X1, X2, ... , Xn ~N(a, s^2)이고,
Y1, Y2, ..., Yn ~N(b, s^2)이며, X1, X2, .., Xn, Y1, Y2, ..., Yn은 서로 독립임.
참고로 N(a, s^2)의 확률밀도분포는 1/s*sqrt(2pi) * e^(-(x-a)^2/(2s^2)) 임.
그러면,
의 확률 밀도 분포를 구하면 됨.
이떄, 분모와 분자는 각각 N(0, ns^2)로 서로 독립합등분포임. (Independent and identically distributed random variables)
(이유는, 서로 독립적인 두 확률 분포 X~N(A, B), Y~N(C, D)에 대해, (A+B)~N(A+C, B+D) 가 성립하기 때문.)
따라서 (1)은
X~N(0, ns^2) , Y~N(0, ns^2) 이고, X와 Y는 서로 독립일 때, X/Y의 확률 밀도 함수를 구하라는 문제가 된다.
확률 밀도 함수를 구하는 방법은, 대충
(알려진 공식을 이용하거나) 누적분포함수 F를 구하고, 그 누적 분포 함수를 미분하면 된다.
X의 확률 밀도함수를 f(x), Y의 확률 밀도함수를 g(y)라고 하자.
참고로 f(x) = g(x) =1/s*sqrt(2n*pi) * e^(-x^2/(2ns^2))이다.
그리고 c를 실수로 고정하고, X/Y≤c 일 확률을 구해보자. (즉, F(c)=P(X/Y ≤c)를 구함.)
그러면, f(x)f(y) 를 구간 {(x, y) ∈R^2 | x/y≤c }에 대해서 적분하면 된다. (이를 위해 미적분2 필요.)
(f(x)f(y)라고 할 수 있는 이유는, X와 Y가 독립이기 때문임. R^2 상에서 점 (x, y)가 나올 확률은 첫 번째 성분이 x일 확률 * 두 번째 성분이 y일 확률 = f(x)f(y)라는 거임.)
그 다음에 F를 c로 편미분해주면 된다.
즉, 최종적으로는 저 적분을 해 준 것에 c를 편미분해 준 것을 얻으면 된다.
그러면, 적분 영역을 신경써줘야 된다.
y=cx 그려넣고, x/y≤c 를 만족하는 영역을 그려보면 대충 어떻게 적분 구간 나눠줄지 감이 올 거다.
위 그림을 보면 c가 0 이상인 경우, 음수인 경우 케이스 분류해 줘야 될 것 같은 느낌이 든다.
참고로, P(x/y≤c)=1-P(x/y >c) 이다.
그리고 X와 Y의 확률 밀도함수는 각각 우함수이므로,
X/Y의 확률밀도함수도 우함수이다.
그러니 c가 0 이상인 경우만 확인하면 된다.
1) c가 0 이상인 경우
적분 구간이 넓어보이는 P(x/y≤c) 대신 P(x/y >c)를 다루자.
P(x/y >c) =integral f(x)f(y) over {(x, y) | x/y >c} =
integral (x=-infinity~0) integral (y=-x/c~0) f(x)f(y) dydx +integral (x=0~infinity) integral (y=0~x/c) f(x)f(y) dydx
=2*integral (x=0~infinity) integral (y=0~x/c) f(x)f(y) dydx
=2*integral (x=0~infinity) f(x)*integral (y=0~x/c) f(y) dydx
integral (x=-infinity~0) integral (y=-x/c~0) f(x)f(y) dydx=integral (x=0~infinity) integral (y=0~x/c) f(x)f(y) dydx 인데, 그 이유는 f(x)=f(-x), f(y)=f(-y)이기 때문이다.
(참고로, 적분 구간을 저렇게 이중 적분으로 표현할 수 있는 이유는 지금 우리가 다루고 있는 적분 구간이 충분히 좋은 성질을 만족하고 있어서 Fubini theorem을 적용할 수 있는 덕분이다. Fubini theorem 관심 있으면 찾아 보던가. 다변수 적분할 때 매우 중요한 공식임.)
근데, 우리가 원하는 것은 F를 c로 편미분해주는 것을 원한다.
그러면, ∂integral (x=0~infinity) integral (y=0~x=x/c) f(y) dydx / ∂c
=integral (x=0~infinity) f(x)* ∂ integral (y=0~x=x/c) f(y) dy / ∂c dx
=integral (x=0~infinity) -xf(x)f(x/c)/c^2 dx
=-integral (x=0~infinity) xf(x)f(x/c) dx/c^2
가 된다.
(참고로 편미분과 적분의 순서를 바꾸는 것도 원래 함부로 하면 안 된다. 자세히 알고 싶으면 Leibniz integral rule 참고.)
xf(x)f(x/c)=x/(2n*pi*s^2) * e^(-(1+1/c^2)x^2/(2ns^2)) 이다.
integral (x=0~infinity) xf(x)f(x/c) dx 에서 x=(2ns^2)^0.5*t/(1+1/c^2)^0.5, x=로 치환해주자.
그러면,
integral (x=0~infinity) xf(x)f(x/c) dx
=integral (x=0~infinity) x/(2n*pi*s^2) * e^(-(1+c^2)x^2/(2ns^2)) dx
=integral (t=0~infinity) t/(pi*(1+1/c^2)) * e^(-t^2) dt
이때, t* e^(-t^2)의 부정적분 형태는 -0.5e^(-t^2)이다. 그러면, 미적분학의 기본 정리(의 확장형)에 따라
integral (t=0~infinity) t* e^(-t^2) dt/(pi*(1+1/c^2)) =1/(2(pi*(1+1/c^2))) 이다.
따라서
∂P(x/y >c)/∂c
=∂2*integral (x=0~infinity) f(x)*integral (y=0~x/c) f(y) dydx /∂c
=-2*integral (x=0~infinity) xf(x)f(cx) dx/c^2
=-2/(2c^2*(pi*(1+1/c^2)))
=-∂P(x/y≤c)/∂c
∂P(x/y≤c)/∂c=1/(2(c^2)*(pi*(1+1/c^2)))=1/(pi*(c^2+1))이 된다.
따라서 X/Y의 확률 밀도 함수는 1/(pi*(x^2+1))인 함수이다.