이 기사는 중심적인 F-배분에 관한 것이다. 일반화 분포의 경우 중심 F-분포 를 참조하십시오. 다른 용도는 F-비율 (F-Ratio)을 참조하십시오. 피셔-스네데코르 확률밀도함수
누적분포함수
매개변수 d1 2 , d > 0도 자유 지원 x ∈ (0 , + ∞ ) {\ displaystyle x\in (0,+\inflt )\;}, d 1 = 1 {\displaystyle d_{1}=1 }, 그렇지 않으면 x ∈ [0 , + ∞ ) {\displaystysty x\in [0,+\in];};} PDF ( d 1 x ) d 1 d 2 d 2 ( d 1 x + d 2 ) d 1 + d 2 x B ( d 1 2 , d 2 2 ) {\dapplaystyle {\frac {\sqrt {(d_{1}x)^{d_{1}d_{2}}:{d_{1}x+d_{2}}{d_{2}}^{d_{1}+d_{2}}^{d_{1}+d_{2}^{2} }}}{x\,\mathrm {B} \!\왼쪽({\frac {d_{1}:{2}},{\frac {d_{2}}:\오른쪽)}}\! } CDF I d 1 x d 1 x + d 2 ( d 1 2 , d 2 2 ) {\displaystyle I_{\frac {d_{1}x}{d_{1}x+d_{2} }}}\왼쪽 \tfrac{d_{1}:{2}},{\tfrac {d_{2}}:{2}}\오른쪽)}} 평균 d 2 d 2 − 2 {\displaystyle {\frac {d_{2}}:{d_{2}-2}}\!} d 2 > 2의 경우 모드 d 1 − 2 d 1 d 2 d 2 + 2 {\d_{1}-2}{d_{1}-2}}: {d_{1}}\;{\frac {d_{2}}:{d_{2}+2}}:} d 1 > 2의 경우 분산 2 d 2 2 ( d 1 + d 2 − 2 ) d 1 ( d 2 − 2 ) 2 ( d 2 − 4 ) {\displaystyle {\frac {2\,d_{2}^{2}^{2}\,(d_{1}+d_{2}-2)}{d_{1}(d_{2}-2)^{2}-}}}}}}}\! } d 2 > 4의 경우 왜도 ( 2 d 1 + d 2 − 2 ) 8 ( d 2 − 4 ) ( d 2 − 6 ) d 1 ( d 1 + d 2 − 2 ) {\displaystyle {\frac {({d_{1}+d_{2}-2){{2}-2)}{\sqrt {8(d_{2}-4)}{{d_{1}-6)}{\sqrt {d_{1}(d_{1}+d_{2}-2)}}}}}}}}}}}}}}}}}!} d 2 > 6의 경우 엑스트라 쿠르토시스 본문을 보다 엔트로피 ln Γ ( d 1 2 ) + ln Γ ( d 2 2 ) − ln Γ ( d 1 + d 2 2 ) + {\displaystyle \ln \Gamma \left({d_{1}:{1}2}}:\right)+\ln \Gamma \left({\tfrac {d_{1}+d_{2}-\ln)-\ln \Gamma \preftleft({d) 2}}:{2}}\오른쪽)+\! } ( 1 − d 1 2 ) ψ ( 1 + d 1 2 ) − ( 1 + d 2 2 ) ψ ( 1 + d 2 2 ) {\displaystyle \left(1-{d_{1}:{d_{2}}\오른쪽)\lift(1+{tfrac{d_{1}2}}\오른쪽)\lift(1+{d_{2}}\오른쪽)\lip(1+{d_{d_{2}}\2}}\오른쪽)! + ( d 1 + d 2 2 ) ψ ( d 1 + d 2 2 ) + ln d 1 d 2 {\displaystyle +\왼쪽 사진\tfrac {d_{1}+d_{2 }}}{2}}\오른쪽)\\{좌석\tfrac {d_{1}+d_{2} 2}}:{2}}\오른쪽)+\ln {\frac {d_{1}:{d_{2}}\\!} [1] MGF 존재하지 않음, 텍스트 및 에 정의된 원시 순간 CF 본문을 보다
확률 이론 과 통계 에서, Sedecor의 F 분포 또는 F-dedecor 분포 라고도 알려진 F-분포 또는 F-분포 (Ronald Fisher 및 George W. Sedecor 이후)는 시험 통계량 의 null 분포 로 자주 발생하는 연속 확률 분포 로, 특히 분산 분석 (ANOVA)에서 가장 두드러진다.기타 F-검정 .[2] [3] [4] [5]
정의 자유도가 d 와1 d 인2 F-분포는 다음과 같은 분포다.
X = S 1 / d 1 S 2 / d 2 {\displaystyle X={\frac {S_{1}/d_{1}:{1}{S_{2}/d_{2}}:} 여기서 S 1 {\ textstyle S_{1} 및 S 2 {\ textstyle S_{2 }}은 각 자유도 d 1 {\ textstyle d_{1 } 및 d 2 {\ textstyle d_{2 }}의 카이-제곱 분포 를 갖는 독립 랜덤 변수 다.
X 에 대한 확률밀도함수 (pdf)는 다음과 같이 주어지는 것으로 보여질 수 있다.
f ( x ; d 1 , d 2 ) = ( d 1 x ) d 1 d 2 d 2 ( d 1 x + d 2 ) d 1 + d 2 x B ( d 1 2 , d 2 2 ) = 1 B ( d 1 2 , d 2 2 ) ( d 1 d 2 ) d 1 / 2 x d 1 / 2 − 1 ( 1 + d 1 d 2 x ) − ( d 1 + d 2 ) / 2 {\dplaystyle {\d}f(x;d_{1},d_{2})&={\frac {\sqrt{\\sqrt{\(d_{1}x)^{d_{1}:{d_{2}}}{d_{2}}}}{d_{1x+d}}^{d_{1}+d_{2}^{2}^{d_{2}^{d_{d_{2}}^{{2}}}}}{{{{{{{d_{d_{2}}}}}} }}}{x\operatorname {B} \좌측({\frac {d_{1}:{2}},{\frac {d_2}}:{2}}:\우측) }}\\[5pt]&={\frac {1}{{1}{B} \좌측({\frac {d_{1}:{1}2}},{\frac {d_{2}}\우측)}}}\좌측({\frac {d_1}{d_{2}}}\우측) ^{d_{1}/2}}x^{d_{1}/2-1}\좌측(1+{d_{1}{1}:{d_{2}}:}\,x\오른쪽)^{-(d_{1}+d_{2}}/{2}}/끝{aigned}}}}}}}}}} real x > 0에 대해. 여기서 B {\ displaystyle \mathrm {B} 은( 는) 베타 함수 다. 많은 애플리케이션에서, 매개변수 d 와1 d 는2 양의 정수 지만, 분포는 이러한 매개변수의 양의 실제 값에 대해 잘 정의되어 있다.
누적분포함수는
F ( x ; d 1 , d 2 ) = I d 1 x / ( d 1 x + d 2 ) ( d 1 2 , d 2 2 ) , {\dplaystyle F(x;d_{1},d_{2}= I_{d_{1}x/(d_{1}x+d_{2})}\좌측({\tfrac {d_{1}:{1}:{2}},{\tfrac {d_{2}}:{2}}:00\오른쪽),} 여기서 나 는 정규화된 불완전한 베타 함수 다.
F(d 1 , d 2 )에 대한 기대, 분산 및 기타 세부 정보가 사이드 박스에 제시되며, d 2 > 8의 경우, 초과 첨도는 다음과 같다.
γ 2 = 12 d 1 ( 5 d 2 − 22 ) ( d 1 + d 2 − 2 ) + ( d 2 − 4 ) ( d 2 − 2 ) 2 d 1 ( d 2 − 6 ) ( d 2 − 8 ) ( d 1 + d 2 − 2 ) . {\displaystyle \gamma _{2}=12{\frac {d_{1}(5d_{2}-22)(d_{1}+d_{2}-2)+(d_{2}-4)(d_{2}-2)^{2}}{d_{1}(d_{2}-6)(d_{2}-8)(d_{1}+d_{2}-2)}}. } F(d 1 , d 2 ) 분포의 k번째 모멘트가 존재하며, 2k < d 와2 같을 때만 유한하다.
μ X ( k ) = ( d 2 d 1 ) k Γ ( d 1 2 + k ) Γ ( d 1 2 ) Γ ( d 2 2 − k ) Γ ( d 2 2 ) . {\displaystyle \mu _{X}(k)=\left({\frac {d_{2}}:{d_{1}}\오른쪽) ^{k}{\frac {\Gamma \left({\tfrac {d_{1}}{2}}+k\right)}{\Gamma \left({\tfrac {d_{1}}{2}}\right)}}{\frac {\Gamma \left({\tfrac {d_{2}}{2}}-k\right)}{\Gamma \left({\tfrac {d_{2}}{2}}\right)}}. } [6] F-분포는 베타 프라임 분포 의 특정 파라메트리제이션으로, 제2종 베타분포라고도 한다.
특성 함수 는 많은 표준 참조(예:)[3] 에 잘못 기재되어 있다. 올바른 표현은
φ d 1 , d 2 F ( s ) = Γ ( d 1 + d 2 2 ) Γ ( d 2 2 ) U ( d 1 2 , 1 − d 2 2 , − d 2 d 1 ı s ) {\dplaystyle \varphi _{d_{1},d_{2}}^{F}={\frac {\gamma \left({\frac {d_{1}+d_{2) 2}}:{2}}\오른쪽){\감마 \왼쪽({\tfrac {d_{2}}:{2}}\오른쪽)}}}}}} U\!\left({\frac {d_{1}:{2}}:{{{d_{2}},-{\frac {d_{2}},-{d_{1}:{1}:{1}}\imath s\오른쪽)}}} 여기서 U (a , b , z)는 두 번째 종류의 결합초기하함수 다.
특성화 매개변수 d 1 {\ displaystyle d_{1 } 및 d 2 {\displaystyle d_{2 }}의 F-분포의 무작위 변수 는 적절한 크기의 두 가지 카이-제곱 변수의 비율로 발생한다 .[8]
X = U 1 / d 1 U 2 / d 2 {\displaystyle X={\frac {U_{1}/d_{1}{1}:{U_{2}/d_{2}}:} 어디에
U 1 {\ displaystyle U_{1}, U 2 {\ displaystyle U_{2}}: 각각 d 1 {\ displaystyle d_{1}, d 2 {\ displaystyle d_{2 }}도 의 자유도 를 갖는 카이-제곱 분포 를 가지고 있으며, U 1 {\ displaystyle U_{1 }와 U 2 {\ displaystyle U_{2 }}개는 독립적 이다 . 예를 들어 분산 분석 에서 F-분포를 사용하는 경우, U 1 {\ displaystyle U_{1 }와 U 2 {\ displaystyle U_{2 }}의 독립성을 코크란의 정리 를 적용하여 증명할 수 있다.
동등하게, F-분포의 랜덤 변수 또한 기록될 수 있다.
X = s 1 2 σ 1 2 ÷ s 2 2 σ 2 2 , {\displaystyle X={\frac {s_{1}^{2}}:{\sigma _{1}2}}:div {\frac {s_{2}^{2}}:{\sigma _{2}}}}}} where s 1 2 = S 1 2 d 1 {\displaystyle s_{1}^{2}={\frac {S_{1}^{2}}{d_{1}}}} and s 2 2 = S 2 2 d 2 {\displaystyle s_{2}^{2}={\frac {S_{2}^{2}}{d_{2}}}} , S 1 2 {\displaystyle S_{1}^{2}} is the sum of squares of d 1 {\displaystyle d_{1}} random variables from normal dis tribution N ( 0 , σ 1 2 ) {\displaystyle N(0,\sigma _{1}^{2})} and S 2 2 {\displaystyle S_{2}^{2}} is the sum of squares of d 2 {\displaystyle d_{2}} random variables from normal distribution N ( 0 , σ 2 2 ) {\displaystyle N(0,\sigma _{2}^{2})} . [discuss ] [citation needed ]
In a frequentist context, a scaled F -distribution therefore gives the probability p ( s 1 2 / s 2 2 ∣ σ 1 2 , σ 2 2 ) {\displaystyle p(s_{1}^{2}/s_{2}^{2}\mid \sigma _{1}^{2},\sigma _{2}^{2})} , with the F -distribution itself, without any scaling, applying where σ 1 2 {\displaystyle \sigma _{1}^{2}} σ 2 2 {\ displaystyle \sigma _{2}^{2}} 과 동등하게 취함. 이것은 F-검정 에 F-분포가 가장 일반적으로 나타나는 맥락이다. 여기서 귀무 가설은 두 개의 독립적인 정규 분산이 같다는 것이고, 적절히 선택된 일부 제곱의 관측된 합은 그 비율이 si인지 여부를 조사한다.이 귀무 가설과 아주 양립할 수 없다.
만약 충분하rescaling-invariant 제프리스 전 σ 12{\displaystyle \sigma_{1}^{2}의 사전 확률을}과 22{\displaystyle \sigma_{2}^{2}}.[9]이런 맥락에서, 하나의 F분포시켜 준다σ가 취해 진 수량 X{X\displaystyle}, Bayesian통계에서 같은 분포. 그 posterior probability p ( σ 2 2 / σ 1 2 ∣ s 1 2 , s 2 2 ) {\displaystyle p(\sigma _{2}^{2}/\sigma _{1}^{2}\mid s_{1}^{2},s_{2}^{2})} , where the observed sums s 1 2 {\displaystyle s_{1}^{2}} and s 2 2 {\displaystyle s_{2}^{2}} are now taken as known.
특성 및 관련 분포 If X ∼ χ d 1 2 {\displaystyle X\sim \chi _{d_{1}}^{2}} and Y ∼ χ d 2 2 {\displaystyle Y\sim \chi _{d_{2}}^{2}} are independent , then X / d 1 Y / d 2 ∼ F ( d 1 , d 2 ) {\displaystyle {\frac {X/d_{1}}{Y/d_{2}}}\sim \mathrm {F} (d_{1},d_{2})} If X k ∼ Γ ( α k , β k ) {\displaystyle X_{k}\sim \Gamma (\alpha _{k},\beta _{k})\,} (Gamma distribution ) are independent, then α 2 β 1 X 1 α 1 β 2 X 2 ∼ F ( 2 α 1 , 2 α 2 ) {\displaystyle {\frac {\alpha _{2}\beta _{1}X_{1}}{\alpha _{1}\beta _{2}X_{2}}}\sim \mathrm {F} (2\alpha _{ 1,2\filename _{2}}} If X ∼ Beta ( d 1 / 2 , d 2 / 2 ) {\displaystyle X\sim \operatorname {Beta} (d_{1}/2,d_{2}/2)} (Beta distribution ) then d 2 X d 1 ( 1 − X ) ∼ F ( d 1 , d 2 ) {\displaystyle {\frac {d_{2}X}{d_{1}(1-X)}}\sim \operatorname {F} (d_{1},d_{2})} Equivalently, if X ∼ F ( d 1 , d 2 ) {\displaystyle X\sim F(d_{1},d_{2})} , then d 1 X / d 2 1 + d 1 X / d 2 ∼ Beta ( d 1 / 2 , d 2 / 2 ) {\displaystyle {\frac {d_{1}X/d_{2}}{1+d_{1}X/d_{2}}}\sim \operatorname {Beta} (d_{1}/2,d_{2}/2)} . If X ∼ F ( d 1 , d 2 ) {\displaystyle X\sim F(d_{1},d_{2})} , then d 1 d 2 X {\displaystyle {\frac {d_{1}}{d_{2}}}X} has a beta prime distribution : d 1 d 2 X ∼ β ′ ( d 1 2 , d 2 2 ) {\displaystyle {\frac {d_{1}}{d_{2}}}X\sim \operatorname {\beta ^{\prime }} ({\tfrac {d _{1}:{2}},{\tfrac {d_{2}}:{2 }})}} . If X ∼ F ( d 1 , d 2 ) {\displaystyle X\sim F(d_{1},d_{2})} then Y = lim d 2 → ∞ d 1 X {\displaystyle Y=\lim _{d_{2}\to \infty }d_{1}X} has the chi-squared distribution χ d 1 2 {\displaystyle \chi _{d_{1}}^{2}} F ( d 1 , d 2 ) {\displaystyle F(d_{1},d_{2})} is equivalent to the scaled Hotelling's T-squared distribution d 2 d 1 ( d 1 + d 2 − 1 ) T 2 ( d 1 , d 1 + d 2 − 1 ) {\displaystyle {\frac {d_{2}}{d_{1}(d_{1}+d_{2}-1)}}\operatorname {T} ^{2}(d_{1},d_{1}+d_{2}-1)} . X ~ F ( d 1 , d 2 ) {\displaystyle X\sim F(d_{1},d_{2}) 가 있는 경우 X - 1 ~ F ( d 2 , d 1 ) {\displaystyle X^{1}\dy F(d_{2},d_{1}){ 1}. X ~ t (n ) {\ displaystyle X\sim t_{(n)} — 학생의 t-분포 — 다음 중 하나: X 2 ∼ F ( 1 , n ) {\displaystyle X^{2}\sim \operatorname {F}(1,n)} X − 2 ∼ F ( n , 1 ) {\displaystyle X^{-2}\sim \operatorname {F}(n,1)} F-분포는 타입 6 Pearson 분포 의 특별한 경우다. X {\displaystyle X} 및 Y {\displaystyle Y} 이 (가) 독립적이고 X , Y ~ {\displaystyle X, Y\sim } Laplace (μ , b ) 가 있으면, X − μ Y − μ ∼ F ( 2 , 2 ) {\displaystyle {\frac { X-\mu }{ Y-\mu }}}}\심각 \operatorname {F}(2,2)} X ~ F ( n , m ) {\displaystyle X\sim F(n,m)} 인 경우, X 2 ~ FisherZ (n , m ) {\displaystyle {\tfrac {\\\log{X}}}{2}}\\sim \operatorname {FisherZ}(n,m)})( 피셔 z-distribution ) 중심 F-분포 는 display = 0 {\displaystyle \lambda =0 } 인 경우 F-분포로 단순화된다. λ 1 = λ 2 = 0 {\displaystyle \lambda _{1}=\lambda _{2}=0} 인 경우 이중 중심 F-분포 는 F-분포로 단순화된다. If Q X ( p ) {\displaystyle \operatorname {Q} _{X}(p)} is the quantile p for X ∼ F ( d 1 , d 2 ) {\displaystyle X\sim F(d_{1},d_{2})} and Q Y ( 1 − p ) {\displaystyle \operatorname {Q} _{Y}(1-p)} is the quantile 1 − p {\displaystyle 1-p} for Y ∼ F ( d 2 , d 1 ) {\displaystyle Y\sim F (d_{2},d_{1 }}, 그러면 Q X ( p ) = 1 Q Y ( 1 − p ) . {\displaystyle \operatorname {Q} _{X}(p)={\frac {1}{\operatorname {Q} _{Y}(1-p)}}}. } 참고 항목
참조 ^ Lazo, A.V.; Rathie, P. (1978). "On the entropy of continuous probability distributions". IEEE Transactions on Information Theory . IEEE. 24 (1): 120–122. doi :10.1109/tit.1978.1055832 . ^ a b Johnson, Norman Lloyd; Samuel Kotz; N. Balakrishnan (1995). Continuous Univariate Distributions, Volume 2 (Second Edition, Section 27) . Wiley. ISBN 0-471-58494-0 . ^ a b c Abramowitz, Milton ; Stegun, Irene Ann , eds. (1983) [June 1964]. "Chapter 26" . Handbook of Mathematical Functions with Formulas, Graphs, and Mathematical Tables . Applied Mathematics Series. 55 (Ninth reprint with additional corrections of tenth original printing with corrections (December 1972); first ed.). Washington D.C.; New York: United States Department of Commerce, National Bureau of Standards; Dover Publications. p. 946. ISBN 978-0-486-61272-0 . LCCN 64-60036 . MR 0167642 . LCCN 65-12253 . ^ NIST(2006년). 엔지니어링 통계 핸드북 – F 배포 ^ Mood, Alexander; Franklin A. Graybill; Duane C. Boes (1974). Introduction to the Theory of Statistics (Third ed.). McGraw-Hill. pp. 246–249. ISBN 0-07-042864-6 . ^ Taboga, Marco. "The F distribution" . ^ 필립스, P. C. B.(1982) "F 분포의 진정한 특성 함수," 바이오메트리카 , 69: 261–264 JSTOR 2335882 ^ M.H. DeGroot (1986년), 확률 과 통계 (2차 개정), 애디슨 웨슬리. ISBN 0-201-11366-X , 페이지 500 ^ G. E. P. 박스와 G. C. Tiao (1973), Bayesian Inference in Statistical Analysis , Addison-Wesley. 페이지 110 외부 링크 이산형 일변도의
연속 일변도의
의 지지를 받고 있는. 경계 간격 의 지지를 받고 있는. 반무한 간격을 두고 지지의 대체로 실선 지지하여 누구의 타입이 다른가.
혼합 일변도의
다변량 (공동) 방향 퇴보하다 그리고 단수 가족들