UA MATH564 概率论VI 数理统计基础3 卡方分布下 Cochran定理
UA MATH564 概率论VI 数理统计基础3 卡方分布下 Cochran定理
- 多元正态随机变量二次型的分布
- Cochran定理
这一讲介绍多元正态随机变量的二次型的相关性质以及非常常用的Cochran定理。假设X1,⋯,XnX_1,\cdots,X_nX1,⋯,Xn互相独立,记X=[X1,⋯,Xn]′∼Nn(a,In)X = [X_1,\cdots,X_n]' \sim N_n(a,I_n)X=[X1,⋯,Xn]′∼Nn(a,In),a=[a1,⋯,an]′a = [a_1,\cdots,a_n]'a=[a1,⋯,an]′。
多元正态随机变量二次型的分布
假设AAA是nnn阶对称幂等矩阵,记r=rank(A)r=rank(A)r=rank(A),则Y=X′AX∼χr,δ2,δ=a′AaY=X'AX\sim \chi^2_{r,\delta},\delta=a'AaY=X′AX∼χr,δ2,δ=a′Aa
证明
充分性。因为AAA是幂等矩阵,因此AAA的特征值为0或1,r=rank(A)r=rank(A)r=rank(A),因此AAA的特征值中有rrr个1,由于AAA是对称矩阵,因此∃P,P′P=PP′=In\exists P,P'P=PP'=I_n∃P,P′P=PP′=In,PAP′=diag(Ir,0)PAP'=diag(I_r,0)PAP′=diag(Ir,0)。做正交变换Z=PXZ=PXZ=PX,则Z∼Nn(Pa,In)Z \sim N_n(Pa,I_n)Z∼Nn(Pa,In),Y=X′AX=Z′PAP′Z=Z′diag(Ir,0)Z=∑i=1rZi2∼χr,δ2δ2=∑i=1rEZi2=(EZ)′diag(Ir,0)(EZ)=(EZ)′PAP′(EZ)=(EZ)′P′AP(EZ)=E(PZ)′AE(PZ)=a′AaY=X'AX=Z'PAP'Z=Z'diag(I_r,0)Z=\sum_{i=1}^r Z_i^2 \sim \chi^2_{r,\delta} \\ \delta^2 = \sum_{i=1}^r EZ_i^2 = (EZ)'diag(I_r,0)(EZ)=(EZ)'PAP'(EZ) \\ = (EZ)'P'AP(EZ)=E(PZ)'AE(PZ)=a'AaY=X′AX=Z′PAP′Z=Z′diag(Ir,0)Z=i=1∑rZi2∼χr,δ2δ2=i=1∑rEZi2=(EZ)′diag(Ir,0)(EZ)=(EZ)′PAP′(EZ)=(EZ)′P′AP(EZ)=E(PZ)′AE(PZ)=a′Aa
必要性。因为r=rank(A)r=rank(A)r=rank(A),假设AAA的非零特征根为λ1,λ2,⋯,λr\lambda_1,\lambda_2,\cdots,\lambda_rλ1,λ2,⋯,λr,∃Q,Q′Q=QQ′=In\exists Q,Q'Q=QQ'=I_n∃Q,Q′Q=QQ′=In,QAQ′=diag(λ1,⋯,λr,0,⋯,0)QAQ'=diag(\lambda_1,\cdots,\lambda_r,0,\cdots,0)QAQ′=diag(λ1,⋯,λr,0,⋯,0),做正交变换Z=PXZ=PXZ=PX
Y=X′AX=Z′QAQ′Z=∑i=1rλiZi2Y = X'AX = Z'QAQ'Z = \sum_{i=1}^r \lambda_i Z_i^2Y=X′AX=Z′QAQ′Z=i=1∑rλiZi2
其中Z∼Nn(Pa,In)Z \sim N_n(Pa,I_n)Z∼Nn(Pa,In),记Zi∼N(ci,1),i=1,⋯,nZ_i \sim N(c_i,1),i=1,\cdots,nZi∼N(ci,1),i=1,⋯,n,可以用特征函数确定YYY的分布。计算λjZj2\lambda_j Z_j^2λjZj2的特征函数,
κλjZj2(t)=E[eitλjZj2]=∫−∞∞eitλx212πe−(x−cj)22dx=11−2iλjteiλjtcj1−2iλjt\kappa_{\lambda_j Z_j^2}(t) = E[e^{it\lambda_j Z_j^2}] = \int_{-\infty}^{\infty} e^{it\lambda x^2} \frac{1}{\sqrt{2\pi}}e^{-\frac{(x-c_j)^2}{2}}dx= \frac{1}{\sqrt{1-2i\lambda_j t}}e^{\frac{i\lambda_j t c_j}{1-2i\lambda_j t}}κλjZj2(t)=E[eitλjZj2]=∫−∞∞eitλx22π1e−2(x−cj)2dx=1−2iλjt1e1−2iλjtiλjtcj
进一步计算YYY的特征函数为
κY(t)=∏j=1rκλjZj2(t)=∏j=1r11−2iλjteiλjtcj1−2iλjt\kappa_Y(t) = \prod_{j=1}^r \kappa_{\lambda_j Z_j^2}(t) = \prod_{j=1}^r \frac{1}{\sqrt{1-2i\lambda_j t}}e^{\frac{i\lambda_j t c_j}{1-2i\lambda_j t}}κY(t)=j=1∏rκλjZj2(t)=j=1∏r1−2iλjt1e1−2iλjtiλjtcj
当λ1=λ2=⋯=λr=1\lambda_1 = \lambda_2 = \cdots = \lambda_r = 1λ1=λ2=⋯=λr=1时,这个特征函数成为χr,δ2\chi^2_{r,\delta}χr,δ2的特征函数,因此AAA为幂等矩阵。
证毕
Cochran定理
假设X∼Nn(a,In)X \sim N_n(a,I_n)X∼Nn(a,In),X′X=∑i=1mX′AiXX'X = \sum_{i=1}^m X'A_iXX′X=∑i=1mX′AiX,则X′AiX∼χni,δi2X'A_iX \sim \chi^2_{n_i,\delta_i}X′AiX∼χni,δi2,当且仅当∑i=1mrank(Ai)=n\sum_{i=1}^m rank(A_i)=n∑i=1mrank(Ai)=n时X′AiXX'A_iXX′AiX互相独立,此时ni=rank(Ai),δi2=a′Aian_i = rank(A_i),\delta_i^2 = a'A_iani=rank(Ai),δi2=a′Aia。
证明
充分性。记Qi=X′AiXQ_i = X'A_iXQi=X′AiX,假设BBB是一个正交矩阵,则
∑i=1mQi=X′X=X′InX=X′B′BX=∑i=1mX′AiX=X′(∑i=1mAi)X\sum_{i=1}^m Q_i = X'X = X'I_nX = X'B'BX=\sum_{i=1}^m X'A_iX = X'\left(\sum_{i=1}^m A_i \right) Xi=1∑mQi=X′X=X′InX=X′B′BX=i=1∑mX′AiX=X′(i=1∑mAi)X
做正交变换Z=BXZ = BXZ=BX,则Z∼N(Ba,In)Z \sim N(Ba,I_n)Z∼N(Ba,In),并且
∑i=1mQi=Z′Z=∑j=1nZj2=∑i=1m∑j=ei−1+1eiZj2\sum_{i=1}^m Q_i = Z'Z = \sum_{j=1}^n Z_j^2 = \sum_{i=1}^m \sum_{j=e_{i-1}+1}^{e_i} Z_j^2i=1∑mQi=Z′Z=j=1∑nZj2=i=1∑mj=ei−1+1∑eiZj2
其中ei=∑j=1inje_{i} = \sum_{j=1}^i n_jei=∑j=1inj,假设BBB的选取使得
Qi=∑j=ei−1+1eiZj2=X′AiX,∀i=1,2,⋯,mQ_i = \sum_{j=e_{i-1}+1}^{e_i} Z_j^2 = X'A_iX,\forall i=1,2,\cdots,mQi=j=ei−1+1∑eiZj2=X′AiX,∀i=1,2,⋯,m
根据上面多元正态随机变量二次型的分布性质的证明,Qi∼χni,δi2Q_i \sim \chi^2_{n_i,\delta_i}Qi∼χni,δi2
必要性的证明需要另一个性质:
X′AX∼χm,δ2,X′A1X∼χm,δ12,A−A1≥0⇒X′(A−A1)X∼χm−m1,δ22X'AX \sim \chi^2_{m,\delta},\ \ X'A_1X \sim \chi^2_{m,\delta_1}, A-A_1 \ge 0 \\ \Rightarrow X'(A-A_1)X \sim \chi^2_{m-m_1,\delta_2}X′AX∼χm,δ2, X′A1X∼χm,δ12,A−A1≥0⇒X′(A−A1)X∼χm−m1,δ22
必要性就是把这个性质从两个矩阵(A−A1,A1A-A_1,A_1A−A1,A1)推广到有限个(A1,⋯,AmA_1,\cdots,A_mA1,⋯,Am),用数学归纳法就可以证明;这条性质本身可以用特征函数验证。
证毕
UA MATH564 概率论VI 数理统计基础3 卡方分布下 Cochran定理相关推荐
- UA MATH564 概率论VI 数理统计基础3 卡方分布的正态近似
UA MATH564 概率论VI 数理统计基础3 卡方分布的正态近似 卡方分布的正态近似 Gamma分布的正态近似 基于卡方分布的近似 基于指数分布的近似 在做UA MATH566 统计理论 QE练习 ...
- UA MATH564 概率论VI 数理统计基础3 卡方分布中
UA MATH564 概率论VI 数理统计基础3 卡方分布中 卡方分布的基本性质 上一讲介绍了卡方分布的定义:假设X1,⋯,XnX_1,\cdots,X_nX1,⋯,Xn互相独立,并且Xi∼N(a ...
- UA MATH564 概率论VI 数理统计基础3 卡方分布上
UA MATH564 概率论VI 数理统计基础3 卡方分布上 卡方分布 卡方分布的分布函数 中心化卡方分布 一般的卡方分布 卡方分布 这里给出卡方分布的一般性定义.假设X1,⋯,XnX_1,\cdot ...
- UA MATH564 概率论VI 数理统计基础4 t分布
UA MATH564 概率论VI 数理统计基础4 t分布 t分布的定义 t分布的概率密度 t分布的性质 t分布的定义 假设X,YX,YX,Y互相独立,X∼N(δ,1)X \sim N(\delta,1 ...
- UA MATH564 概率论VI 数理统计基础2 多元正态分布
UA MATH564 概率论VI 数理统计基础2 多元正态分布 矩母函数 概率密度 多元正态分布的矩 条件分布 独立性 抽样分布简单地说就是统计量服从的分布,正态分布时最常用的总体分布,因此研究正态总 ...
- UA MATH564 概率论VI 数理统计基础1
UA MATH564 概率论VI 数理统计基础1 样本均值与样本方差 正态样本的均值与方差的性质 样本均值与样本方差 样本均值和样本方差是经常用到的两个统计量,大部分正态假设的统计模型均值和方差的OL ...
- UA MATH564 概率论VI 数理统计基础5 F分布
UA MATH564 概率论VI 数理统计基础5 F分布 假设X∼χm,δ2,Y∼χn2X \sim \chi^2_{m,\delta},Y \sim \chi^2_{n}X∼χm,δ2,Y∼χn2 ...
- UA MATH564 概率论 QE练习题3
UA MATH564 概率论 QE练习题3 第一题 第二题 第三题 这是2015年1月的1-3题. 第一题 Part a Obvioulsy, EU=EW=0EU = EW = 0EU=EW=0, V ...
- UA MATH564 概率论 多元随机变量的变换 理论与应用2
UA MATH564 概率论 多元随机变量的变换 几个例题 例5 X1,X2,X3∼iidEXP(λ)X_1,X_2,X_3 \sim_{iid} EXP(\lambda)X1,X2,X3∼ii ...
最新文章
- 微软CEO纳德拉对话沈向洋:那些未来可期的计算机视觉研究与应用
- python 进度条程序_Python:显示程序运行进度条
- python基础知识笔记简书_Python基础学习笔记
- 20个非常有用的PHP类库
- nyoj-469--擅长排列的小明 II
- 关于最小化的另辟蹊径
- 【右滑返回】滑动冲突 Scroller DecorView
- Python+Opencv寻找图像中最亮的区域
- poj2182 Lost Cows-暴力
- 【Codeforces - 1000C】Covered Points Count(思维,离散化,差分)
- 如何制定好的方案之四:执行力是决定因素
- 第二章16位和32位微处理器(2)——一些操作时序与中断
- 三同轴连接器_电子元器件 连接器相关知识
- windows 2008R2鼠标移动到任务栏一直是漏斗状态
- java位原子_Java原子操作AtomicInteger的用法
- CXF学习创建WebService
- 一起学习LLVM(一)
- 免费下论文及查重投稿的10来个方法
- Flask项目之手机端租房网站的实战开发(一)
- 如何免费识别图片文字?这几个软件彻底解放你的双手