Scribd Logo
Upload

Welcome to Scribd!

  • Normale Multivariata

    Uploaded by

    carmine
    10 views5 pages

    Original Title

    Normale multivariata

    Copyright

    © © All Rights Reserved

    Available Formats

    PDF or read online from Scribd

    Did you find this document useful?

    Is this content inappropriate?

    Report this Document

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    10 views5 pages

    Normale Multivariata

    Uploaded by

    carmine

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    of 5
    422° caprroLo 11 Per 09, il valor medio della vic. W tende a 1 ¢ la vatianza tende a 0. Quindi, la successione W, 4,1. ws Infine, uno dei risultati pit importanti della teoria delle ve. ordinate @ il teo. rema di Gnedenko che, nel 1943, dimostrd che la distribuzione del massimo (del minimo) di una successione di v.c. convenientemente standardizzata converge ne- cessariamente ad una sola fra tre tipologie di distribuzioni limite da lui individua- te e definite, per questo motivo, distribuzioni dei valoriestrema” {EW La variabile casuale Normale multivariata ‘Tra le numerose v.c. continue multivariate che, in linea di principio, si po- trebbero introdurre ¢ studiare, ci limitiamo’ a presentare esclusivamente la vic. Normale multvariata che costituisce la generalizzazione a pid’ dimensioni della ve. Normale introdotta nel paragrafo 11.4. Dopo una sintesi dei risultat pitt no- tevoli per il caso generale”, ci soffermeremo in particolare sulla vic. Normale bi- variata perché essa consente di visualizzare con immediatezza alcune proprict’t caratterizzanti. La centralita della vc. Normale multivariata @ originata della generalizzazione del Teorema Limite Centrale (di cui al par. 13.3), dalla lincarita di molte sue proprieta e la question di ottimalita nella teoria dellInferenza statistica che rendono fale we, un punto di riferimento per le analisi di correlazione, per la teoria della previsione linea. ze, per l'estrazione del segnale ed il controllo di sistemi dinamici, per le analisi multi. variate e per la modellstca staistca, in generale. Per accentuare l'analogia con il caso univariato (e aiutare la mnemonica), gio- va riscrivere [Mardia et al, 1979, 37] la funzione di densita della ve, Normale univariata nel modo seguente: fils; p02) = Qo?) oo Me plo?) | La generalizzazione m-variata di tale Funzione di densita allora diventa: fess m, 2) = fem} wold (we -»} % Tali sisultati riguardano teoremi limiti del Calcolo delle probabilitd ¢ sono presentati nl testo fondamentale di Guedenko e Kolmogorov [1968). Si vedano la rassegna ei Hlalinan [1993] ¢ il testo di Galambos (1978). Per una introduzione: Bain ¢ Engelhardt (1992, 230. 259]; Serfling (1980, 74-86, 87-102. % Ci limitiamo a ricordare Ia vc. di Ditichlet (che estende la wc. Beta) ¢ le vc. multivaria- te di Student e di Snedecor (che estendono le rispetive vc, univariate) Per approfondimenti, ari ¢ Vitale [1979, 41-80]: Johnson e Kotz [1975]; Landente ot of [19978 MODELLI PER VARIABILI CASUALI CONTINUE 423 vero: £6; p, 2) = (20) “Bhool Hee —py Sx ~»} Abbiamo indicato con x= (X;, Xo, «i» Xe)’ un vettore colonna di we. per il quale E(x) = 42 @ il vettore dei valori medi delle vie. componenti ¢ Var(x) = & la mattice delle varianze ¢ covarianze, che supponiamo definita positva (per evitare casi degene- 1), Lelemento di posto (, 7) in tale matrice @ indicato con @, , mentre gli elementi della matrice inversa ©"! sono, talvolta, indicati con 0. In analogia al caso univaria- to, scriveremo x~ N(j,, 2) perché Ia distribuzione 2 caratterizzata dagli m valori medi ¢ dalle (ms + 1)/2'varianze ¢ covatianze. ‘Geometricamente, in m dimensioni, la funzione di densita assume valori costanti sugli ellssoidi (ells, se x= 2) definiti da (xp) (xp) =c2, Tradizionalmente, questi elliscoidi sono detti di uguale concentrazione. Tenendo presente la successiva proprieta i), la probabilita che un vettore osservato sia incluso nel predetto cllissoide @ pari a: PA(x — py Sx ~ w) $c?) = Pg, Se) Il seguente importante risultato, dovuto a Cramér, caratterizza la v.c. Normale ‘multivariata: «Una v.c. m — variata x é una v.c. Normale multivariata se e solo se qualsiasi combinazione lineare delle sue componenti ex ? una v.c, Normale uni- variata non degenere per qualsiasi vettore e di dimensione m». Il teorema implica, fra Valtro, che la traslazione, la rotazione ¢ la proiezione di una v.c. Normale multivariata non modifica la sua appartenenza alla famiglia; inoltre, qualsiasi sottoinsieme di componenti é ancora un elemento della famiglia di vc. Nor. ‘mali multivariate (di dimensioni ridotte, evidentemente). La vc. Normale multivariata gode di numerose ¢ notevoli proprieta tra le quali ci limitiamo ad elencare quelle che utilizzeremo nel seguito: i) sex~ Nip, 3), allora y= E(x — px) ~ N(O, I), & una v.c. Normale mul- tivariata a componenti indipendenti e standardizzate; ii) sex ~ N(p, 3), la forma quadratica (x — w)’EUx-p) ~ x2y5 iti) sex ~ N(p, 2), la funzione generatrice dei momenti & weolene tend, Gi) fe Lex iv) se x~ N(p, %), allora Ax +b ~ N(Au +b, AEA); v) sex ~ N(O, D, allora per ogni vettore ¢ non nullo, e'x/Ve’e ~ N(O, 0; vi) sex ~ N(, 3), allora Ax ¢ Bx sono indipendenti se ¢ solo se: AEB’ = 0. Tl punto #2) merita qualche sottolineatura, Abbiamo git evidenziato che se X1, Xx v». X, sono vic, Normali e indipendenti ogni combinarione lineare di tale vettore & tuna ve. Normale, grazie alla proprict& riproduttiva (par. 11.4). La proprieta io) affer- ma che ogni combinazione lineare delle vc. marginali di una vc. Normale multivariate, anche se non indipendenti, @ una v.c, Normale; tuttavia, esso non afferma che ogni ‘combinazione lineare di v.c. Normali & necessariamente Normale, come & possibile constatare mediante controesempi*, 58 Brofltt (1986); Casella e Berger [1990]; Lloyd 1980, 279]; Romano e Siegel (1986, 31 371. Un esempio molto semplice #in: Freund e Walpole (1987, 254] CAPITOLO 11 Di immediata rilevanza per il prosieguo sono i seguenti risultati, nei quali si csamina il comportamento di sotto-insiemi del vettore m-variato Normale, Per la ve. x~ Ns, 3), sia x= (xi, x5)’ in cortispondenza del quale suddividiamo op- portunamente sia il vettore dei valori medi che la mattice di varianze ¢ covarian- ze, Alora, i vettori x, € 3,1 = x2-%a:2;}x, sono v.c. Normali multivariate indi pendenti fra loro con le seguenti distribuzioni: 1 ~ Na, 2an)s X21 ~ Ne ~ BaZa Pay B22 ~ Zarit) Grazie al precedente risultato @ possibile dimostrare”, con la medesima simbolo- gia, che Ja distribuzione condizionata del vettore Normale x; pet un fissato vetto- re x, @ ancora quella di una v.c. Normale multivariata cosi specificata: xa ~ N(Wy - Ean Zt Pa) Za — Lake E notevole (¢ sara sfruttato nel seguito) il fatto che la media condizionata sia una funzione lineare del vettore noto x, e che la matrice di varianze ¢ covarianze non di: penda da tale vettore, ciot come si dice in tal caso — sia omaschedastica, Se le dimensioni sono m=2, si ha la ve, Normale bivariata® le cui com- ponenti indichiamo con (X, Y). Essa & caratterizzata dai 5 parametti_seguenti (day Hy» 92, 03, Gy) oppure, equivalentemente, essendo oy = p,loze} , dai parametri: (Wty ty 02, 03, p)- 1a funzione di densita'doppia @ espressa, per ogni (x, 9) € R2, da: 1 2m Joroi— p*) -2(58)(52) “Tale superficie a Is forma di una campana simmetica, con un massimo in corti spondenza delle coordinate dei valor’ medi, Esse & orientta nella diezione del Te TH quadrante se p> 0 ¢ in quella del Ife TV quadrante se p<0. La strertczza della supetficieattomo alla dezione principale dipende dalle vaianze delle we. compo. nent Un piano parallelo al piano (x, 5) interseca tale superficie in modo che flxy3) = costante il che determina Vellse di concentraione ovvero un contorno di probabilia costate. Se p=0, Tellse dventa un cerchi. Un piano perpendicolare al piano Cs, ) interseca Ia curva per un fisato valore di x (o diy) e conbigura una curva che ® quell di una funcione di densta Normale ui varlata dela ve. condizionata, Anaogamente, la proiezione dela supetfiie configura Una funzione di densita Normale, che & quella della ve: componente. Aleune di que. se funzioni sono disegnate nella figura 11.11 flx, 9) = exp)-—1_|(#=me) | wal St) « Joby % Si osservi, comunque, che esistono distribuzioni bivariate non Normali le cui v.c. condi tionate sono ve. Normali: Gelman e Meng [1991]. © Oluce ai testi citatt con riferimento alla vc. Normale mulivariata, si vedano Mardia et al, (1979, 66-951 «, in modo pit esteso, Lloyd 1980, 272-286]. Specificamente dedicati alla ve, Normale bivariata sono: Hald [1952, 585-623}; Pitman [1993, 449-461] ‘MODELLI PER VARIABILI CASUAL CONTINUE La formula precedente mostra che se p =0 la funzione di densita si fattorizea nel prodotto di due funzioni di densita univariate, ciascuna delle quali & quella di tuna vic. Normale. Quindi, nel caso di una v.c. Normale bivariata, a incorelazione implica Vindipendenza delle .c. marginalt®. Tnoltre, integrando rispetto ad x (ad 9, tispettivamente) si ottiene una funzio- ne di densita Normale univariata per la v.c. Y (X, rispettivamente): quindi, le v.c. ‘marginali di una vc. Normale bivariata sono v.c. Normali®. Occorre sottolineare come il contratio non sia necessariamente vero: cio’, & possibile che le v.c. margi- nali siano Normali senza che la vc. doppia sia Normale bivariata. In modo simile, si deriva che se (X, ¥) @ una ve, Normale bivariata le v.c. condizionate saranno Normali; per esempio, la v.c. (Y[X = x) possiede funzione di densita Normale con parametti EK =x) =p, +p22(x—n,); Var =2)=02(—p) Una ve, Notmale bivariata (X,Y) si standardizza ponendo U=(X~,)/0% V=(Y~1,)/e, Allora, la vc. Normale bivariata standardizzata (U, V) presenta tuna funzione di densita che dipende dal solo parametto p: 1 a 7 2 +0? — 2puo] flu, 0) men aa nh Un sisultato importante (per Ie tecniche di simulazione: par. 13.5) consente di passare da una coppia di v.c. (X, Y) Normali stanzardizzate ¢ indipendenti ad una coppia di we, standardizzate con coefficiente di correlazione p preassegnato. Infatti, si pud dimostrare agevolmente che se (X, Y) @ una v.c. bivariata Normale standardizzata con Corr(X, ¥) =0, allora se poniamo: 1 Va sottolineato che questo teorema & valido se X e Y sono ve. marginali non degeneri ddi una ve. bivariata Normale (X, ¥). Infat, se X e Y sono due vc. semplicemente Normal il fatto. che esse siano incorrelate non implica che siano necessariamente indipendenti: Patel ¢ Read (1996, 297]; Romano e Siegel (1986, 65-66] ® Questo @ un caso pa delle propricta ia) del teoreme di Cramé. 425 Fic, 11.11, Punzione

    You might also like