Приведение нормального вектора к простейшему виду
4.3. Приведение нормального вектора к простейшему виду
Вектор z независимых случайных переменных, имеющих стандартное нормальное распределение, может быть преобразован в вектор у нормальных случайных переменных, имеющих произвольные средние, дисперсии и ковариации. Этот вектор у можно преобразовать обратно в вектор z простейшего вида. Рассмотрим вектор y случайных переменных размеров пх1, распределённый по нормальному закону с ковариационной матрицей S. Для преобразования его в вектор z сначала вычтем из него вектор средних y=Е(у). При замене у на вектор v=у–y ковариационная матрица вектора v остаётся той же C(v)=C(у)=S, а математическое ожидание становится нулевым вектором Е(v)=Е(у–y)=y–y=0. При этом вектор v остаётся распределённым нормально.
Далее можно подобрать такую ортогональную матрицу M=[m1, m2, …, mn] размеров nхn, что вектор x=Mv=M(у–y) по теореме Фишера [Линник (1962) стр.57] тоже распределён нормально. Его ковариационная матрица имеет вид
Sx=C(x)=MSMT=L, (4.3.1)
где L=диаг(l1, l2, ..., ln) - диагональная невырожденная матрица.
На основе уравнения Smi=limi собственных значений-векторов матрицы S получаем, что l1, l2, ..., ln – собственные значения матрицы S и все они, положительные числа. Это следует из того, что miTSmi=limiTmi>0, откуда и получаем все li>0 [Rao, Rao (1998) стр.181].
Таким образом, в силу (4.2.7) и (4.3.1), функцию плотности вероятности распределения вектора x можно записать в виде
f(x1, x2, …, xп)=ехр[–(x12/l1+x22/l2+…+ xn2/ln)/2], (4.3.2)
так как det(Sx)=l1l2...ln и квадратичная форма хTSx–1х=x12/l1+x22/l2+…+ xn2/ln. Из этого выражения видно, что вектор x состоит из независимых случайных переменных x1, x2, ..., xn. При этом, так как Е(x)=MЕ(v)=0 и C(x)=D(x)=L, то каждая из этих переменных имеет среднее и дисперсию соответственно
Рекомендуемые материалы
E(xi)=0 и D(xi)=li. (4.3.3)
Если ввести еще одно элементарное обратимое преобразование вектора х в вектор z=L–1/2x, то для него вектор средних значений и ковариационная матрица принимают соответственно вид
Е(z)=L–1/2Е(x)=0 и Sz=D(z)=L–1/2LL–1/2=Iп, (4.3.4)
так как LL–1/2=L–1/2L. Функция плотности вероятности вектора z имеет вид (4.3.2), где все li=1, то есть,
f(z1, z2, …, zп)=ехр[–(z12+z22+…+ zn2)/2]
=exp(–z12/2)exp(–z22/2)…exp(–zn2/2) (4.3.5)
=exp(–zTz/2). (4.3.6)
Разложение на множители функции совместной плотности вероятности в виде (4.3.5) означает, что случайные переменные z1, z2, …, zn являются независимыми и каждая из них имеет стандартное нормальное распределение N(0, 1), так что E[z]=0 и D[z]=In. При этом вектор z является простейшим нормальным вектором.
Записывая выполненные преобразования в матричном виде, имеем
у=v+y=M–1х+y=M–1L1/2z+y=MТL1/2z+y,
так как матрица M ортогональная и M–1=MТ. Отсюда, по аналогии с выражением (4.1.3) для одной случайной переменной, преобразование вектора случайных переменных можно записать так
у=MТL1/2z+y.
При этом его математическое ожидание
E[у]=E[MТL1/2z+y]=MТL1/2E[z]+y=y
и ковариационная матрица, в силу (4.3.1), получается в виде
С[у]=С[MТL1/2z+y]=С[MТL1/2z]=MТL1/2InL1/2M=S.
С другой стороны, представление ковариационной матрицы в виде S=MDMТ, где D - диагональная матрица, является её спектральным разложением. Пусть S1/2=MD1/2MТ, тогда, при MТM=In, произведение S1/2S1/2=MD1/2MТMD1/2MТ=MDMТ=S, так как D=D1/2D1/2.
Ранее отмечалось, что матрица S положительно определенная, если и только если существует невырожденная матрица А такая, что S=ААT. Таким образом эта матрица может быть А=MТL1/2 или А=MD1/2MТ. В любом из этих случаев получаем
ААT=MТL1/2L1/2M=S и ААT=MТL1/2MMТL1/2M=S. (4.3.7)
Таким образом, выбор матрицы А может быть неединственным.
Обозначение y~Nn(y, S) будет использоваться также, чтобы показать, что вектор y имеет функцию плотности вероятности, представленную выражением (4.2.7).
Пример 4.3.1. Пусть z1, z2, …, zn - независимые случайные переменные, имеющие распределение N(0, 1). Функция плотности вероятности вектора zT= [z1, z2, …, zn] равна произведению одномерных функций плотности вероятности, как дано выражением (4.3.5), так что в силу (4.3.6), функция плотности вероятности вектора z имеет нулевой вектор средних и ковариационную матрицу S=In, то есть, z~Nn(0, In).
□
Лекция "Накануне" также может быть Вам полезна.
В результате получаем вывод, что, если y~Nn(y, S) и у=S1/2z+y, то z=S–1/2(y–y) и z~Nn(0, In). Распределение вектора z - простейший и наиболее фундаментальный пример многомерного нормального распределения. Как любая нормально распределенная переменная (у) получается по формуле (4.1.3) умножением имеющей стандартное нормальное распределение переменной z на s и прибавления y, так и любой вектор у нормально распределенных случайных переменных получается в результате произведения матрицы S1/2 на простейший нормальный вектор z и прибавления вектора y. Умножением на S1/2 достигается изменение значений элементов вектора z, а добавлением y - смещение среднего распределения Nn(0, In) на y и превращения этого распределения в Nn(y, S).
Пример 4.3.2. Рассмотрим функцию плотности вероятности двух случайных переменных х и у
f(х, у)=
где sx>0, sy>0 и |r|<1. Тогда f(х, у) имеет вид (4.2.5) с
mT=(x, y) и S=.
Функция f(х, у) является функцией плотности вероятности двумерного нормального распределения.