Noter til E6 - dirac
Noter til E6 - dirac
Noter til E6 - dirac
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
6 Den flerdimensionale<br />
normalfordeling<br />
Statistiske modeller for normalfordelte observationer kan, som vi<br />
skal se i kapitel 7, formuleres meget overskueligt og elegant ved brug af<br />
terminologi fra lineær algebra, og bestemmelse af estimatorer og teststørrelser<br />
og udledning af deres fordelinger kan med stor fordel foregå inden<br />
for disse rammer.<br />
Inden vi for alvor kan gå i gang med normalfordelingsmodellerne, er<br />
der nogle forberedende ting der skal overståes, ligesom læseren måske<br />
vil have glæde af at se i <strong>til</strong>lægget om lineær algebra (side 113ff). I afsnit<br />
6.1 præciseres enkelte ting i forbindelse med flerdimensionale fordelinger,<br />
blandt andet om middelværdi og varians. Derefter (i afsnit 6.2)<br />
skal vi definere den flerdimensionale normalfordeling, hvilket viser sig at<br />
være besværligere end man måske umiddelbart skulle tro.<br />
6.1 Flerdimensionale stokastiske variable<br />
En n-dimensional stokastisk variabel X kan opfattes som et sæt bestående<br />
af n endimensionale stokastiske variable, eller som en stokastisk<br />
vektor (i vektorrummet V = R n ) hvis koordinater i standardkoordinatsystemet<br />
er n endimensionale stokastiske variable. Middelværdien af den<br />
⎡ ⎤<br />
⎡ ⎤<br />
X 1<br />
E X 1<br />
X 2<br />
stokastiske variabel X = ⎢ ⎥<br />
⎣ . ⎦ er vektoren E X = E X 2<br />
⎢ ⎥, altså talsættet<br />
bestående af middelværdierne af de enkelte koordinater – forudsat at<br />
⎣ . ⎦<br />
X n E X n<br />
alle de optrædende endimensionale stokastiske variable har middelværdi.<br />
Variansen af X er den symmetriske positivt semidefinitte n × n-matrix<br />
hvis (i, j)-te element er Cov(X i , X j ):<br />
Var X =<br />
⎡<br />
⎤<br />
Var X 1 Cov(X 1 , X 2 ) · · · Cov(X 1 , X n )<br />
Cov(X 2 , X 1 ) Var X 2 · · · Cov(X 2 , X n )<br />
⎢<br />
⎣<br />
. ⎥<br />
.<br />
. .. . ⎦<br />
Cov(X n , X 1 ) Cov(X 2 , X n ) · · · Var X n<br />
73