PDF квадрата стандартной нормальной случайной величины [закрыто]


12

У меня есть эта проблема, где я должен найти PDF . Все, что я знаю, это то, что имеет распределение . Какое распределение ? Так же, как ? Как мне найти PDF? X N ( 0 , 1 ) Y = X 2 XY=X2XN(0,1)Y=X2X


3
PDF с не может быть таким же, как у как будет неотрицательным. X YY=X2XY
JohnK

Ну, я тренируюсь для теста, так что нет, это не домашняя работа. Я пытаюсь решить их самостоятельно, но я не могу понять это
Melye77

2
Пожалуйста, добавьте [self-study]тег и прочитайте его вики . Затем расскажите нам, что вы понимаете до сих пор, что вы пробовали и где вы застряли. Мы дадим подсказки, которые помогут вам разобраться.
gung - Восстановить Монику

3
Если вы ищете прямые ответы на этот конкретный вопрос, обратите внимание, что стандартные вопросы в стиле «работа с книгами», такие как этот, должны содержать self-studyтег (и вы должны прочитать его tag-wiki и изменить свой вопрос, следуя инструкциям по заданию таких вопросов). вопросы - вам нужно четко определить, что вы сделали, чтобы решить проблему самостоятельно, и указать конкретную помощь, которая вам нужна в момент, когда вы столкнулись с трудностями). ... ctd
Восстановить Монику

3
ctd ... с другой стороны, если вы ищете ответы на общий вопрос такого типа (например, «как мне получить pdf преобразованной случайной величины?»), это очень хороший вопрос, который уже был ответил на сайте несколько раз.
Glen_b

Ответы:


41

Вы наткнулись на один из самых известных результатов теории вероятностей и статистики. Я напишу ответ, хотя я уверен, что этот вопрос уже задавался (и отвечался) ранее на этом сайте.

Во-первых, обратите внимание, что pdf для не может совпадать с pdf для поскольку будет неотрицательным. Чтобы получить распределение мы можем использовать три метода, а именно метод mgf, метод cdf и метод преобразования плотности. Давайте начнем.Y=X2XYY

Техника порождающих функций .

Или характерная функциональная техника, как вам угодно. Мы должны найти мгф . Итак, нам нужно рассчитать ожиданиеY=X2

E[etX2]

Используя закон Бессознательного статистика , все , что мы должны сделать , это вычислить этот интеграл по распределению . Таким образом, нам нужно вычислитьX

E[etX2]=12πetx2ex22dx=12πexp{x22(12t)}dt=(12t)1/2(12t)1/212πexp{x22(12t)}dt=(12t)1/2,t<12

где в последней строке мы сравнили интеграл с гауссовым интегралом со средним нулем и дисперсией . Конечно, это объединяет один по реальной линии. Что вы можете сделать с этим результатом сейчас? Ну, вы можете применить очень сложное обратное преобразование и определить pdf, соответствующий этому MGF, или вы можете просто распознать его как MGF распределения хи-квадрат с одной степенью свободы. (Напомним, что распределение хи-квадрат является частным случаем гамма-распределения с , где - степени свободы, а ).1(12t)α=r2rβ=2

CDF техника

Это, пожалуй, самое простое, что вы можете сделать, и это предложено Glen_b в комментариях. Согласно этой методике мы вычисляем

FY(y)=P(Yy)=P(X2y)=P(|X|y)

и поскольку функции распределения определяют функции плотности, после того, как мы получим упрощенное выражение, мы просто дифференцируем по чтобы получить наш pdf. У нас тогдаy

FY(y)=P(|X|y)=P(y<X<y)=Φ(y)Φ(y)

где обозначает CDF стандартной нормальной переменной. Дифференцируя по мы получаем,Φ(.)y

fY(y)=FY(y)=12yϕ(y)+12yϕ(y)=1yϕ(y)

где - теперь pdf стандартной нормальной переменной, и мы использовали тот факт, что она симметрична относительно нуля. следовательноϕ(.)

fY(y)=1y12πey2,0<y<

который мы распознаем как pdf распределения хи-квадрат с одной степенью свободы (вы, возможно, уже видели образец).

Методика преобразования плотности

В этот момент вы можете задаться вопросом, почему мы не просто используем технику преобразования, с которой вы знакомы, то есть для функции мы имеем, что плотность определяется какY=g(X)Y

fY(y)=|ddyg1(y)|fX(g1(y))

для в интервале . К сожалению, эта теорема требует, чтобы преобразование было взаимно-однозначным, что здесь явно не так. Действительно, мы можем видеть, что два значения приводят к одному и тому же значению , причем является квадратичным преобразованием. Следовательно, эта теорема неприменима.ygXYg

Что применимо, тем не менее, является его расширением. Под этим расширением мы можем разложить поддержку (поддержка означает точки, где плотность отлична от нуля) на непересекающиеся множества, так что определяет взаимно однозначное преобразование из этих множеств в диапазон из . Плотность тогда дается суммой по всем этим обратным функциям и соответствующим абсолютным якобианам. В приведенных выше обозначенияхXY=g(X)gY

fY(y)=|ddyg1(y)|fX(g1(y))

где сумма пробегает все обратные функции. Этот пример прояснит это.

Для у нас есть две обратные функции, а именно с соответствующим абсолютным якобианом поэтому соответствующий pdf обнаружено, чтоy=x2x=±y12y

fY(y)=12y12πey/2+12y12πey/2=1y12πey/2,0<y<

pdf распределения хи-квадрат с одной степенью свободы. Кстати, я считаю эту технику особенно полезной, поскольку вам больше не нужно извлекать CDF преобразования. Но, конечно, это личные вкусы.


Таким образом, вы можете лечь спать сегодня вечером, будучи полностью уверенным, что квадрат стандартной нормальной случайной величины следует распределению хи-квадрат с одной степенью свободы.


3
Обычно мы не даем полных ответов на вопросы для самостоятельного изучения, а только намеки. Тот факт, что OP не добавил тег или не пытался придерживаться наших правил, означает, что этот поток должен быть закрыт. Вы можете найти нашу политику по вопросам самообучения здесь .
gung - Восстановить Монику

6
@ Gung Я уверен, что ОП мог найти ответ где угодно, это не совсем новаторский :)
JohnK

1
Это в значительной степени всегда будет верно с вопросами самообучения. Тем не менее, мы, как правило, не даем им полных ответов на домашние задания, а просто намекаем, чтобы помочь им понять это для себя.
gung - Восстановить Монику

@JohnK, спасибо за ответ. Просто вопрос о том, что вы написали о технике CDF: не должно ли это быть . Причина: . Я узнал об этом здесь (см. Последний комментарий «Восстановить Монику»). СпасибоfY(y)=12FYfY(y)=ddyP(yYy)=fY(y)(fY(y))=2fY(y)
ДомБ
Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.