t分布概率密度函数的推导

这篇具有很好参考价值的文章主要介绍了t分布概率密度函数的推导。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

推导过程整理自https://www.bilibili.com/video/BV1s54y1S7Ji。

预备知识

Γ \Gamma Γ函数(伽马函数)

  • 定义: Γ ( s ) = ∫ 0 + ∞ e − t t s − 1 d t \Gamma(s)=\int_{0}^{+\infty}e^{-t}t^{s-1}\text{d}t Γ(s)=0+etts1dt
  • 递推公式: Γ ( s + 1 ) = s Γ ( s ) ,   ( s > 0 ) \Gamma(s+1)=s\Gamma(s),\space(s>0) Γ(s+1)=sΓ(s), (s>0)
  • 几个重要的值: Γ ( 1 ) = 1 \Gamma(1)=1 Γ(1)=1 Γ ( 1 2 ) = π \Gamma(\frac{1}{2})=\sqrt{\pi} Γ(21)=π

标准正态分布

  • 概率密度函数: φ ( x ) = 1 2 π e − x 2 2 \varphi(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}} φ(x)=2π 1e2x2
  • 分布函数: ϕ ( x ) = ∫ − ∞ x 1 2 π e − t 2 2 d t \phi(x)=\int_{-\infty}^{x}\frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}\text{d}t ϕ(x)=x2π 1e2t2dt

卡方分布

  • 概率密度函数: p ( x ) = { 1 2 n / 2 Γ ( n / 2 ) e − x 2 x n 2 − 1 , x > 0 0 , x ⩽ 0 p(x)=\left\{\begin{array}{cc} \frac{1}{2^{n/2}\Gamma(n/2)}e^{-\frac{x}{2}}x^{\frac{n}{2}-1}, & x>0 \\ 0, & x\leqslant 0 \end{array}\right. p(x)={2n/2Γ(n/2)1e2xx2n1,0,x>0x0

推导目标

已知 X X X服从标准正态分布 N ( 0 , 1 ) N(0,1) N(0,1) Y Y Y服从卡方分布 χ 2 ( n ) \chi^2(n) χ2(n),且 X X X Y Y Y相互独立。

T = X Y / n T=\frac{X}{\sqrt{Y/n}} T=Y/n X的概率密度函数。

引理:连续型随机变量商的分布

( X , Y ) (X,Y) (X,Y)为二维随机变量,其联合密度函数为 p ( x , y ) p(x,y) p(x,y),则 Z = X / Y Z=X/Y Z=X/Y的密度函数 p Z ( z ) p_{Z}(z) pZ(z)满足
p Z ( z ) = ∫ − ∞ + ∞ p ( z y , y ) ∣ y ∣ d y   。 p_{Z}(z) = \int_{-\infty}^{+\infty}p(zy, y)|y|\text{d}y \thinspace。 pZ(z)=+p(zy,y)ydy
证明

使用分布函数法,先求 Z Z Z的分布函数,再对分布函数求导得到 p Z ( z ) p_{Z}(z) pZ(z)

z z z的正负性进行讨论,得到积分区域如下图中阴影部分所示。

t分布概率密度函数的推导
t分布概率密度函数的推导

我们发现这两种情况可以合并,积分区域均为 { ( y , x )   ∣   y < 0   ∧   x ⩾ z y } \{(y,x) \space|\space y<0 \space\wedge\space x\geqslant zy\} {(y,x)  y<0  xzy}   ∪   \space\cup\space    { ( y , x )   ∣   y > 0   ∧   x ⩽ z y } \{(y,x) \space|\space y>0 \space\wedge\space x\leqslant zy\} {(y,x)  y>0  xzy}。于是有
F Z ( z )    =    P ( Z < z )    =    P ( X Y < z )    =    ∫ − ∞ 0 d y ∫ y z + ∞ p ( x , y ) d x + ∫ 0 + ∞ d y ∫ − ∞ y z p ( x , y ) d x = x = u y ∫ − ∞ 0 d y ∫ z + ∞ p ( u y , y ) y d u + ∫ 0 + ∞ d y ∫ − ∞ z p ( u y , y ) y d u    =    ∫ z + ∞ d u ∫ − ∞ 0 p ( u y , y ) y d y + ∫ − ∞ z d u ∫ 0 + ∞ p ( u y , y ) y d y   。 \begin{aligned} F_{Z}(z) &\space\space=\space\space P(Z<z) \\ &\space\space=\space\space P(\frac{X}{Y}<z) \\ &\space\space=\space\space \int_{-\infty}^{0}\text{d}y\int_{yz}^{+\infty}p(x,y)\text{d}x + \int_{0}^{+\infty}\text{d}y\int_{-\infty}^{yz}p(x,y)\text{d}x \\ &\overset{x=uy}{=} \int_{-\infty}^{0}\text{d}y\int_{z}^{+\infty}p(uy,y)y\text{d}u + \int_{0}^{+\infty}\text{d}y\int_{-\infty}^{z}p(uy,y)y\text{d}u \\ &\space\space=\space\space \int_{z}^{+\infty}\text{d}u\int_{-\infty}^{0}p(uy,y)y\text{d}y + \int_{-\infty}^{z}\text{d}u\int_{0}^{+\infty}p(uy,y)y\text{d}y \thinspace。 \end{aligned} FZ(z)  =  P(Z<z)  =  P(YX<z)  =  0dyyz+p(x,y)dx+0+dyyzp(x,y)dx=x=uy0dyz+p(uy,y)ydu+0+dyzp(uy,y)ydu  =  z+du0p(uy,y)ydy+zdu0+p(uy,y)ydy因此
p Z ( z ) = F Z ′ ( z ) = − ∫ − ∞ 0 p ( z y , y ) y d y + ∫ 0 + ∞ p ( z y , y ) y d y = ∫ − ∞ + ∞ p ( z y , y ) ∣ y ∣ d y   。 \begin{aligned} p_{Z}(z) &= F_{Z}'(z) \\ &= -\int_{-\infty}^{0}p(zy,y)y\text{d}y + \int_{0}^{+\infty}p(zy,y)y\text{d}y \\ &= \int_{-\infty}^{+\infty}p(zy,y)|y|\text{d}y \thinspace。 \end{aligned} pZ(z)=FZ(z)=0p(zy,y)ydy+0+p(zy,y)ydy=+p(zy,y)ydy

推导过程

先计算 W = Y / n W=\sqrt{Y/n} W=Y/n ​的概率密度函数 p W ( w ) p_{W}(w) pW​(w)

同样地,我们使用分布函数法。当 w ⩽ 0 w\leqslant 0 w0时,注意到 W = Y / n W=\sqrt{Y/n} W=Y/n 恒为非负,所以 P ( W < w ) = 0 P(W<w)=0 P(W<w)=0,从而 p W ( w ) = 0 p_{W}(w)=0 pW(w)=0。下面针对 w > 0 w>0 w>0的情况进行计算。
F W ( w ) = P ( W < w ) = P ( Y < n w 2 ) = ∫ 0 n w 2 1 2 n / 2 Γ ( n / 2 ) e − x 2 x n 2 − 1 d x   。 \begin{aligned} F_{W}(w) &= P(W<w) \\ &= P(Y<nw^2) \\ &= \int_{0}^{nw^2}\frac{1}{2^{n/2}\Gamma(n/2)}e^{-\frac{x}{2}}x^{\frac{n}{2}-1}\text{d}x \thinspace。 \end{aligned} FW(w)=P(W<w)=P(Y<nw2)=0nw22n/2Γ(n/2)1e2xx2n1dx求导得
p W ( w ) = F W ′ ( w ) = 1 2 n / 2 Γ ( n / 2 ) e − n w 2 2 ( n w 2 ) n 2 − 1 ⋅ 2 n w = 1 Γ ( n / 2 ) 2 1 − n 2 n n 2 e − n w 2 2 w n − 1   。 \begin{aligned} p_{W}(w) &= F_{W}'(w) \\ &= \frac{1}{2^{n/2}\Gamma(n/2)}e^{-\frac{nw^2}{2}}(nw^2)^{\frac{n}{2}-1}\cdot 2nw \\ &= \frac{1}{\Gamma(n/2)}2^{1-\frac{n}{2}}n^{\frac{n}{2}} e^{-\frac{nw^2}{2}}w^{n-1} \thinspace。 \end{aligned} pW(w)=FW(w)=2n/2Γ(n/2)1e2nw2(nw2)2n12nw=Γ(n/2)1212nn2ne2nw2wn1综上,有
p W ( w ) = { 1 Γ ( n / 2 ) 2 1 − n 2 n n 2 e − n w 2 2 w n − 1 , w > 0 0 , w ⩽ 0   。 p_{W}(w) = \left\{\begin{array}{cc} \frac{1}{\Gamma(n/2)}2^{1-\frac{n}{2}}n^{\frac{n}{2}} e^{-\frac{nw^2}{2}}w^{n-1}, & w>0 \\ 0, & w\leqslant 0 \end{array}\right. \thinspace。 pW(w)={Γ(n/2)1212nn2ne2nw2wn1,0,w>0w0

再计算 T = X W T=\frac{X}{W} T=WX​概率密度函数 p T ( t ) p_{T}(t) pT​(t)

因为 X X X Y Y Y相互独立,所以 X X X W = Y / n W=\sqrt{Y/n} W=Y/n 也相互独立,于是 ( X , W ) (X,W) (X,W)的联合概率密度函数 p ( x , w ) p(x,w) p(x,w)满足
p ( x , w ) = p X ( x ) p W ( w )   。 p(x,w) = p_{X}(x)p_{W}(w) \thinspace。 p(x,w)=pX(x)pW(w)再根据引理,我们有
p T ( t )     =     ∫ − ∞ + ∞ p ( t w , w ) ∣ w ∣ d w     =     ∫ − ∞ + ∞ p X ( t w ) p W ( w ) ∣ w ∣ d w     =     ∫ 0 + ∞ p X ( t w ) p W ( w ) w d w     =     ∫ 0 + ∞ 1 2 π e − t 2 w 2 2 ⋅ 1 Γ ( n 2 ) 2 1 − n 2 n n 2 e − n w 2 2 w n − 1 ⋅ w d w     =     1 π ⋅ Γ ( n 2 ) 2 1 − n 2 n n 2 ∫ 0 + ∞ e − n + t 2 2 w 2 w n d w = w = 2 z n + t 2 1 π ⋅ Γ ( n 2 ) 2 1 − n 2 n n 2 ⋅ 1 2 ( 2 n + t 2 ) n + 1 2 ∫ 0 + ∞ e − z z n − 1 2 d z     =     Γ ( n + 1 2 ) π ⋅ Γ ( n 2 ) ⋅ n n 2 ( 1 n + t 2 ) n + 1 2     =     Γ ( n + 1 2 ) n π ⋅ Γ ( n 2 ) ( 1 + t 2 n ) − n + 1 2   。 \begin{aligned} p_{T}(t) &\quad\space\,=\quad\space\, \int_{-\infty}^{+\infty}p(tw, w)|w|\text{d}w \\ &\quad\space\,=\quad\space\, \int_{-\infty}^{+\infty}p_{X}(tw)p_{W}(w)|w|\text{d}w \\ &\quad\space\,=\quad\space\, \int_{0}^{+\infty}p_{X}(tw)p_{W}(w)w\text{d}w \\ &\quad\space\,=\quad\space\, \int_{0}^{+\infty} \frac{1}{\sqrt{2\pi}}e^{-\frac{t^2w^2}{2}}\cdot \frac{1}{\Gamma(\frac{n}{2})}2^{1-\frac{n}{2}}n^{\frac{n}{2}} e^{-\frac{nw^2}{2}}w^{n-1}\cdot w\text{d}w \\ &\quad\space\,=\quad\space\, \frac{1}{\sqrt{\pi}\cdot \Gamma(\frac{n}{2})}2^{\frac{1-n}{2}}n^{\frac{n}{2}} \int_{0}^{+\infty}e^{-\frac{n+t^2}{2}w^2}w^n\text{d}w \\ &\overset{w=\sqrt{\frac{2z}{n+t^2}}}{=} \frac{1}{\sqrt{\pi}\cdot\Gamma(\frac{n}{2})}2^{\frac{1-n}{2}}n^{\frac{n}{2}}\cdot \frac{1}{2}(\frac{2}{n+t^2})^{\frac{n+1}{2}} \int_{0}^{+\infty}e^{-z}z^{\frac{n-1}{2}}\text{d}z \\ &\quad\space\,=\quad\space\, \frac{\Gamma(\frac{n+1}{2})}{\sqrt{\pi}\cdot \Gamma(\frac{n}{2})}\cdot n^{\frac{n}{2}}(\frac{1}{n+t^2})^{\frac{n+1}{2}} \\ &\quad\space\,=\quad\space\, \frac{\Gamma(\frac{n+1}{2})}{\sqrt{n\pi}\cdot \Gamma(\frac{n}{2})} (1+\frac{t^2}{n})^{-\frac{n+1}{2}} \thinspace。 \end{aligned} pT(t) = +p(tw,w)wdw = +pX(tw)pW(w)wdw = 0+pX(tw)pW(w)wdw = 0+2π 1e2t2w2Γ(2n)1212nn2ne2nw2wn1wdw = π Γ(2n)1221nn2n0+e2n+t2w2wndw=w=n+t22z π Γ(2n)1221nn2n21(n+t22)2n+10+ezz2n1dz = π Γ(2n)Γ(2n+1)n2n(n+t21)2n+1 = nπ Γ(2n)Γ(2n+1)(1+nt2)2n+1推导完毕。文章来源地址https://www.toymoban.com/news/detail-489757.html

到了这里,关于t分布概率密度函数的推导的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 正态分布的概率密度函数|多种正态分布检验|Q-Q图

    正态分布的概率密度函数(Probability Density Function,简称PDF)的函数取值是指在给定的正态分布参数(均值 μ 和标准差 σ)下,对于特定的随机变量取值 x,计算得到的概率密度值 f(x)。这个值表示了在正态分布下,随机变量取值为 x 的概率密度。 具体地,正态分布的概率密度

    2024年02月07日
    浏览(57)
  • 【概率论与数理统计】猴博士 笔记 p24-25 条件概率密度函数、求两个随机变量形成的函数的分布

    题型如下: 已知概率密度,求条件概率密度 已知x怎么样的情况下y服从的概率(或y怎么样的情况下x服从的概率),求f(x,y) 步骤:对于后两个,是在哪个字母的条件下,哪个字母就在后面。 即,如果是在x=???的条件下,那么就选图中第三条方法。 其中: 1、2条符合条件

    2024年02月03日
    浏览(51)
  • 2.带你入门matlab数理统计常见分布的概率密度函数(matlab程序)

    1. 简述       计算概率分布律及密度函数值 matlab直接提供了通用的计算概率密度函数值的函数,它们是pdf 和namepdf函数,使用方式如下: Y=pdf(‘name’,K,A,B)或者:namepdf (K,A,B) 上述函数表示返回在X=K处、参数为A、B、C的概率值或密度值,对于不同的分布,参数个数是不

    2024年02月03日
    浏览(41)
  • 【概率论与数理统计】猴博士 笔记 p21-23 二维连续型求边缘分布函数和密度函数,已知两个边缘密度函数求f(x,y)

    题型如下:给出F(x,y),让我们求F(x),F(y) 步骤: F X ( x ) = F ( x , + ∞ ) F Y ( y ) = F ( + ∞ , y ) F_X(x)=F(x,+∞) \\\\F_Y(y)=F(+∞,y) F X ​ ( x ) = F ( x , + ∞ ) F Y ​ ( y ) = F ( + ∞ , y ) 直接做上面那道例题: 题干:给出F(x,y),让我们求f(x),f(y) 方法: f X ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y f Y ( y )

    2024年02月12日
    浏览(39)
  • 通信原理 | 信道模型 | 概率密度和概率分布

    随机变量 or 非随机变量? 随机变量可拆解为:“随机”+“变量” 变量,是指其结果是存在变数的,而非是固定不变的 随机,是指其结果是无法被100%完全确定的! 比如投硬币的结果就是随机变量。非随机变量,就是对于给定的一个值,对应有一个确定的结果 如果随机变量

    2024年02月08日
    浏览(44)
  • 人工智能基础_机器学习007_高斯分布_概率计算_最小二乘法推导_得出损失函数---人工智能工作笔记0047

    这个不分也是挺难的,但是之前有详细的,解释了,之前的文章中有, 那么这里会简单提一下,然后,继续向下学习 首先我们要知道高斯分布,也就是,正太分布, 这个可以预测x在多少的时候,概率最大 要知道在概率分布这个,高斯分布公式中,u代表平均值,然后西格玛代表标准差,知道了

    2024年02月07日
    浏览(74)
  • 威布尔概率密度分布

    相同的平均风速,如果概率密度分布不同,风机的发电量也会完全不同。 威布尔分布是泊松三类分布的特殊形式。概率密度函数 f ( v ) f(v) f ( v ) 为风速 v

    2024年02月12日
    浏览(40)
  • 概率密度函数曲线及绘制

    很多数据科学家在做回归模型评估的时候,不仅会去计算模型拟合优度R2,平均绝对误差还会去看测试集的每个样本偏差的分布情况,这个时候就需要用到概率密度函数曲线的知识了,通过绘制概率密度函数曲线图或者直方图可以很直观的看到测试集的所有样本的偏差分布情

    2023年04月21日
    浏览(40)
  • 概率密度函数可视化

    1 一维随机变量情形 以正态概率密度函数为例,其中位置参数为 μ mu μ ,尺度参数为 σ sigma σ , f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 , x ∈ R f(x) = dfrac{1}{sqrt{2pi}sigma}e^{-dfrac{(x-mu)^2}{2sigma^2}},xin R f ( x ) = 2 π ​ σ 1 ​ e − 2 σ 2 ( x − μ ) 2 ​ , x ∈ R 2 二维随机变量情形

    2024年02月06日
    浏览(36)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包