Next: Abschätzungen und Grenzwertsätze
Up: Gemischte Momente
Previous: Linearer Zusammenhang von Zufallsvariablen
  Contents
Erwartungswertvektor und Kovarianzmatrix
Wir zeigen zunächst, wie der Begriff der
Kovarianz genutzt werden kann, um das in Korollar 4.8 angegebene
Additionstheorem (20) für Varianzen zu verallgemeinern.
- Theorem 4.13
- Seien
beliebige Zufallsvariable mit
für
jedes
. Dann gilt
Falls die Zufallsvariablen
paarweise
unkorreliert sind, dann gilt insbesondere
- Beweis
-
- Wir betrachten zunächst den Fall
.
- Dann ergibt sich sofort aus dem Beweis von
Korollar 4.8, daß
- Für beliebiges
ergibt sich die Gültigkeit
von (31) nun mittels vollständiger
Induktion.
- Die Gleichung (32) ergibt sich
unmittelbar aus (28) und (31).
- Beachte
Neben den Erwartungswerten
und den Varianzen
Var
Var
sind die in
(31) auftretenden Kovarianzen
Cov
wichtige Charakteristiken des Zufallsvektors
.
Dies führt zu den folgenden Begriffsbildungen.
- Definition 4.14
Seien
beliebige Zufallsvariable mit
für
jedes
.
- Der Vektor
heißt
der Erwartungswertvektor des Zufallsvektors
.
Schreibweise:
- Die
-Matrix
Cov

Cov
heißt die Kovarianzmatrix von
.
- Theorem 4.15
Die Kovarianzmatrix
Cov
ist
- symmetrisch, d.h., für beliebige
gilt
Cov Cov  |
(33) |
- nichtnegativ definit, d.h., für jedes
gilt
Cov  |
(34) |
wobei
ist der zu
transponierte
Vektor ist.
- Beweis
-
- Die Symmetrieeigenschaft (33) ergibt
sich unmittelbar aus der Definition 4.9 der Kovarianz.
- Die Ungleichung (34) ergibt sich durch
eine einfache Rechnung aus (15) und
aus der Definition 4.9 der Kovarianz.
- Beachte
Die Matrix
Cov
heißt positiv
definit, falls
Cov  |
(35) |
für jedes
mit
.
- Beispiel
(zweidimensionale Normalverteilung)
- Beachte
-
- Die Verteilung eines normalverteilten Zufallsvektors
wird eindeutig durch den
Erwartungswertvektor
und die
Kovarianzmatrix
Cov
bestimmt.
Für beliebige (nicht normalverteilte)
Zufallsvektoren gilt diese Eindeutigkeitsaussage jedoch im
allgemeinen nicht.
- Es gilt
.
Außerdem ergibt sich aus (36), daß
genau dann, wenn
. Die Komponenten
eines
normalverteilten Zufallsvektors
sind also
genau dann unabhängig, wenn sie unkorreliert sind.
- Weil
vorausgesetzt wird, ist die
Determinante der Kovarianzmatrix
Cov
nicht Null,
d.h., die Matrix
Cov
ist positiv definit und invertierbar.
Man kann sich deshalb leicht überlegen, daß die in (36)
gegebenen Dichte
von
auch wie folgt dargestellt werden
kann: Es gilt
 |
(38) |
für jedes
, wobei
und
die inverse Matrix zu der in (37) gegebenen
Kovarianzmatrix
Cov
bezeichnet.
Schreibweise:
N
.
- Man kann sich leicht überlegen, daß die
Randverteilungen von
N
(eindimensionale)
Normalverteilungen sind mit
N
für
.
- Manchmal betrachtet man auch Zufallsvektoren
, deren Komponenten
normalverteilt
sind mit
. Aus Theorem 4.12 folgt
dann, daß
für ein Zahlenpaar
.
In diesem Fall ist der Zufallsvektor
nicht absolutstetig, obwohl seine Komponenten diese
Eigenschaft besitzen.
Für Zufallsvektoren mit einer beliebigen Dimension
kann man
den Begriff der
-dimensionalen Normalverteilung einführen, indem
man eine zu
(38) analoge Dichte-Formel betrachtet.
- Definition 4.16
-
Next: Abschätzungen und Grenzwertsätze
Up: Gemischte Momente
Previous: Linearer Zusammenhang von Zufallsvariablen
  Contents
Roland Maier
2001-08-20