0.1 L`esempio della legge normale doppia
Transcript
0.1 L`esempio della legge normale doppia
0.1. L’ESEMPIO DELLA LEGGE NORMALE DOPPIA 0.1 1 L’esempio della legge normale doppia Si consideri la funzione fρ : R2 → R definita da f (x1 , x2 ) := 1 p (1) 2π σ1 σ2 1 − ρ2 1 (x1 − m1 )2 (x1 − m1 ) (x2 − m2 ) (x2 − m2 )2 . × exp − − ρ + 1 − ρ2 σ1 σ2 2 σ12 2 σ22 In questa espressione compaiono 5 parametri, m1 ∈ R,, m2 ∈ R, σ1 > 0, σ2 > 0 e ρ ∈ ]−1, 1[. Occorre stabilire innanzi tutto che la (1) definisce una densità di probabilità; appurato che sia cosı́, vogliamo calcolare le sue marginali e, infine, desideriamo calcolare la covarianza e d il coefficiente di correlazione del vettore aleatorio (X1 , X2 ) del quale la (1) è la densità. Nel fare ciò si stabilire anche il significato dei parametri che compaiono nella sua espressione. Alla luce della perfetta simmetria tra gli indici 1 e 2 della (1) basterà calcolare una sola delle due marginali, poiché l’altra si ottiene mediante una semplice sostituzione dell’indice. Supposto che la (1) sia una densità di probabilità la sua marginale è Z f1 (x1 ) = f (x1 , x2 ) dx2 . R Per semplicità si ponga dapprima xj − mj uj := σj (j = 1, 2) . Allora f1 (x1 ) = 2π σ1 1 p 1 − ρ2 1 u21 1 − ρ2 2 Z 1 u22 × exp − −ρ u1 u2 + du2 . 1 − ρ2 2 R exp − Completando il quadrato nell’argomento dell’esponenziale sotto il segno d’integrale si ha u22 1 u22 1 2 2 exp − −ρ u1 u2 + = exp − ρ u1 − ρ u1 u2 + 1 − ρ2 2 1 − ρ2 2 2 2 ρ u1 × exp 2 (1 − ρ2 ) (u2 − ρ u1 )2 ρ2 u21 = exp exp − . 2 (1 − ρ2 ) 2 (1 − ρ2 ) Pertanto 1 1 u21 ρ2 u21 p + exp − 1 − ρ2 2 2 (1 − ρ2 ) 2π σ1 1 − ρ2 Z (u2 − ρ u1 )2 × exp − du2 2 (1 − ρ2 ) R " # 2 Z 1 1 (u2 − ρ u1 )2 u1 =√ exp − exp − du2 . √ p 2 2 (1 − ρ2 ) 2π σ1 2 π 1 − ρ2 R f1 (x1 ) = 2 Nell’espressione tra parentesi quadre si riconosce facilmente la verifica che la densità della legge N (ρ u1 , 1 − ρ2 ) ha come integrale 1. Perciò f1 (x1 ) = √ (x1 − m1 )2 1 , exp − 2 σ12 2π σ1 sicché la marginale di f è la legge N (m1 , σ12 ). Ciò dimostra che la (1) è una densità di probabilità. L’altra marginale è N (m2 , σ22 ). Risulta cosı́ chiarito il significato dei quattro dei cinque parametri di f . Calcoliamo ora la covarianza di X1 e X2 . Cov(X1 , X2 ) = E [(X1 − m1 ) (X2 − m2 )] Z 1 1 (x1 − m1 )2 p = dx1 (x1 − m1 ) exp − 1 − ρ2 2 σ12 2π σ1 σ2 1 − ρ2 R Z 1 (x1 − m1 ) (x2 − m2 ) (x2 − m2 )2 (x2 − m2 ) exp − −ρ + dx2 1 − ρ2 σ1 σ2 2 σ22 R Z σ σ u21 p1 2 = du1 u1 exp − 2 (1 − ρ2 ) 2π 1 − ρ2 R Z 1 2 u2 exp − −2 ρ u u + u du2 . 1 2 2 2 (1 − ρ2 ) R Completando il quadrato nell’ultimo integrale si ottiene 2 Z Z σ1 σ2 (u2 − ρ u1 )2 u1 p Cov(X1 , X2 ) = du1 u2 exp − du2 u1 exp − 2 2 (1 − ρ2 ) 2π 1 − ρ2 R R # " Z Z 2 σ1 σ2 (u − ρ u ) 1 2 2 1 = √ u2 exp − du2 . u1 e−u1 /2 du1 √ p 2 (1 − ρ2 ) 2π R 2π 1 − ρ2 R L’espressione che compare tra parentesi quadre è l’integrale che dà la media della legge N (ρ u1 , 1 − ρ2 ) e vale quindi ρ u1 . Dunque Z ρ σ1 σ2 2 Cov(X1 , X2 ) = √ u21 e−u1 /2 du1 = ρ σ1 σ2 . 2π R Di qui si calcola immediatemante il coefficiente di correlazione di X1 e X2 ρ(X1 , X2 ) = ρ . Rimane cosı́ chiarato anche il significato dell’utlimo parametro della (1). Si osservi che se ρ = 0, vale a dire quando le variabili X1 e X2 sono incorrelate, la densità del vettore aleatorio (X1 , X2 ) diviene 1 (x1 − m1 )2 (x2 − m2 )2 f0 (x1 , x2 ) = exp − − , 2π σ1 σ2 2 σ12 2 σ22 sicché f0 si fattorizza nel prodotto delle marginali; perciò X1 e X2 , oltreché essere incorrelate, sono anche indipendenti. 0.2. ESEMPÎ DI SOMME DI VARIABILI ALEATORIE 0.2 3 Esempı̂ di somme di variabili aleatorie Siano X1 e X2 variabili aleatorie indipendenti ed entrambe di legge gamma con lo stesso parametro di forma θ > 0: Xj ∼ Γ(αj , θ) (j = 1, 2) . La convoluzione delle due densità di X1 e X2 dà la densità della somma X1 + X2 : Z θα1 +α2 (t−x)α1 −1 e−θ (t−x) 1(0,+∞) (t−x) xα2 −1 e−θx 1(0,+∞) (x) dx . fX1 +X2 (t) = Γ(α1 ) Γ(α2 ) R Si noti che la presenza delle due funzioni indicatrici dice che • x>0 • t è necessariamente positiva, perchè, essendo x positiva, la differenza t − x può essere positiva solo se è positiva anche t. • x < t. Perciò, per t > 0, si ha, mediante la sostituzione x = ut, Z t θα1 +α2 −θt fX1 +X2 (t) = e (t − x)α1 −1 xα2 −1 dx Γ(α1 ) Γ(α2 ) 0 Z t θα1 +α2 x α1 −1 α2 −1 = e−θt tα1 −1 1− x dx Γ(α1 ) Γ(α2 ) t 0 Z 1 θα1 +α2 −θt α1 +α2 −1 e t (1 − u)α1 −1 uα2 −1 du = Γ(α1 ) Γ(α2 ) 0 θα1 +α2 = e−θt tα1 +α2 −1 B(α1 , α2 ) Γ(α1 ) Γ(α2 ) Γ(α1 ) Γ(α2 ) θα1 +α2 e−θt tα1 +α2 −1 = Γ(α1 ) Γ(α2 ) Γ(α1 + α + 2) α +α 1 2 θ = tα1 +α2 −1 e−θt . Γ(α1 + α + 2) In definitiva fX1 +X2 (t) = θα1 +α2 tα1 +α2 −1 e−θt 1(0,+∞) (t) , Γ(α1 + α + 2) sicché X1 + X2 ha ancora una legge gamma di parametri α1 + α2 e θ, X1 + X2 ∼ Γ(α1 + α2 , θ) . Per induzione finita si dimostra, che se X1 , . . . , Xn sono variabili indipendenti, tali che Xj ∼ Γ(αj , θ) (j = 1, . . . , n), allora n n X X Xj ∼ Γ αj , θ . j=1 j=1 4 Si è visto che se la variabile aleatoria X ha legge normale ridotta, X ∼ N (0, 1), allora la variabile Y = X 2 ha legge 1 1 Γ = χ2 (1) . , 2 2 Segue da quanto appena visto che, se X1 , . . . , Xn sono varaiili aleatorie indipendenti e tutte diPlegge normale ridotta, Xj ∼ N (0, 1) (j = 1, . . . , n), allora la variabile aleatoria nj=1 Xj2 ha legge n 1 Γ , =: χ2 (n) , 2 2 detta legge del chi quadro a n gradi di libertà˙ Siano ora X1 e X2 variabili aleatorie indipendenti entrambe di legge normale; specificamente, siano N (m1 , σ12 ) e N (m2 , σ22 ), rispettivamente, le leggi di X1 e X2 . La densità della somma X1 + X2 è allora data dalla convoluzione delle due densità di X1 e X2 , Z 1 (t − x − m1 )2 (x − m2 )2 fX1 +X2 (t) = exp − − dx (2) 2π σ1 σ2 R 2σ12 2σ22 Si consideri ora l’integrando che compare nella (2); esso è eguale a: (t − m1 )2 + x2 − 2x (t − m1 ) (x − m2 )2 exp − − 2σ12 2σ22 (t − m1 )2 x2 (t − m1 ) x x2 m22 m2 x = exp − exp − 2 + − 2− 2+ 2 2σ12 2σ1 σ12 2σ2 2σ2 σ2 2 2 2 2 2 2 m2 x σ1 + σ2 (t − m1 ) σ2 + m2 σ12 (t − m1 ) − exp − + x . = exp − 2 σ12 σ22 2σ12 2σ22 σ12 σ22 Si ponga ora σ 2 := σ12 σ22 σ12 + σ22 e m := (t − m1 ) σ22 + m2 σ12 , σ12 + σ22 sicché l’integrando diviene (t − m1 )2 m22 1 2 exp − − 2 exp − 2 x − 2 m x 2σ 2σ12 2σ2 2 2 m2 m2 (t − m1 ) (x − m)2 = exp − − 2+ exp − . 2 σ2 2 σ2 2σ12 2σ2 Si sostituisca il risultato cosı́ trovato nella (2): Z m22 m2 1 (t − m1 )2 (x − m)2 fX1 +X2 (t) = exp − − 2+ exp − dx 2π σ1 σ2 2 σ2 2 σ2 2σ12 2σ2 R (t − m1 )2 m22 m2 1 − + =√ p 2 exp − 2σ12 2σ22 2 σ 2 2π σ1 + σ22 Z 1 (x − m)2 ×√ exp − dx 2 σ2 2π σ R 1 (t − m1 )2 m22 m2 =√ p 2 exp − − + . 2σ12 2σ22 2 σ 2 2π σ1 + σ22 0.2. ESEMPÎ DI SOMME DI VARIABILI ALEATORIE 5 L’argomento dell’esponenziale è 2 (t − m1 ) σ22 + m2 σ12 σ12 + σ22 m22 (t − m1 )2 − 2+ − 2σ12 2σ2 2 (σ12 + σ22 )2 σ12 σ22 1 =− (t − m1 )2 (σ12 + σ22 ) σ22 + m2 σ12 (σ12 + σ22 ) − (t − m1 )2 σ24 2 2 2 2 2 (σ1 + σ2 ) σ1 σ2 −m22 σ14 − 2 (t − m1 ) m2 σ12 σ22 1 2 2 2 2 2 2 2 =− (t − m ) σ σ + m si σ − 2 (t − m ) m si σ 1 1 2 1 2 2 1 2 1 2 2 (σ12 + σ22 ) σ12 σ22 (t − (m1 + m2 ))2 1 2 (t − m ) + m − 2 (t − m ) m = − . =− 1 1 2 2 2 (σ12 + σ22 ) 2 (σ12 + σ22 ) In definitiva si è ottenuto ) ( 1 (t − (m1 + m2 ))2 , fX1 +X2 (t) = √ p 2 exp − 2 (σ12 + σ22 ) 2π σ1 + σ22 che vuol dire che X1 + X2 ha legge normale N (m1 + m2 , σ12 + σ22 ). Per induzione finita si mostra immediatamente che se X1 , . . . , Xn sono variabili aleatorie indipendenti che hanno leggi Xj ∼ N (mj , σj2 ) allora la somma Pn j=1 Xj (j = 1, . . . , n) , ha pure legge normale n n X X N mj , σj2 . j=1 j=1