Variabili casuali multidimensionali ∗ • Variabili casuali multidimensionali: k-ple ordinate di variabili casuali unidimensionali definite sullo stesso spazio di probabilità X 0 = (X1, . . . , Xk ) • Funzione di distribuzione (o di ripartizione) congiunta F (x) = F (x1, . . . , xk ) = Pr(X1 ≤ x1, . . . , Xk ≤ xk ) ∗ A. Pollice - Statistica Multivariata • Funzione di distribuzione marginale F (x1 , . . . , xh ) = lim xh+1 ,...,xk →∞ F (x1 , . . . , xk ) = F (x1 , . . . , xh , ∞, . . . , ∞) Variabili casuali multidimensionali discrete • Una variabile aleatoria k-dimensionale si dice discreta se può assumere un numero finito o un’infinità numerabile di k-ple di valori • Funzione di probabilità congiunta p(x1, . . . , xk ) = Pr(X1 = x1, . . . , Xk = xk ) • Supporto o insieme di definizione X = {(x1, . . . , xk )|p(x1, . . . , xk ) > 0} X è un insieme finito o al più infinitamente numerabile • Funzione di probabilità marginale p(x1, . . . , xh) = X xh+1 ... X xk p(x1, . . . , xh, . . . , xk ) • Funzione di probabilità condizionata p(x1 , . . . , xh |xh+1 , . . . , xk ) = = Pr(X1 = x1 , . . . , Xh = xh |Xh+1 = xh+1 , . . . , Xk = xk ) = p(x1 , . . . , xk ) p(xh+1 , . . . , xk ) Variabili casuali multidimensionali continue • Funzione di densità congiunta del vettore aleatorio X associato alla funzione di ripartizione F F (x) = F (x1, . . . , xk ) = Z x 1 −∞ ... Z x k −∞ f (t1, . . . , tk )dt1 · · · dtk Proprietà (i) f (x) ≥ 0 R (i) Rk f (x)dx = 1 R k (iii) ∀C ⊂ R , Pr(X ∈ C) = C f (x)dx (iv) per qualsiasi x = (x1, . . . , xk ) punto di continuità di f , ∂ k F (x1 ,...,xk ) f (x1, . . . , xk ) = ∂x ...∂x 1 k • Il supporto X di un vettore aleatorio continuo X corrisponde al più piccolo insieme a cui la densità assegna probabilità 1 • Funzione di densità marginale f (x1, . . . , xh) = Z ∞ −∞ ... Z ∞ −∞ f (x1, . . . , xh, . . . , xk )dxh+1 . . . dxk • Funzione di densità condizionata f (x1, . . . , xk ) f (x1, . . . , xh|xh+1, . . . , xk ) = f (xh+1, . . . , xk ) Indipendenza stocastica • F (x1, . . . , xk ) funzione di distribuzione congiunta di (X1, . . . , Xk )0, Fi(xi) distribuzioni marginali delle componenti unidimensionali Xi (i = 1, . . . , k) stocasticamente indipendenti se F (x) = k Y i=1 Fi(xi) Valori attesi • Valore atteso del vettore aleatorio k-dimensionale X µ = E(X) = (E(X1), . . . , E(Xk ))0 = (µ1, . . . , µk )0 Proprietà (i) E(X 0) = [E(X)]0 (ii) Linearità: X vettore casuale k -dimensionale, A e b rispettivamente matrice e vettore di costanti in Rh×k ed Rh E(A X + b) = A E(X) + b (iii) Additività: X1 e X2 vettori casuali in Rk ed A e B matrici di costanti in Rh×k E(A X1 + B X2) = A E(X1) + B E(X2) • Matrice di varianze e covarianze di un vettore aleatorio kdimensionale X Cov(X) = Σ = E{(X − E(X))(X − E(X))0} = 0 ) − E(X)E(X)0 = = E(XX 2 σ σ12 . . . σ1k 1 σ21 σ 2 . . . σ2k = ...2 . . . ... ... σk1 σk2 . . . σk2 Proprietà – Qualsiasi matrice di varianze e covarianze è semidefinita positiva • Matrice di covarianze tra il vettore aleatorio k- dimensionale X e il vettore aleatorio h-dimensionale Y Cov(X, Y ) = ΣXY = E{(X − E(X))(Y − E(Y ))0} = = E(XY 0) − E(X)E(Y )0 = σ σX1Y2 . . . σX1Yh X 1 Y1 σX Y σX Y . . . σX Y = ...2 1 ...2 2 ...2 h σXk Y1 σXk Y2 . . . σXk Yh Proprietà – X ed Y vettori casuali in Rk , Z = AX + b e K = CY + d, con A e C matrici di costanti in Rh×k , b e d vettori di costanti in Rh Cov(Z, K) = ACov(X, Y )C 0 Casi particolari: (i) X = Y −→ Cov(Z, K) = ACov(X)C 0 (ii) K = Z = AX + b −→ Cov(Z) = ACov(X)A0 (iii) K = Z = X + b −→ Cov(Z) = Cov(X) (iv) K = Z = AX −→ Cov(Z) = ACov(X)A0 • Funzione generatrice dei momenti della variabile aleatoria k-dimensionale X M (t) = E[exp(t0X)] = E[exp(t1X1 + · · · + tk Xk )] Trasformazioni biunivoche di vettori casuali continui • X vettore casuale k-dimensionale dotato di densità fX (x), Y = g(X) con g biunivoca e regolare, fY (y) = mod|J|fX (g −1(y)) dove mod|J| indica il valore assoluto del determinante della matrice jacobiana della trasformazione inversa g −1 Valori attesi condizionati • Proprietà n o EY EX|Y [g(X, Y )] = EX,Y [g(X, Y )] • Proprietà h Cov(X) = EY [Cov(X|Y )] + Cov EX|Y (X) i