การกระจายตัวของอัตราส่วนของตัวแปรสุ่มไคสแควร์แบบพึ่งพา


11

สมมติว่าโดยที่เป็นอิสระX=X1+X2++XnXiN(0,σ2)

คำถามของฉันคือการกระจายอะไรบ้าง

Z=X2X12+X22++Xn2

ทำตาม? ฉันรู้จากที่นี่ว่าอัตราส่วนของตัวแปรสุ่มไคสแควร์สองตัวแสดงเป็นตามการแจกแจงแบบเบต้า ผมคิดว่านี้จะถือว่าเป็นอิสระระหว่างและYในกรณีของฉันตัวส่วนของมีส่วนประกอบของกำลังสองWW+YWYZX

ฉันคิดว่าต้องติดตามความผันแปรของการกระจายเบต้า แต่ฉันไม่แน่ใจ และถ้าสมมติฐานนี้ถูกต้องฉันก็ไม่รู้จะพิสูจน์มันได้อย่างไรZ


6
เนื่องจากการกระจายตัวส่วนเป็นค่าคงที่ภายใต้การหมุนคุณสามารถหมุนเป็นเท่ากับซึ่งจะช่วยลดคำถามของคุณเป็นสิ่งที่คุ้นเคย :-) XnX1
whuber

1
ฉันค่อนข้างแน่ใจว่า @whuber หมายถึงสิ่งที่พิมพ์ตรงนั้น เมื่อคุณพูดว่า 'nominator' คุณหมายถึง 'numerator' หรือไม่
Glen_b -Reinstate Monica

3
เมื่อคุณหมุนสิ่งที่คุณ (ตามคำจำกัดความ) รักษาความยาวของมัน ดังนั้นความแปรปรวนของรุ่นที่หมุนใด ๆ ของต้องเท่ากับความแปรปรวนของซึ่งเป็น : ว่าที่คำมาจาก XX1+1++1=nn
whuber

1
@whuber คำตอบของคุณน่าสนใจมาก แต่ฉันมีข้อสงสัย เมื่อคุณบอกว่าฉันสามารถหมุนให้เท่ากับนี่ก็หมายความว่าฉันสามารถเขียนตัวเศษของเป็นและดังนั้นกลายเป็น2} ตอนนี้ถ้าฉันถือว่าและและเนื่องจากและเป็นอิสระฉันสามารถสันนิษฐานได้ว่ามีXnX1ZnX12ZnX12X12+X22++Xn2W=X12Y=X22++Xn2WYZ=nWW+Yβการกระจายและอื่น ๆ ฉันได้รับคะแนนของคุณถึงตอนนี้? ดังนั้นนี่คือความสับสนของฉัน ก่อนที่จะใช้แนวคิดของค่าความแปรปรวนแบบหมุนและโมดิฟายน์
ssah

2
@ssah คุณทำผิดพลาดในการใช้เหตุผลของฉัน: หากไม่มีในตัวหารการแจกแจงจะไม่คงที่อีกต่อไปกับการหมุนโดยพลการของและข้อสรุปไม่ได้อยู่อีกต่อไป X12(X1,,Xn),
whuber

คำตอบ:


7

โพสต์นี้จะอธิบายรายละเอียดเกี่ยวกับคำตอบของคำถาม


ให้X_n) แก้ไขของความยาวหน่วยใด ๆ เวกเตอร์ดังกล่าวอาจถูกทำให้สมบูรณ์ตามหลัก orthonormal (โดยใช้กระบวนการ Gram-Schmidtเป็นต้น) การเปลี่ยนแปลงของพื้นฐานนี้ (จากปกติ) คือ orthogonal: มันไม่เปลี่ยนความยาว ดังนั้นการกระจายของX=(X1,X2,,Xn)e1Rn(e1,e2,,en)

(e1X)2||X||2=(e1X)2X12+X22++Xn2

ไม่ขึ้นอยู่กับ\การแสดงว่ามีการแจกแจงแบบเดียวกันe1e1=(1,0,0,,0)

(1)X12X12+X22++Xn2.

ตั้งแต่มี IID ปกติพวกเขาอาจจะเขียนเป็นครั้ง IID ตัวแปรปกติมาตรฐานและสี่เหลี่ยมของพวกเขาครั้งการกระจาย เนื่องจากผลรวมของการแจกแจงอิสระคือเราได้พิจารณาแล้วว่าการกระจายของนั้นเป็นของXiσY1,,Ynσ2Γ(1/2)n1Γ(1/2)Γ((n1)/2)(1)

σ2Uσ2U+σ2V=UU+V

ที่และเป็นอิสระ เป็นที่ทราบกันดีว่าอัตราส่วนนี้มีการแจกแจงแบบเบต้า(ดูหัวข้อที่เกี่ยวข้องอย่างใกล้ชิดที่การกระจายของถ้า Betaและ chi-squared ด้วยองศา )U=X12/σ2Γ(1/2)V=(X22++Xn2)/σ2Γ((n1)/2)(1/2,(n1)/2)XYX(1,K1)Y2K

ตั้งแต่

X1++Xn=(1,1,,1)(X1,X2,,Xn)=ne1X

สำหรับหน่วยเวกเตอร์เราสรุปได้ว่าคือครั้งเบต้าชุดรูปแบบ สำหรับมันจึงมีฟังก์ชั่นความหนาแน่นe1=(1,1,,1)/nZ(n)2=n(1/2,(n1)/2)n2

fZ(z)=n1n/2B(12,n12)(nz)n3z

ในช่วงเวลา (และเป็นศูนย์)(0,n)


ในการตรวจสอบฉันจำลองการรับรู้เป็นอิสระสำหรับและพล็อตฮิสโทแกรมของพวกเขาและวางกราฟของความหนาแน่นเบต้าที่สอดคล้องกัน (สีแดง) ข้อตกลงที่ยอดเยี่ยม100,000Zσ=1n=2,3,10

รูป

นี่คือRรหัส จะดำเนินการโดยวิธีการจำลองของสูตรsum(x)^2 / sum(x^2)สำหรับซึ่งเป็นเวกเตอร์ของความยาวที่สร้างขึ้นโดย ส่วนที่เหลือเป็นเพียงวนลูป ( , ) และพล็อต ( , )Zxnrnormforapplyhistcurve

for (n in c(2, 3, 10)) {
  z <- apply(matrix(rnorm(n*1e5), nrow=n), 2, function(x) sum(x)^2 / sum(x^2))
  hist(z, freq=FALSE, breaks=seq(0, n, length.out=50), main=paste("n =", n), xlab="Z")
  curve(dbeta(x/n, 1/2, (n-1)/2)/n, add=TRUE, col="Red", lwd=2)
}
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.