Seien
unabhängige und (identisch)
normalverteilte Zufallsvariablen, d.h. insbesondere, dass
(11)
wobei
und
.
In Vektor-Schreibweise bedeutet die Normalverteilungseigenschaft
(11) und die Unabhängigkeit der
Stichprobenvariablen, dass die Verteilung der Zufallsstichprobe
gegeben ist durch
(12)
wobei
und
N
die -dimensionale
Normalverteilung mit Erwartungswertvektor
und
Kovarianzmatrix
bezeichnet.
Zur Erinnerung (vgl. Abschnitt WR-4.3.4): Allgemein wird die
-dimensionale Normalverteilung wie folgt definiert.
Sei
ein beliebiger
Vektor, und sei
eine symmetrische und positiv definite
-Matrix.
Sei
ein absolutstetiger
Zufallsvektor, wobei die gemeinsame Dichte von
gegeben sei
durch
(13)
für jedes
.
Dann sagt man, dass der Zufallsvektor
(regulär) normalverteilt ist.
Schreibweise:
Wir zeigen nun, dass die in (13) gegebene Funktion
eine (-dimensionale) Wahrscheinlichkeitsdichte ist.
Theorem 1.1
Sei
ein beliebiger
Vektor, und sei
eine symmetrische und positiv definite
-Matrix. Dann gilt
(14)
Beweis
Weil
symmetrisch und positiv definit (und damit auch
invertierbar) ist, gibt es wegen Lemma 1.5 eine
Matrix
, die aus den
orthonormalen Eigenvektoren
von
besteht, so dass
(15)
wobei
die
Diagonalmatrix bezeichnet, die aus den Eigenwerten
von
gebildet wird.
Außerdem ergibt sich aus der positiven Definitheit von
,
dass
für jedes
, d.h., sämtliche Eigenwerte
von
sind positiv.
Wegen
gilt auch
bzw.
.
Weil außerdem
gilt,
ergibt sich hieraus und aus (15), dass
Die Abbildung
mit
, d.h.
, bildet den
bijektiv auf sich
selbst ab, und für die Jacobi-Determinante der Abbildung
gilt
wobei sich die letzte Gleichheit aus der Tatsache ergibt, dass
.
Für das Integral auf der linken Seite von (14)
gilt somit, dass