โพสต์นี้จะอธิบายรายละเอียดเกี่ยวกับคำตอบของคำถาม
ให้X_n) แก้ไขของความยาวหน่วยใด ๆ เวกเตอร์ดังกล่าวอาจถูกทำให้สมบูรณ์ตามหลัก orthonormal (โดยใช้กระบวนการ Gram-Schmidtเป็นต้น) การเปลี่ยนแปลงของพื้นฐานนี้ (จากปกติ) คือ orthogonal: มันไม่เปลี่ยนความยาว ดังนั้นการกระจายของX=(X1,X2,…,Xn)e1∈Rn(e1,e2,…,en)
(e1⋅X)2||X||2=(e1⋅X)2X21+X22+⋯+X2n
ไม่ขึ้นอยู่กับ\การแสดงว่ามีการแจกแจงแบบเดียวกันe1e1=(1,0,0,…,0)
X21X21+X22+⋯+X2n.(1)
ตั้งแต่มี IID ปกติพวกเขาอาจจะเขียนเป็นครั้ง IID ตัวแปรปกติมาตรฐานและสี่เหลี่ยมของพวกเขาครั้งการกระจาย เนื่องจากผลรวมของการแจกแจงอิสระคือเราได้พิจารณาแล้วว่าการกระจายของนั้นเป็นของXiσY1,…,Ynσ2Γ(1/2)n−1Γ(1/2)Γ((n−1)/2)(1)
σ2Uσ2U+σ2V=UU+V
ที่และเป็นอิสระ เป็นที่ทราบกันดีว่าอัตราส่วนนี้มีการแจกแจงแบบเบต้า(ดูหัวข้อที่เกี่ยวข้องอย่างใกล้ชิดที่การกระจายของถ้า Betaและ chi-squared ด้วยองศา )U=X21/σ2∼Γ(1/2)V=(X22+⋯+X2n)/σ2∼Γ((n−1)/2)(1/2,(n−1)/2)XYX∼(1,K−1)Y∼2K
ตั้งแต่
X1+⋯+Xn=(1,1,…,1)⋅(X1,X2,⋯,Xn)=n−−√e1⋅X
สำหรับหน่วยเวกเตอร์เราสรุปได้ว่าคือครั้งเบต้าชุดรูปแบบ สำหรับมันจึงมีฟังก์ชั่นความหนาแน่นe1=(1,1,…,1)/n−−√Z(n−−√)2=n(1/2,(n−1)/2)n≥2
fZ(z)=n1−n/2B(12,n−12)(n−z)n−3z−−−−−−−−−√
ในช่วงเวลา (และเป็นศูนย์)(0,n)
ในการตรวจสอบฉันจำลองการรับรู้เป็นอิสระสำหรับและพล็อตฮิสโทแกรมของพวกเขาและวางกราฟของความหนาแน่นเบต้าที่สอดคล้องกัน (สีแดง) ข้อตกลงที่ยอดเยี่ยม100,000Zσ=1n=2,3,10
นี่คือR
รหัส จะดำเนินการโดยวิธีการจำลองของสูตรsum(x)^2 / sum(x^2)
สำหรับซึ่งเป็นเวกเตอร์ของความยาวที่สร้างขึ้นโดย ส่วนที่เหลือเป็นเพียงวนลูป ( , ) และพล็อต ( , )Zx
n
rnorm
for
apply
hist
curve
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)
}