Очевидно. Дух.
Просто шучу. Итак, чтобы добавить немного к тому, что сказал автор, есть несколько вещей, которые вы должны собрать вместе, чтобы понять.
Прежде всего,Икся−Икс¯¯¯¯
дляя знак равно 1 , ⋯ , п
иИкс¯¯¯¯
вместе представляют собой линейную комбинациюИкс1, ⋯ ,Иксн
, и поэтому имеют совместное многомерное нормальное распределение. Если бы вы написали матрицу, она выглядела бы примерно так
⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢1 —1н−1н⋮−1н1н−1н1 —1н⋱⋯⋯⋯⋱⋱−1н⋯−1н⋮−1н1 —1н1н⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥
сяй
строка, соответствующаяИкся
и( п + 1)й
грести кИкс¯¯¯¯
. Это верно независимо от матрицы, я просто вычислил ее для удобства, чтобы вы знали, о чем мы говорим.
Если вы позволитеД
быть нормальной случайной величиной со средним значениеммю
и дисперсияо2/ п
, затем{ Д,Икс1−Икс¯¯¯¯, ⋯ ,Иксн−Икс¯¯¯¯}
имеет то же совместное многомерное распределение, что и{Икс¯¯¯¯,Икс1−Икс¯¯¯¯, ⋯ ,Иксн−Икс¯¯¯¯}
. Это связано с тем, что многомерное распределение{ Д,Икс1−Икс¯¯¯¯, ⋯ ,Иксн−Икс¯¯¯¯}
определяется его ожиданиями и ковариационной матрицей (независимо отД
, если совместное распределение является многомерным нормальным). В случаеД
, ковариационная матрица выглядит так:
⎡⎣⎢⎢⎢⎢⎢⎢В а р (Икс1)0⋮00⋱⋱⋯⋯⋱В а р (Иксн)00⋮0В а р (Y)⎤⎦⎥⎥⎥⎥⎥⎥
Записи вне диагонали равны 0, потому чтоИкся
независимы друг от друга, поэтомуИкся−Икс¯¯¯¯
; нули в последней строке и последнем столбце есть, потому чтоД
является независимым от всехИкся
, следовательно, иИкся−Икс¯¯¯¯
, который является просто линейной комбинациейИкся
.
Ситуация несколько иная для{Икс¯¯¯¯,Икс1−Икс¯¯¯¯, ⋯ ,Иксн−Икс¯¯¯¯}
; имеем следующую матрицу:
⎡⎣⎢⎢⎢⎢⎢⎢⎢В а р (Икс1)0⋮00⋱⋱⋯⋯⋱В а р (Иксн)00⋮0В а р (Икс¯¯¯¯)⎤⎦⎥⎥⎥⎥⎥⎥⎥
В последней строке имеем
К о в (Икся−Икс¯¯¯¯,Икс¯¯¯¯)
(и аналогично в последнем столбце). Как отмечено в книге, обратите внимание, что все эти значения равны нулю.
- Следовательно, посколькуВ а р (Икс¯¯¯¯) =о2н= V a r ( Y)
, иД
не зависит отИкся
, делаем вывод, чтоИкс¯¯¯¯
не зависит отИкся
потому что совместное распределение{ Д,Икс1−Икс¯¯¯¯, ⋯ ,Иксн−Икс¯¯¯¯}
и{Икс¯¯¯¯,Икс1−Икс¯¯¯¯, ⋯ ,Иксн−Икс¯¯¯¯}
одинаковы. Это объединяет кучу вещей:
- Многомерные нормальные распределения определяются их математическим ожиданием и ковариационной матрицей.
- ЕслиД
не зависит отИкся
, то она не зависит отИкся−Икс¯¯¯¯
.
- { Д,Икс1−Икс¯¯¯¯, ⋯ ,Иксн−Икс¯¯¯¯}
и{Икс¯¯¯¯,Икс1−Икс¯¯¯¯, ⋯ ,Иксн−Икс¯¯¯¯}
имеют одинаковое многомерное нормальное распределение (посмотрите на их ковариационную матрицу и используйте первый факт в этом списке).
- Совместное многомерное распределение двух многомерных переменных{Икс1, ⋯ ,Иксн}
и{Д1, ⋯ ,Дм}
определяет их независимость (если вы можете факторизовать распределение как продукт
ФИкс1, ⋯ ,Иксн,Д1, ⋯ ,Дм(Икс1, ⋯ ,Иксн,у1, ⋯ ,ум) =ФИкс1, ⋯ ,Иксн(Икс1, ⋯ ,Иксн)ФД1, ⋯ ,Дм(у1, ⋯ ,ум)
что эквивалентно определению независимости).
Объедините все эти вещи вместе, и вы увидите, чтоИкс¯¯¯¯
не зависит отИкс1−Икс¯¯¯¯, ⋯ ,Иксн−Икс¯¯¯¯
.
Факт ничего не стоит: если вы посмотрите на линейное преобразование, которое посылает(Икс1, ⋯ ,Иксн)
к(Икс1−Икс¯¯¯, ⋯ ,Иксн−Икс¯¯¯)
, это картырн
в( п - 1 )
-мерное подпространстворн
, подпространство тех векторов, для которых сумма координат равна нулю. Есть еще одно линейное преобразование, которое отправляет(Икс1, ⋯ ,Иксн)
к(Икс¯¯¯, ⋯ ,Икс¯¯¯)
, т. е. одномерное подпространство, натянутое на среднее (если оно, конечно, не равно нулю, но это пространство, в которое попадает среднее, натянутое на вектор( 1 , ⋯ , 1 )
). Из-за свойств многомерного распределения ортогональность этих двух векторов подразумевает, что они не коррелированы (из-за способа вычисления ковариации) и, следовательно, независимы (из-за того, что мы обсуждали выше). (Это еще одно доказательство вашего беспокойства, принимая(Д1, ⋯ ,Дм) = (Икс¯¯¯¯, ⋯ ,Икс¯¯¯¯)
сп = м
.)
Надеюсь, это поможет,
когомоноид
Математик
Ян
Математик