귀하의 질문에 대한 설명 (2 가지 관련이 있지만 다른 부분 인 것 같습니다) : (1) 독립 제곱 된 무작위 변수 의 합의 분포 및 (2) 샘플링 분포 에서 추출한 무작위 표본의 분산 (또는 관련 표준 편차) 분포 (아마도 (1)에 대한 이유).n tαtα
독립 제곱 변수 의 합의 분포tα
만약 (독립적 인) 랜덤 가진 변수 DF 그때는 거짓이 (어느 두 번째 "가능한 솔루션"에서 주장하는 것 같습니다. 이것은 각각의 첫 번째 순간을 고려하여 쉽게 확인할 수 있습니다 (첫 번째 순간은 첫 번째 순간의 배입니다). Ti∼tαtα∑ni=1T2i∼F(n,α)n
첫 번째 "가능한 솔루션"의 주장은 맞습니다 : . 특성 함수에 의지하지 않고, 분포 의 특성을 비율의 분포로 고려할 때이 결과가 더 투명하다고 생각합니다. 여기서 는 표준 정규 변수입니다. 와 와 카이 제곱 변수 의 독립적 인 자유도, . 이 비율의 제곱은 다음의 각 자유도만큼 스케일링 개의 독립 변수 카이 제곱의 비율 즉 와T2i∼F(1,α)tZU/α√ZUαZV/1U/αV=Z2 분포 의 표준 특성입니다 (분자 df는 1이고 분모 df는 ).F(1,α)α
위의 첫 번째 단락에서 첫 순간에 작성한 메모를 고려할 때 있습니다. 분포에 대해 동일한 표현과 분포를 갖는 랜덤 변수를 사용하여 약간의 표기법을 남용했습니다.]. 첫 번째 모멘트가 일치하지만 두 번째 중심 모멘트는 일치하지 않습니다 ( 의 경우 첫 번째 식의 분산이 후자의 식의 분산보다 작음). 따라서이 주장도 거짓입니다. [즉, 를 관찰하는 것이 흥미 롭습니다 . 이는 제곱을 합산 할 때 예상되는 결과입니다 (표준) 정상적인 변이.]∑ni=1T2i∼nF(n,α)α>4limα→∞nF(n,α)=χ2n
분포 에서 샘플링 할 때 분산의 표본 분포tα
위에서 쓴 것을 고려할 때 "n- 표본 T 변수의 표준 편차 밀도"에 대해 얻은 표현이 올바르지 않습니다. 그러나 가 정확한 분포 였더라도 표준 편차는 단순히 제곱의 합의 제곱근이 아닙니다 ( 밀도 에 도달하는 데 사용 된 것처럼 ). 대신 의 (스케일링 된) 샘플링 분포를 찾고 있습니다. . 정상적인 경우이 식의 LHS를 제곱 정규 변수의 합으로 다시 작성할 수 있습니다 (사각 내부의 용어는 다시 정규 분포를 따르는 정규 변수의 선형 조합으로 다시 쓸 수 있음). 익숙한F(n,α)g(u)∑ni=1(Ti−T¯)2=∑ni=1T2i−nT¯2χ2 분포. 불행하게도, 변수 의 선형 조합 (동일한 자유도를 가짐)은 분포되지 않으므로 유사한 접근 방식을 이용할 수 없습니다.tt
아마도 당신은 당신이 보여주고 싶은 것을 재고해야합니까? 예를 들어 일부 시뮬레이션을 사용하여 목표를 달성 할 수 있습니다. 그러나 의 첫 번째 모멘트 만 유한 한 상황 인 예제를 표시 하므로 시뮬레이션은 그러한 모멘트 계산에 도움이되지 않습니다. α=3F(1,α)