Nächste Seite: Lineare Modelle; Designmatrix mit
Aufwärts: Lineare und quadratische Formen
Vorherige Seite: Nichtzentrale -Verteilung
  Inhalt
Verteilungs- und Unabhängigkeitseigenschaften
linearer und quadratischer Formen
Die Verteilungseigenschaft (33) für quadratische
Formen von normalverteilten Zufallsvektoren lässt sich wie folgt
verallgemeinern. Dabei ist Lemma 1.7 über die
Faktorisierung symmetrischer und nichtnegativ definiter Matrizen
nützlich.
Theorem 1.9
- Sei
,
wobei die Kovarianzmatrix
positiv definit sei. Außerdem
sei
eine symmetrische
Matrix mit
.
- Wenn die Matrix
idempotent ist, d.h., wenn
, dann gilt
, wobei
.
- Beweis
-
- Die Matrix
sei idempotent. Dann gilt
- Weil
regulär ist, kann man beide Seiten dieser Gleichung
von rechts mit
multiplizieren. Dabei ergibt sich,
dass
 |
(34) |
bzw. für jedes
d.h.,
ist nichtnegativ definit.
- Gemäß Lemma 1.7 gibt es somit eine Zerlegung
 |
(35) |
so dass die
Matrix
den
vollen Spaltenrang
hat.
- Wegen Lemma 1.2 bedeutet dies, dass die inverse
Matrix
existiert.
- Aus Theorem 1.3 über die lineare Transformation von
normalverteilten Zufallvektoren ergibt sich nun für den
-dimensionalen Vektor
, dass
 |
(36) |
weil
wobei sich die letzten drei Gleichheiten aus (34)
bzw. (35) ergeben.
- Weil andererseits
und weil
ergibt sich die Behauptung nun aus (36) und aus der
Definition der nichtzentralen
-Verteilung.
Außerdem ist das folgende Kriterium für die Unabhängigkeit von
linearen bzw. quadratischen Formen normalverteilter
Zufallsvektoren nützlich. Es kann als (vektorielle)
Verallgemeinerung von Lemma 5.3 im Skript zur Vorlesung
,,Statistik I'' aufgefasst werden.
- Beweis
-
- Wir zeigen zunächst, dass aus (37) die
Unabhängigkeit der linearen Formen
und
folgt.
- Wegen des Eindeutigkeitssatzes für charakteristische Funktionen
von Zufallsvektoren (vgl. Lemma 1.9) genügt es zu
zeigen, dass für beliebige
,
- Aus (37) folgt, dass
und somit auch, dass für beliebige
,
 |
(38) |
- Aus der in Theorem 1.4 hergeleiteten
Darstellungsformel (25) für die charakteristische
Funktion von normalverteilten Zufallsvektoren und aus
(38) ergibt sich dann, dass
- Wir zeigen nun noch, dass die Unabhängigkeit von
und
aus der zweiten Bedingung in
(37) folgt.
- Sei
. Gemäß Lemma 1.7 gibt es
dann eine
Matrix
mit
, so dass
.
- Aus (37) ergibt sich dann, dass
bzw.
.
- Hieraus folgt schließlich, dass
, weil
die
Matrix
wegen
Lemma 1.2 den (vollen) Rang
hat und
deshalb invertierbar ist.
- Aus dem ersten Teil des Beweises ergibt sich somit, dass die
linearen Formen
und
unabhängig
sind.
- Wegen
ergibt sich nun aus dem Transformationssatz für unabhängige
Zufallsvektoren (vgl. Theorem I-1.8), dass auch
und
unabhängig sind.
Nächste Seite: Lineare Modelle; Designmatrix mit
Aufwärts: Lineare und quadratische Formen
Vorherige Seite: Nichtzentrale -Verteilung
  Inhalt
Hendrik Schmidt
2006-02-27