S'il s'agit de devoirs ou d'autoformation, veuillez ajouter la balise appropriée. Nous ne résolvons pas (généralement) de tels problèmes pour vous, mais nous vous aidons plutôt à vous guider vers une solution vous-même, qui en général vous donnera une meilleure compréhension de la façon de résoudre de tels problèmes à l'avenir.
Avez-vous essayé de créer une deuxième variable? Dites ? Ensuite , vous pouvez obtenir la distribution conjointe de et intégrer à pour obtenir la distribution de Teh . W= X+ YW, ZWZ
1
Je ne vois pas où vous utilisez le fait que la fonction de densité bêta est nulle sur le complément de l'intervalle . [ 0 , 1 ]
whuber
@whuber Je pense avoir trouvé l'erreur. Souhaitez-vous fournir une réponse complète ou je le fais moi-même?
tam
Réponses:
9
Après quelques remarques précieuses, j'ai pu trouver la solution:
Nous avons et .FX( x ) =1B ( 1 , K- 1 )( 1 - x)K- 2FOui( y) =12KΓ(K)yK−1e−y/2
De plus, nous avons . Ainsi, si , on obtient ce qui implique que .0≤x≤1x=zy0≤zy≤1z≤y≤∞
Par conséquent:
où la dernière égalité tient depuis .
Il existe une solution statistique agréable et naturelle à ce problème pour les valeurs intégrales de , montrant que le produit a une . Il ne repose que sur des relations bien connues et facilement établies entre les fonctions des variables normales standard.Kχ2(2)
Lorsque est entier, une distribution Beta apparaît lorsque le rapport où et sont indépendants, a une et a une . (Voir l'article Wikipedia sur la distribution bêta par exemple.) K(1,K−1)
XX+Z
XZXχ2(2)Zχ2(2K−2)
Toute est celle de la somme des carrés de variables normales normales indépendantes. Par conséquent, est distribué comme la longueur au carré d'un vecteur avec une distribution multinormale standard dans et est la longueur au carré de la les deux premières composantes lorsque ce vecteur est projeté radialement sur la sphère unitaire .χ2(n)nX+Z2+2K−2=2KR2KX/(X+Z)S2K−1
La projection d'un vecteur multinormal standard sur la sphère unitaire a une distribution uniforme car la distribution multinormale est sphérique symétrique. (C'est-à-dire qu'il est invariant sous le groupe orthogonal, un résultat qui découle immédiatement de deux faits simples: (a), le groupe orthogonal fixe l'origine et par définition ne change pas les covariances; et (b) la moyenne et la covariance déterminent complètement la distribution normale multivariée. Je l'ai illustré pour le cas à https://stats.stackexchange.com/a/7984 ). En fait, la symétrie sphérique montre immédiatement que cette distribution est uniforme en fonction de la longueur du vecteur d'origine. Le rapportnn=3X/(X+Z)est donc indépendant de la longueur.
Tout cela implique que la multiplication de par une variable indépendante crée une variable avec la même distribution que multipliée par ; à savoir, la distribution de , qui a une .X/(X+Z)χ2(2K)YX/(X+Z)X+ZXχ2(2)
Très belle analogie! Je me sens un peu incertain quant au dernier paragraphe, car la simplification ne se produit que parce que est des deux côtés de la multiplication, ce qui ne peut pas fonctionner pour un indépendant . X+Zχ2(2K)
Xi'an
1
Mais après quelques réflexions dans le métro parisien, j'ai réalisé que parce que et sont indépendants, en utilisant ou en utilisant conduisent à la même distribution. Félicitations! X/(X+Z)(X+Z)(X+Z)×X/(X+Z)Y×X/(X+Z)
Xi'an
1
addendum: le raisonnement vaut également pour les K non entiers, si l'on définit un comme un Gamma . χ2qGa(q/2,1/2)
Xi'an
1
@ Xi'an Merci pour ces commentaires révélateurs. En effet, une façon d'exploiter la reconnaissance que et sont indépendants est de poursuivre l'implication que leurs fonctions de densité seront séparables: et cette idée s'applique sans modification au cas général de non intégral . Même pour ceux qui préfèrent calculer la convolutionX/(X+Z)X+ZKXYdirectement, ces informations statistiques suggèrent une manière simple et efficace de procéder à l'intégration au moyen d'un changement approprié des variables.
whuber
3
Je déconseille fortement la tactique couramment utilisée pour trouver la densité de en calculant d'abord le calcul de la densité conjointe de et
(ou ) car il est "facile" d'utiliser des jacobiens, puis en obtenant
comme une densité marginale (cf. réponse du statisticien rouillé). Il est beaucoup plus facile de trouver le CDF deZ=g(X,Y)ZXYfZZ directement puis de le différencier pour trouver le pdf. C'est l'approche utilisée ci-dessous.
X et Y sont des variables aléatoires indépendantes avec des densités
fX(x)=(K−1)(1−x)K−21(0,1)(x) et
fY(y)=12K(K−1)!yK−1e−y/21(0,∞)(y). Ensuite, avecZ=XY, nous avons pour z>0,
P{Z>z}=P{XY>z}=∫∞y=z12K(K−1)!yK−1e−y/2[∫1x=zy(K−1)(1−x)K−2dx]dy=∫∞y=z12K(K−1)!yK−1e−y/2(1−zy)K−1dy=∫∞y=z12K(K−1)!(y−z)K−1e−y/2dy=e−z/2∫∞012K(K−1)!tK−1e−t/2dyon settingy−z=t=e−z/2on noting that the integral is that of a Gamma pdf
Il est bien connu que si V∼Exponential(λ), puis P{V>v}=e−λv. Il s'ensuit queZ=XY a une densité exponentielle avec paramètre λ=12, qui est aussi le χ2(2) Distribution.
Réponses:
Après quelques remarques précieuses, j'ai pu trouver la solution:
Nous avons et .FX( x ) =1B ( 1 , K- 1 )( 1 - x)K- 2 FOui( y) =12KΓ(K)yK−1e−y/2
De plus, nous avons . Ainsi, si , on obtient ce qui implique que .0≤x≤1 x=zy 0≤zy≤1 z≤y≤∞
Par conséquent: où la dernière égalité tient depuis .
Donc suit une distribution exponentielle du paramètre ; ou de manière équivalente, .Z 12 Z∼χ22
la source
Il existe une solution statistique agréable et naturelle à ce problème pour les valeurs intégrales de , montrant que le produit a une . Il ne repose que sur des relations bien connues et facilement établies entre les fonctions des variables normales standard.K χ2(2)
Lorsque est entier, une distribution Beta apparaît lorsque le rapport où et sont indépendants, a une et a une . (Voir l'article Wikipedia sur la distribution bêta par exemple.)K (1,K−1)
Toute est celle de la somme des carrés de variables normales normales indépendantes. Par conséquent, est distribué comme la longueur au carré d'un vecteur avec une distribution multinormale standard dans et est la longueur au carré de la les deux premières composantes lorsque ce vecteur est projeté radialement sur la sphère unitaire .χ2(n) n X+Z 2+2K−2=2K R2K X/(X+Z) S2K−1
La projection d'un vecteur multinormal standard sur la sphère unitaire a une distribution uniforme car la distribution multinormale est sphérique symétrique. (C'est-à-dire qu'il est invariant sous le groupe orthogonal, un résultat qui découle immédiatement de deux faits simples: (a), le groupe orthogonal fixe l'origine et par définition ne change pas les covariances; et (b) la moyenne et la covariance déterminent complètement la distribution normale multivariée. Je l'ai illustré pour le cas à https://stats.stackexchange.com/a/7984 ). En fait, la symétrie sphérique montre immédiatement que cette distribution est uniforme en fonction de la longueur du vecteur d'origine. Le rapportn n=3 X/(X+Z) est donc indépendant de la longueur.
Tout cela implique que la multiplication de par une variable indépendante crée une variable avec la même distribution que multipliée par ; à savoir, la distribution de , qui a une .X/(X+Z) χ2(2K) Y X/(X+Z) X+Z X χ2(2)
la source
Je déconseille fortement la tactique couramment utilisée pour trouver la densité de en calculant d'abord le calcul de la densité conjointe de et (ou ) car il est "facile" d'utiliser des jacobiens, puis en obtenant comme une densité marginale (cf. réponse du statisticien rouillé). Il est beaucoup plus facile de trouver le CDF deZ=g(X,Y) Z X Y fZ Z directement puis de le différencier pour trouver le pdf. C'est l'approche utilisée ci-dessous.
Il est bien connu que siV∼Exponential(λ) , puis P{V>v}=e−λv . Il s'ensuit queZ=XY a une densité exponentielle avec paramètre λ=12 , qui est aussi le χ2(2) Distribution.
la source