logo

t分布からF分布への導出 📂確率分布論

t分布からF分布への導出

定理 1

自由度ν>0\nu > 0t分布に従う確率変数Xt(ν)X \sim t(\nu)について、以下のように定義されたYYF分布F(1,ν)F (1,\nu)に従う。 Y:=X2F(1,ν) Y := X^{2} \sim F (1,\nu)

証明

カイ二乗分布を通じた回り道

Xt(ν)X \sim t(\nu)は、標準正規分布に従うZN(0,1)Z \sim N(0,1)と、自由度ν\nuカイ二乗分布に従うWWに関して X2=(ZW/ν)2=Z2/1W/ν,ZW X^{2} = \left( {{ Z } \over { \sqrt{W / \nu} }} \right)^{2} = {{ Z^{2} / 1 } \over { W / \nu }} \qquad , Z \perp W であり、Z2Z^{2}は自由度11のカイ二乗分布に従う二つの独立したカイ二乗分布からF分布が導かれるため、X2F(1,ν)X^{2} \sim F(1, \nu)に従う。

確率密度関数を通じた直接推論 2

戦略:確率密度関数を直接推論する。

t分布の定義: 自由度ν>0\nu > 0に対して、以下のような確率密度関数を持つ連続確率分布t(ν)t \left( \nu \right)をt分布という。 f(x)=Γ(ν+12)νπΓ(ν2)(1+x2ν)ν+12,xR f(x) = {{ \Gamma \left( {{ \nu + 1 } \over { 2 }} \right) } \over { \sqrt{\nu \pi} \Gamma \left( {{ \nu } \over { 2 }} \right) }} \left( 1 + {{ x^{2} } \over { \nu }} \right)^{- {{ \nu + 1 } \over { 2 }}} \qquad ,x \in \mathbb{R}

F分布の定義: 自由度r1,r2>0r_{1}, r_{2} > 0に対して、以下のような確率密度関数を持つ連続確率分布F(r1,r2)F \left( r_{1} , r_{2} \right)をF分布という。 f(x)=1B(r1/2,r2/2)(r1r2)r1/2xr1/21(1+r1r2x)(r1+r2)/2,x(0,) f(x) = {{ 1 } \over { B \left( r_{1}/2 , r_{2} / 2 \right) }} \left( {{ r_{1} } \over { r_{2} }} \right)^{r_{1} / 2} x^{r_{1} / 2 - 1} \left( 1 + {{ r_{1} } \over { r_{2} }} x \right)^{-(r_{1} + r_{2}) / 2} \qquad , x \in (0, \infty)


Y=X2    Y=X \begin{align*} & Y = X^{2} \\ \implies & \sqrt{Y} = X \end{align*} でありλ(X):=X2\lambda (X) := X^{2}単射関数ではないため、XXのサポートはx0x \ge 0x<0x < 0の二つに分かれる。そのヤコビアンdy=2xdxdy = 2 x dx であるため、YYの確率密度関数fYf_{Y}fY(y)=k=12Γ(ν+12)νπΓ(ν2)(1+x2ν)ν+1212x=Γ(ν+12)νπΓ(ν2)(1+x2ν)ν+121x \begin{align*} f_{Y}(y) =& \sum_{k=1}^{2} {{ \Gamma \left( {{ \nu + 1 } \over { 2 }} \right) } \over { \sqrt{\nu \pi} \Gamma \left( {{ \nu } \over { 2 }} \right) }} \left( 1 + {{ x^{2} } \over { \nu }} \right)^{- {{ \nu + 1 } \over { 2 }}} \cdot \left| {{ 1 } \over { 2x }} \right| \\ =& {{ \Gamma \left( {{ \nu + 1 } \over { 2 }} \right) } \over { \sqrt{\nu \pi} \Gamma \left( {{ \nu } \over { 2 }} \right) }} \left( 1 + {{ x^{2} } \over { \nu }} \right)^{- {{ \nu + 1 } \over { 2 }}} \cdot {{ 1 } \over { x }} \end{align*} から計算されるだろう。

ベータ関数とガンマ関数の関係: B(p,q)=Γ(p)Γ(q)Γ(p+q) B(p,q) = {{\Gamma (p) \Gamma (q)} \over {\Gamma (p+q) }}

オイラーの反射公式によりπ=Γ(1/2)\sqrt{\pi} = \Gamma (1/2)であり、上述の補題に基づいて fY(y)=Γ(ν+12)Γ(1/2)Γ(ν2)1ν(1+x2ν)ν+12x1=Γ(ν+12)Γ(1/2)Γ(ν2)1νy1(1+yν)ν+12=1B(1/2,ν/2)(1ν)1/2y1/21(1+1νy)1+ν2 \begin{align*} f_{Y}(y) =& {{ \Gamma \left( {{ \nu + 1 } \over { 2 }} \right) } \over { \Gamma (1/2) \Gamma \left( {{ \nu } \over { 2 }} \right) }} {{ 1 } \over { \sqrt{\nu} }} \left( 1 + {{ x^{2} } \over { \nu }} \right)^{- {{ \nu + 1 } \over { 2 }}} x^{-1} \\ =& {{ \Gamma \left( {{ \nu + 1 } \over { 2 }} \right) } \over { \Gamma (1/2) \Gamma \left( {{ \nu } \over { 2 }} \right) }} {{ 1 } \over { \sqrt{\nu} }} \sqrt{y}^{-1} \left( 1 + {{ y } \over { \nu }} \right)^{- {{ \nu + 1 } \over { 2 }}} \\ =& {{ 1 } \over { B (1/2, \nu/2) }} \left( {{ 1 } \over { \nu }} \right)^{1/2} y^{1/2-1} \left( 1 + {{ 1 } \over { \nu }} y \right)^{- {{ 1 + \nu } \over { 2 }}} \end{align*}


  1. Casella. (2001). Statistical Inference(2nd Edition): p258. ↩︎

  2. http://www.math.wm.edu/~leemis/chart/UDR/PDFs/TF.pdf ↩︎