标记+剪枝)
  6. TensorFlow实现LeNet5模型
  7. skywalking使用方法_SkyWalking 源码分析—— Collector Server Component 服务器组件
  8. Matrix: android 中的Matrix (android.graphics.Matrix) (转)
  9. java 6 linux_CentOS 6.5 安装java
  10. 美一好创始人驾驶蔚来ES8启用自动驾驶后发生交通事故不幸逝世
  11. 斐波那契数列(递归和非递归实现)
  12. java filter param_Java过滤器Filter使用详解
  13. 手机计算机文件夹加密文件,如何给手机以及电脑文件加密?
  14. Android 百度离线地图下载完后调用下载好的离线包
  15. 计算机 无法进入睡眠模式,win10电脑无法进入睡眠模式怎么解决
  16. 【C语言进阶】⑤关于数组传参和指针传参辨析
  17. 【Java基础系列】基本数据类型及包装类
  18. 标记偏见_协作和透明的机器学习可消除偏见
  19. Vue + DataV + SignalR 数字化大屏展示
  20. 通过复制粘贴输入网址

热门文章

  1. 用cmake编译caffe
  2. 【数据平台】关于Hadoop集群namenode format安全事故
  3. 生产上如何设置线程池参数?拒绝策略怎么配?|| Executors 中 JDK 给你提供了,为什么不用??
  4. JUC里面的相关分类|| java并发编程中,关于锁的实现方式有两种synchronized ,Lock || Lock——ReentrantLock||AQS(抽象队列同步器)
  5. Request —— 获取请求行数据 获取请求头数据 获取请求体数据
  6. MySQL 数据库sql命令查看表属性,mysql查看指定表的各字段最大值、是否为空等属性实例演示
  7. Linux CentOS各大网站镜像资源地址展示,各种rpm资源包下载地址,rpm安装包大全
  8. Python 技术篇-用imageio库实现图片转gif动画,Gif录制屏幕操作实例演示
  9. chrome 插件安装:无法添加来自此网站的应用,解决办法。安装本地crx插件方法
  10. STM32F103的PC13、PB3和PB4定义为普通IO口使用