各种各样的分布函数-卡方分布

函数形式

前面也提到过,其实${\chi }^2(n)分布,就是\Gamma 分布的一种特殊形式$

其中$\alpha =n/2,\beta =1/2$

$$f(x)=\{\begin{array}{rlr}& \frac{1}{2^{\frac{n}{2}}\Gamma (\frac{n}{2})}{x}^{\frac{n}{2}-1}{e}^{-\frac{1}{2}x},& x>0\\ & 0,& x\le 0\end{array}$$

定义 如果随机变脸$X_i之间相互独立且服从N(0,1),分布,则称随机变量$

${\chi }^2=X_1^2+X_2^2+...+X_n^2$ 服从自由度为$n的{\chi }^2分布记为{\chi }^2$~${\chi }^2(n)$

准备定理

(1) 设总体$X$~$N(\mu ,{\sigma }^2),(X_1,X_2,...,X_n)是总体容量为n的样本,A=(a_{ij})是p\times n阶矩阵。$

$记Y=(Y_1,Y_2,...,Y_p{)}^T=A(X_1,X_2,...,X_n{)}^T$

则$E(Y_i)=\mu {\Sigma }_{j=1}^n{a}_{ij},D(Y_i)={\sigma }^2{\Sigma }_{j=1}^n{a}_{ij}^2),Cov(Y_i,Y_j)={\sigma }^2{\Sigma }_{k=1}^n{a}_{ik}{a}_{jk}$

证明:

$Y_i={\Sigma }_{k=1}^n{a}_{ik}{x}_k,Y_j={\Sigma }_{k=1}^n{a}_{jk}{x}_k$

$Cov(Y_1,Y_2)={\Sigma }_{j=1}^{n}Cov(a_{1j}{x}_j,{\Sigma }_{k=1}^n{a}_{2k}{x}_k)={\Sigma }_{j=1}^{n}Cov(a_{1j}{x}_j,a_{2j}{x}_j)={\Sigma }_{j=1}^n{a}_{1j}{a}_{2j}{\sigma }^2$

函数性质

一大堆性质都可以由前面的$\Gamma 分布推导出来$,这里就没啥好说的,说几个重要的。

(抽样分布基本定理)
设$(X_1,X_2,...,X_n)是来自总体N(\mu ,{\sigma }^2)的一个样本$

(1)$\bar{X}与S^2相互独立$

(2)$\frac{(n-1)S^2}{{\sigma }^2}$~${\chi }^2(n-1)$

证明:
取一个样本$U=(X_1,X_2,...,X_n)$

然后做一个正交变换
$$\left[\begin{array}{c}{Y}_1\\ Y_2\\ ...\\ Y_n\end{array}\right]=\left[\begin{array}{cccc}\frac{1}{\sqrt{n}}& \frac{1}{\sqrt{n}}& ...& \frac{1}{\sqrt{n}}\\ a_{21}& a_{22}& ...& a_{2n}\\ ...& ...& ...& ...\\ a_{n1}& a_{n2}& ...& a_{nn}\end{array}\right]\left[\begin{array}{c}{X}_1\\ X_2\\ ...\\ X_n\end{array}\right]$$
所以有$Y_1=\sqrt{n}\bar{X},Y^{T}Y={\Sigma }_{i=1}^n{Y}_i^2={\Sigma }_{i=1}^n{X}_i^2$

${\Sigma }_{i=2}^n{Y}_i^2={\Sigma }_{i=1}^n{X}_i^2-n{\bar{X}}^2={\Sigma }_{i=1}^n(X_i-\bar{X}{)}^2=(n-1)S^2$(把后面的拆开就可以发现是相等的)

然后${\Sigma }_{i=2}^n(\frac{Y_i}{\sigma }{)}^2$~${\chi }^2(n-1)$,即有$\frac{(n-1)S^2}{{\sigma }^2}$ ~ ${\chi }^2(n-1)$。

然后考虑(1)的证明：

$$\begin{array}{rl}L& =(\sqrt{2\pi }\sigma {)}^{-n}{e}^{-\frac{1}{2{\sigma }^2}{\Sigma }_{i=1}^n(X_i-\mu {)}^2}\\ & =(\sqrt{2\pi }\sigma {)}^{-n}{e}^{-\frac{1}{2{\sigma }^2}{\Sigma }_{i=1}^n{X}_i^2-2n\mu \bar{X}+n{\mu }^2}\\ & =(\sqrt{2\pi }\sigma {)}^{-n}{e}^{-\frac{1}{2{\sigma }^2}{\Sigma }_{i=1}^n{Y}_i^2-2\sqrt{n}\mu Y_1+n{\mu }^2}\\ & =(\sqrt{2\pi }\sigma {)}^{-1}{e}^{-\frac{1}{2{\sigma }^2}(Y_1-\sqrt{n}\mu {)}^2}\times (\sqrt{2\pi }\sigma {)}^{-1}{e}^{-\frac{1}{2{\sigma }^2}{Y}_2^2}\times ...\times (\sqrt{2\pi }\sigma {)}^{-1}{e}^{-\frac{1}{2{\sigma }^2}{Y}_n^2}\end{array}$$

$L$可以看作$Y_1,Y_2,...,Y_n$的联合密度函数,则$Y_1,Y_2,...,Y_n$之间相互独立

且有$Y_1$~$N(\sqrt{n}\mu ,{\sigma }^2)$,$Y_2$~$N(0,{\sigma }^2)$,…, $Y_n$~$N(0,{\sigma }^2)$

又$\bar{X}=Y_1/\sqrt{n},S^2={\Sigma }_{i=2}^n{Y}_i^2/(n-1)$,显然$\bar{X},S^2$相互独立