Quelques antécédents
La distribution est définie comme la distribution qui résulte de la sommation des carrés de n variables aléatoires indépendantes N ( 0 , 1 ) , donc:
Si X 1 , … , X n ∼ N ( 0 , 1 ) et sont indépendants, alors Y 1 = n ∑ i = 1 X 2 i ∼ χ 2 n ,
où X ∼ Yχ2nnN( 0 , 1 )
Si X1, … , Xn∼ N( 0 , 1 ) et sont indépendants, alors Y1= ∑i = 1nX2je∼ χ2n,
X∼ Ysignifie que les variables aléatoires
et
Y ont la même distribution (EDIT:
χ 2 n désignera à la fois une distribution Chi au carré avec n degrés de liberté et une variable aléatoire avec une telle distribution ). Maintenant, le pdf de la distribution
χ 2 n est
f χ 2 ( x ; n ) = 1XOuiχ2nnχ2n
Donc, en effet ladistribution
χ 2 n est un cas particulier de la distributionavec pdf
Maintenant, il est clair que.
Fχ2( x ; n ) = 12n2Γ ( n2)Xn2- 1e- x2,pour x ≥ 0 (et 0 sinon).
χ2nf Γ ( x ; a , p ) = 1Γ ( p , a )FΓ( x ; a , p ) = 1unepΓ ( p )Xp - 1e- xune,pour x ≥ 0 (et 0 sinon).
χ2n∼ Γ ( n2, 2 )
Ton cas
La différence dans votre cas est que vous avez des variables normales avec des variances communes . Mais une distribution similaire se produit dans ce cas:
donc suit la distribution résultant de la multiplication d'une variable aléatoire par . Ceci est facilement obtenu avec une transformation de variables aléatoires ( ):
Notez que cela revient à dire queXjeσ2≠ 1
Oui2= ∑i = 1nX2je= σ2∑i = 1n( Xjeσ)2∼ σ2χ2n,
Ouiχ2nσ2Y2=σ2Y1fσ2χ2(x;n)=fχ2(xσ2;n)1σ2.
Y2∼Γ(n2,2σ2)car peut être absorbée par le Gamma paramètre.
σ2a
Remarque
Si vous souhaitez dériver le pdf du partir de zéro (qui s'applique également à la situation avec sous des modifications mineures), vous pouvez suivre la première étape ici pour le utilisant la transformation standard pour les variables aléatoires. Ensuite, vous pouvez soit suivre les étapes suivantes, soit raccourcir la preuve reposant sur les propriétés de convolution de la distribution Gamma et sa relation avec le décrit ci-dessus. σ 2 ≠ 1 χ 2 1 χ 2 nχ2nσ2≠1χ21χ2n