Distribución de probabilidad
La distribución chi-cuadrado inversa escalada , donde es el parámetro de escala, es igual a la distribución Wishart inversa univariante con grados de libertad .![{\displaystyle \psi \,{\mbox{inv-}}\chi ^{2}(\nu )}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \psi }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\mathcal {W}}^{-1}(\psi,\nu)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle\nu}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Esta familia de distribuciones chi-cuadrado inversas escaladas está vinculada a la distribución chi-cuadrado inversa y a la distribución chi-cuadrado :
Si entonces, así como y .![{\displaystyle X\sim \psi \,{\mbox{inv-}}\chi ^{2}(\nu )}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X/\psi \sim {\mbox{inv-}}\chi ^{2}(\nu )}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \psi /X\sim \chi ^{2}(\nu )}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle 1/X\sim \psi ^{-1}\chi ^{2}(\nu )}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Sin embargo, en lugar de , la distribución chi-cuadrado inversa escalada se parametriza con mayor frecuencia mediante el parámetro de escala y la distribución se denota por .![{\displaystyle \psi }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \tau ^{2}=\psi /\nu }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \nu \tau ^{2}\,{\mbox{inv-}}\chi ^{2}(\nu )}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\mbox{Escala-inv-}}\chi ^{2}(\nu ,\tau ^{2})}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
En términos de las relaciones anteriores se puede escribir de la siguiente manera:![{\displaystyle \tau^{2}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Si entonces, así como y .![{\displaystyle X\sim {\mbox{Escala-inv-}}\chi ^{2}(\nu ,\tau ^{2})}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\frac {X}{\nu \tau ^{2}}}\sim {\mbox{inv-}}\chi ^{2}(\nu )}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\frac {\nu \tau ^{2}}{X}}\sim \chi ^{2}(\nu )}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle 1/X\sim {\frac {1}{\nu \tau ^{2}}}\chi ^{2}(\nu )}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Esta familia de distribuciones chi-cuadrado inversas escaladas es una reparametrización de la distribución gamma inversa .
Específicamente, si
entonces ![{\displaystyle X\sim {\textrm {Inv-Gamma}}\left({\frac {\nu }{2}},{\frac {\psi }{2}}\right)={\textrm {Inv -Gamma}}\left({\frac {\nu }{2}},{\frac {\nu \tau ^{2}}{2}}\right)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Cualquiera de las formas puede usarse para representar la distribución de entropía máxima para un primer momento inverso fijo y un primer momento logarítmico .![{\displaystyle (E(1/X))}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle (E(\ln(X))}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
La distribución chi-cuadrado inversa escalada también tiene un uso particular en la estadística bayesiana . Específicamente, la distribución chi-cuadrado inversa escalada se puede utilizar como conjugado previo para el parámetro de varianza de una distribución normal . El mismo anterior en la parametrización alternativa viene dado por la distribución gamma inversa .
Caracterización
La función de densidad de probabilidad de la distribución chi-cuadrado inversa escalada se extiende sobre el dominio y es![{\displaystyle x>0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f(x;\nu ,\tau ^{2})={\frac {(\tau ^{2}\nu /2)^{\nu /2}}{\Gamma (\nu /2 )}}~{\frac {\exp \left[{\frac {-\nu \tau ^{2}}{2x}}\right]}{x^{1+\nu /2}}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
donde es el parámetro de grados de libertad y es el parámetro de escala . La función de distribución acumulativa es![{\displaystyle\nu}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \tau^{2}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle F(x;\nu ,\tau ^{2})=\Gamma \left({\frac {\nu }{2}},{\frac {\tau ^{2}\nu }{2x }}\right)\left/\Gamma \left({\frac {\nu }{2}}\right)\right.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle =Q\left({\frac {\nu }{2}},{\frac {\tau ^{2}\nu }{2x}}\right)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
donde es la función gamma incompleta , es la función gamma y es una función gamma regularizada . La función característica es![{\displaystyle \Gamma (a,x)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \Gamma (x)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle Q(a,x)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \varphi (t;\nu ,\tau ^{2})=}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\frac {2}{\Gamma ({\frac {\nu }{2}})}}\left({\frac {-i\tau ^{2}\nu t}{2}} \right)^{\!\!{\frac {\nu }{4}}}\!\!K_{\frac {\nu }{2}}\left({\sqrt {-2i\tau ^{ 2}\nu t}}\derecha),}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
¿Dónde está la función de Bessel modificada de segundo tipo ?![{\displaystyle K_{\frac {\nu }{2}}(z)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Estimación de parámetros
La estimación de máxima verosimilitud de es![{\displaystyle \tau^{2}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \tau ^{2}=n/\sum _{i=1}^{n}{\frac {1}{x_{i}}}.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
La estimación de máxima verosimilitud se puede encontrar utilizando el método de Newton en:![{\displaystyle {\frac {\nu }{2}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \ln \left({\frac {\nu }{2}}\right)-\psi \left({\frac {\nu }{2}}\right)={\frac {1}{ n}}\sum _{i=1}^{n}\ln \left(x_{i}\right)-\ln \left(\tau ^{2}\right),}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
¿Dónde está la función digamma ? Se puede encontrar una estimación inicial tomando la fórmula de la media y resolviéndola para Sea la media muestral. Entonces una estimación inicial de está dada por:![{\displaystyle \psi (x)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \nu.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\bar {x}}={\frac {1}{n}}\sum _ {i=1}^{n}x_ {i}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle\nu}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\frac {\nu }{2}}={\frac {\bar {x}}{{\bar {x}}-\tau ^{2}}}.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Estimación bayesiana de la varianza de una distribución normal.
La distribución chi-cuadrado inversa escalada tiene una segunda aplicación importante, en la estimación bayesiana de la varianza de una distribución normal.
Según el teorema de Bayes , la distribución de probabilidad posterior de las cantidades de interés es proporcional al producto de una distribución previa de las cantidades y una función de verosimilitud :
![{\displaystyle p(\sigma ^{2}|D,I)\propto p(\sigma ^{2}|I)\;p(D|\sigma ^{2})}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
donde D representa los datos e I representa cualquier información inicial sobre σ 2 que ya tengamos.
El escenario más simple surge si ya se conoce la media μ; o, alternativamente, si lo que se busca es la distribución condicional de σ 2 , para un valor supuesto particular de μ.
Entonces el término de probabilidad L (σ 2 | D ) = p ( D |σ 2 ) tiene la forma familiar
![{\displaystyle {\mathcal {L}}(\sigma ^{2}|D,\mu )={\frac {1}{\left({\sqrt {2\pi }}\sigma \right)^{ n}}}\;\exp \left[-{\frac {\sum _{i}^{n}(x_{i}-\mu )^{2}}{2\sigma ^{2}}} \bien]}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Combinando esto con el invariante de reescalado previo p(σ 2 | I ) = 1/σ 2 , que se puede argumentar (por ejemplo, siguiendo a Jeffreys ) como el previo menos informativo posible para σ 2 en este problema, se obtiene una probabilidad posterior combinada.
![{\displaystyle p(\sigma ^{2}|D,I,\mu )\propto {\frac {1}{\sigma ^{n+2}}}\;\exp \left[-{\frac { \sum _{i}^{n}(x_{i}-\mu )^{2}}{2\sigma ^{2}}}\right]}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Esta forma puede reconocerse como la de una distribución chi-cuadrado inversa escalada, con parámetros ν = n y τ 2 = s 2 = (1/ n ) Σ (x i -μ) 2
Gelman et al señalan que la reaparición de esta distribución, vista anteriormente en un contexto de muestreo, puede parecer notable; pero dada la elección previa el "resultado no es sorprendente". [1]
En particular, la elección de un invariante de reescalado previo para σ 2 tiene como resultado que la probabilidad de la relación σ 2 / s 2 tiene la misma forma (independiente de la variable condicionante) cuando está condicionada a s 2 que cuando está condicionada a σ 2 :
![{\displaystyle p({\tfrac {\sigma ^{2}}{s^{2}}}|s^{2})=p({\tfrac {\sigma ^{2}}{s^{2 }}}|\sigma^{2})}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
En el caso de la teoría del muestreo, condicionada a σ 2 , la distribución de probabilidad para (1/s 2 ) es una distribución chi-cuadrado inversa escalada; y entonces la distribución de probabilidad para σ 2 condicionada a s 2 , dado un previo independiente de la escala, también es una distribución chi-cuadrado inversa escalada.
Utilizar como previo informativo
Si se sabe más sobre los posibles valores de σ 2 , una distribución de la familia chi-cuadrado inversa escalada, como Scale-inv-χ 2 ( n 0 , s 0 2 ) puede ser una forma conveniente para representar una información previa más informativa. para σ 2 , como si fuera el resultado de n 0 observaciones previas (aunque n 0 no tiene por qué ser necesariamente un número entero):
![{\displaystyle p(\sigma ^{2}|I^{\prime },\mu )\propto {\frac {1}{\sigma ^{n_{0}+2}}}\;\exp \left [-{\frac {n_{0}s_{0}^{2}}{2\sigma ^{2}}}\right]}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Tal prior conduciría a la distribución posterior.
![{\displaystyle p(\sigma ^{2}|D,I^{\prime },\mu )\propto {\frac {1}{\sigma ^{n+n_{0}+2}}}\; \exp \left[-{\frac {ns^{2}+n_{0}s_{0}^{2}}{2\sigma ^{2}}}\right]}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
que es en sí misma una distribución chi-cuadrado inversa escalada. Las distribuciones chi-cuadrado inversas escaladas son, por tanto, una familia previa conjugada conveniente para la estimación de σ 2 .
Estimación de la varianza cuando se desconoce la media.
Si no se conoce la media, el previo menos informativo que se puede tomar es posiblemente el previo invariante de traducción p (μ| I ) ∝ const., que da la siguiente distribución posterior conjunta para μ y σ 2 ,
![{\displaystyle {\begin{aligned}p(\mu ,\sigma ^{2}\mid D,I)&\propto {\frac {1}{\sigma ^{n+2}}}\exp \left [-{\frac {\sum _{i}^{n}(x_{i}-\mu )^{2}}{2\sigma ^{2}}}\right]\\&={\frac {1}{\sigma ^{n+2}}}\exp \left[-{\frac {\sum _{i}^{n}(x_{i}-{\bar {x}})^{ 2}}{2\sigma ^{2}}}\right]\exp \left[-{\frac {n(\mu -{\bar {x}})^{2}}{2\sigma ^{ 2}}}\right]\end{aligned}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
La distribución posterior marginal para σ 2 se obtiene a partir de la distribución posterior conjunta integrando sobre μ,
![{\displaystyle {\begin{aligned}p(\sigma ^{2}|D,I)\;\propto \;&{\frac {1}{\sigma ^{n+2}}}\;\exp \left[-{\frac {\sum _{i}^{n}(x_{i}-{\bar {x}})^{2}}{2\sigma ^{2}}}\right] \;\int _{-\infty }^{\infty }\exp \left[-{\frac {n(\mu -{\bar {x}})^{2}}{2\sigma ^{2 }}}\right]d\mu \\=\;&{\frac {1}{\sigma ^{n+2}}}\;\exp \left[-{\frac {\sum _{i} ^{n}(x_{i}-{\bar {x}})^{2}}{2\sigma ^{2}}}\right]\;{\sqrt {2\pi \sigma ^{2 }/n}}\\\propto \;&(\sigma ^{2})^{-(n+1)/2}\;\exp \left[-{\frac {(n-1)s^ {2}}{2\sigma ^{2}}}\right]\end{aligned}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Esta es nuevamente una distribución chi-cuadrado inversa escalada, con parámetros y .![{\displaystyle \scriptstyle {n-1}\;}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \scriptstyle {s^{2}=\sum (x_{i}-{\bar {x}})^{2}/(n-1)}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Distribuciones relacionadas
- si entonces
![{\displaystyle X\sim {\mbox{Escala-inv-}}\chi ^{2}(\nu ,\tau ^{2})}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle kX\sim {\mbox{Escala-inv-}}\chi ^{2}(\nu ,k\tau ^{2})\,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Si ( distribución de chi cuadrado inversa ) entonces
![{\displaystyle X\sim {\mbox{inv-}}\chi ^{2}(\nu )\,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X\sim {\mbox{Escala-inv-}}\chi ^{2}(\nu ,1/\nu )\,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Si entonces ( distribución chi-cuadrado inversa )
![{\displaystyle X\sim {\mbox{Escala-inv-}}\chi ^{2}(\nu ,\tau ^{2})}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\frac {X}{\tau ^{2}\nu }}\sim {\mbox{inv-}}\chi ^{2}(\nu )\,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Si entonces ( distribución gamma inversa )
![{\displaystyle X\sim {\mbox{Escala-inv-}}\chi ^{2}(\nu ,\tau ^{2})}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X\sim {\textrm {Inv-Gamma}}\left({\frac {\nu }{2}},{\frac {\nu \tau ^{2}}{2}}\right) }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- La distribución de chi cuadrado inversa escalada es un caso especial de distribución de Pearson tipo 5
Referencias
- Gelman A. et al (1995), Análisis de datos bayesianos , págs. 474–475; también págs. 47, 480
- ^ Gelman et al (1995), Análisis de datos bayesianos (1.ª ed.), p.68