Распределение суммы квадратов Т-распределенных случайных величин


11

Я смотрю на распределение суммы квадратов Т-распределенных случайных величин с показателем хвоста . Где X - это rv, преобразование Фурье для , дает мне решение для квадрата до свертки . αX2F(t)F(t)n

F(t)=0exp(itx2)((αα+x2)α+12α B(α2,12))dx

При решение возможно, но громоздко и невозможно инвертировать, чтобы сделать обратный Фурье для . Таким образом, возникает вопрос: была ли проделана работа по распределению выборочной дисперсии или стандартного отклонения Т-распределенных случайных величин? (Было бы для StudentT то, что хи-квадрат для Гаусса). Спасибо.α=3F(t)n

(Возможное решение) Я выяснил, что распределено по Фишеру , поэтому посмотрим на сумму распределенных переменных Фишера.X2F(1,α)

(Возможное решение) Из характеристических функций среднее суммы имеет те же первые два момента распределения когда они существуют. Следовательно, с помощью квадратного корня и изменения переменной внутри распределения вероятностей плотность стандартного отклонения Т-переменных n-выборки можно аппроксимировать с помощью: X 2 F ( n , α ) g ( u ) = 2 α α / 2 n n / 2 u n - 1 ( α + n u 2 ) - αnX2F(n,α)

g(u)=2αα/2nn/2un1(α+nu2)α2n2B(n2,α2)

1
F F ( 1 , α )T2 является -распределенным. Среднее значение и дисперсия суммы независимых -распределенных переменных легко выводятся, но распределение не доступно в закрытой форме. Смотрите этот вопрос для некоторых деталей. Вы можете найти связанную статью полезной. Характеристическая функция также дана на странице википедии для F. [Выборочная дисперсия t-распределенных переменных является довольно другим вопросом.]FF(1,α)
Glen_b -Reinstate Monica

Ответы:


7

Уточнение вашего вопроса (мне кажется, что это две взаимосвязанные, но разные части): вы ищете (1) распределение суммы независимых квадратов случайных величин и (2) выборку распределение дисперсии (или связанного стандартного отклонения) случайной выборки, взятой из распределения (предположительно, ваша причина спросить о (1)).t α t αn tαtα

Распределение суммы независимых квадратов переменныхtα

Если (независимые) случайные переменные с df, то неверно, что (что это то, на что вы претендуете в своем втором «возможном решении»). Это легко проверить, рассматривая первый момент каждого (первый момент последнего в раз больше первого). Titαtαi=1nTi2F(n,α)n

Утверждение в вашем первом «возможном решении» является правильным: . Вместо того, чтобы прибегать к характеристическим функциям, я думаю, что этот результат более прозрачен, если рассматривать характеристику распределения как распределение отношения где - стандартная нормальная переменная и является хи-квадрат переменной с степенями свободы, независимо от . Тогда квадрат этого отношения представляет собой отношение двух независимых переменных хи-квадрат, масштабированных по соответствующим степеням свободы, т.е. сTi2F(1,α)tZU/αZUαZV/1U/αV=Z2, который является стандартной характеристикой распределения (с числителем df, равным 1, и знаменателем df, равным ).F(1,α)α

Принимая во внимание примечание, которое я сделал в отношении первых моментов в первом абзаце выше, может показаться, что лучше заявить, что [у меня есть здесь немного злоупотребляют обозначениями, используя то же выражение для распределения, а также случайную переменную, имеющую это распределение.]. Хотя первые моменты совпадают, вторые центральные моменты не совпадают (для дисперсия первого выражения меньше, чем дисперсия последнего выражения), так что это утверждение также ложно. [При этом интересно отметить, что , что является результатом, который мы ожидаем при суммировании в квадрате (стандарт) нормальные колебания.]i=1nTi2nF(n,α)α>4limαnF(n,α)=χn2

Отбор проб Распределение дисперсионного При отборе проб из распространенияtα

Учитывая то, что я написал выше, выражение, которое вы получаете для «плотности стандартного отклонения T-переменных n-выборки», неверно. Однако, даже если было правильным распределением, стандартное отклонение - это не просто квадратный корень из суммы квадратов (как вы, похоже, привыкли получить плотность ). Вместо этого вы будете искать (масштабированное) выборочное распределение . В нормальном случае LHS этого выражения может быть переписан как сумма квадратов нормальных переменных (термин внутри квадрата может быть переписан как линейная комбинация нормальных переменных, которая снова нормально распределена), что приводит к знакомыйF(n,α)g(u)i=1n(TiT¯)2=i=1nTi2nT¯2χ2Распределение . К сожалению, линейная комбинация переменных (даже с одинаковыми степенями свободы) не распределена как , поэтому подобный подход не может быть использован.tt

Возможно, вам следует пересмотреть то, что вы хотите продемонстрировать? Например, можно достичь цели, используя некоторые симуляции. Тем не менее, вы указываете пример с , ситуация, когда только первый момент является конечным, поэтому моделирование не поможет с такими моментными вычислениями. α=3F(1,α)


Спасибо Марк; действительно, свертка разрушается, хотя первые два момента сохраняются. Попробую хи-квадрат и вернусь.
Nero

Я перефразировал мой вопрос. Или я должен публиковать изменения в другом месте на странице?
Nero

Nero - изменения в вашем вопросе должны появиться в вопросе. Вы можете всегда сигнализировать, как вопрос изменился в вопросе, если это помогает (хотя имейте в виду, что вся история редактирования вопроса и ответов доступна при необходимости).
Glen_b

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.