normális eloszlások jelennek meg, mint határeloszlások. Annak érdekében, hogy ezeket

Átírás

1 A TÖBBVÁLTOZÓS CENTRÁLIS HATÁRELOSZLÁSTÉTEL A centrális határeloszlás so független valószínűségi változó összegéne az aszimptotius eloszlását írja le. Bizonyos érdése vizsgálatában szüségün van enne az eredményne egy olyan általánosabb változatára, amely független, vetor értéű valószínűségi változó összegéne az aszimptotius eloszlását adja meg. A centrális határeloszlástételne létezi ilyen általánosítása, és ezt hívjá többváltozós centrális határeloszlástételne. Követező témán enne az eredményne a tárgyalása. A többváltozós centrális határeloszlástétel megértése érdeében először meg ell ismernün a több-dimenziós normális eloszlás definicióját és anna néhány fontos tulajdonságát. Ugyanis a többváltozós centrális határeloszlástételeben a több-dimenziós normális eloszláso jelenne meg, mint határeloszláso. Anna érdeében, hogy ezeet az eloszlásoat jól megértsü, be ell vezetni a valószínűségi változó várható értééne és szórásnégyzeténe természetes megfelelőjét vetor értéű valószínűségi változó esetében. Ez a a vetor értéű valószínűségi változó várható értééne és ovariancia mátrixána a bevezetését jelenti. Ezenívül fel ell eleveníteni a lineáris algebra néhány eredményéne az ismeretét. Mielőtt a többváltozós centrális határeloszlástétel tárgyalását elezdenén, lássun ét olyan problémát, amelye vizsgálatában ez az eredmény hasznosna bizonyult. a. Teintsün egy dobóocát. Feldobju soszor, felírju a dobáso eredményét, és enne alapján aarju eldönteni, hogy a dobóoca szabályos-e. Természetes azt várni, hogy a dobóoca aor szabályos, ha mindegyi dobáseredmény előfordulásána a száma a dobásszámo egyhatoda plusz egy is eltérés. De meora eltéréseet teinthetün icsine? Ha csa azt nézzü, hogy mennyi anna a valószínűsége, hogy például a hatos dobáso számána eltérése a dobáso számána egyhatodától isebb mint egy adott szám, aor a centrális határeloszlástétel pontos leírást ad erre a problémára. De ha a ülönböző dobáseredménye együttes viseledésére vagyun iváncsia, aor új eredményre van szüségün. b. Legyene ξ,...,ξ n független, a [ 2, 2] intervallumban egyenletes eloszlású valószínűségi változó. Eor a n ξ j összeg normalizáltjána az eloszlására jó leírást ad a centrális határeloszlástétel. Hasonló állítást mondhatun a n ξj 2 összeg nor- malizáltjána az eloszlására. De tudun-e hasonló eredményt adni a n ξ j és n összege normalizáltjána az együttes eloszlására? ξj 2 Anna érdeében, hogy lássu, hogyan lehet ezeet a érdéseet vizsgálni a centrális határeloszlástétel alalmas több-dimenziós megfelelőjéne, azaz a többváltozós centrális határeloszlástételne a segítségével bevezete be néhány jelölést. ( Legyene ξ (j = ξ (j,...,ξ(j, j =,2,..., független, egyforma eloszlású - dimenziós valószínűségi változó, (véletlen vetoro, ahol rögzített j indexre semmilyen (függetlenség jellegű feltételt nem teszün fel az ξ (j,..., ξ(j valószínűségi változó

2 együttes eloszlására. Tegyü fel továbbá, hogy Eξ s (j 2 ( < minden s indexre. Teintsü az S n = (S n,,...,s n, = n n ξ (j = ξ (j,..., n, n =,2,..., véletlen összegeet. Be aarju látni, hogy az S n véletlen vetoro alalmas normalizáltjána létezi határeloszlása, és a határeloszlást pontosan le aarju írni. Látni fogju, hogy ez lehetséges. A határeloszlástételben megjelenő határeloszlásoat fogju több-dimenziós normális eloszlásona nevezni. A teljesség edvéért fölidézem, hogy itt és a továbbiaban vetor értéű valószínűségi változó függetlenségéne alábbi, a bevezető valószínűségszámítás előadásban bevezetett definicióját használju. Vetorértéű ( valószínűségi változó ( függetlenségéne a definiciója. Legyene ξ ( = ξ (,...,ξ(,..., ξ (n = ξ (n,...,ξ (n, értéeiet az R -dimenziós Eulideszi térben felvevő valószínűségi változó (vetoro egy (Ω, A, P valószínűségi mezőn. Azt mondju, hogy eze a valószínűségi vetoro függetlene, ha minden x ( = (x (,...,x(,..., x(n = (x (n,...,x(n -dimenziós vetorra P ( ξ ( < x ( = P,...,ξ( < x (,..., ξ(n < x (n,...,ξ(n ( ξ ( < x (,...,ξ( < x ( P ξ (j < x (n ( ξ (n < x (n,...,ξ(n < x (n. Lássu, hogyan lehet tárgyalni az előbb megfogalmazott ét problémát egy független, vetor értéű valószínűségi változó normalizált összegeine határeloszlását leíró eredmény segítségével. Az a feladat vizsgálatána érdeében vezessü be a övetező vetor értéű ξ (j valószínűségi változóat: Ha a dobóocát n alalommal dobju fel, aor legyen ξ (j, j n, a övetező 6-dimenziós valószínűségi változó: A ξ (j valószínűségi változó l-i oordinátája, ha a j-i dobás értée l, l 6, és legyen a ξ (j véletlen vetor összes többi oordinátája nulla. Eor a ξ (j valószínűségi változó függetlene. (Az egyes ξ (j valószínűségi változó oordinátái ebben a példában nem függetlene. Továbbá az S n = n ξ (j összeg l-i oordinátája egyenlő az l értéű dobáso számával minden l 6 index esetén. Ezért egy az S n véletlen összeg aszimptotius viseledését nagy n számora leíró határeloszlástétel hasznos lehet a számunra. Egy ilyen eredményből övetezi, hogy az S n véletlen összege alalmas normalizáltjai eloszlásban onvergálna egy explicit módon megadott eloszlásfüggvényhez. Megjegyzem, hogy a többváltozós centrális határeloszlástétel tárgyalása érdeében az eloszlásban való onvergenciána egy a többdimenziós valószínűségi változó esetében is érvényes definicóját vezettü be. Bár a többváltozós határeloszlás fogalmát tanultu, mégis érdemes néhány e fogalommal apcsolatos eddig nem tárgyalt érdést megvizsgálni. Természetes az a feladat megoldásában a véletlen S n vetorból az ( n 6,..., n 6 vetort ivonni, és enne a 6-változós ülönbségvetorna a hosszát teinteni (az Eulideszi távolságfogalom szerint. Ha a dobóoca szabályos volt, aor azt várju, hogy e véletlen vetor 2

3 hossza viszonylag icsi. Felmerül a érdés, hogy van-e e véletlen vetor alalmas normalizáltjána határeloszlása, és övetezi-e egy ilyen eredmény a több-dimenziós centrális határeloszlástételből. Be fogju látni, hogy erre a érdésre igenlő a válasz. De ez az állítás indolásra szorul. Ugyanis a több-dimenziós eloszláso onvergenciájana a definiciója anna eredeti alajában csa nagyon speciális halmazo valószínűségéne a onvergenciáját írja elő. A b példában megfogalmazott érdést hasonlóan tárgyalhatju az a példához. Itt olyan η j = (ξ j,ξj 2, j n, ét-dimenziós független vetoro S n = n η j összegét vizsgálju, amelyere ξ,...,ξ n független, a [ 2, 2] intervallumban egyenletes eloszlású valószínűségi változó. A többváltozós centrális határeloszlástétel segítségével leírható az ilyen véletlen vetoro normalizáltjaina a határeloszlása. Ismertetni fogom a centrális határeloszlástétel természetes megfelelőjét abban az esetben, ha független és egyforma eloszlású véletlen vetoro alalmasan normalizált összegéne a viseledését vizsgálju. Enne érdeében bevezetem a határeloszlásban megjelenő normális eloszlás több-dimenziós megfelelőjét, amit több-dimenziós normális eloszlásna fogo nevezni. De ehhez előbb definiálni ell a várható érté és szórásnégyzet fogalmána a több-dimenziós megfelelőjét. Ezenívül meg ell érteni, hogy a várható érté és szórásnégyzet tulajdonságai hogyan örölődne a több-dimenziós esetben. Az egy-dimenziós esetben definiált várható érténe megfelelő több-dimenziós várható érté (vetor fogalmána és tulajdonságaina a megértése viszonylag egyszerű, de a szórásnégyzetne megfelelő ovariancia mátrix tulajdonságaina jó megértése szüségessé teszi néhány a lineáris algebrában tanult fogalom és eredmény felelevenítését. Megjegyzem, hogy most és a továbbiaban is a több-dimenziós vetoroat mint sorvetoroat teintem. Valójában mind a sor mind az oszlopvetor jelölés lehetséges. Egyi jelölés sem jobb a másinál, és az irodalomban nem egységes a jelölés. A fontos az, hogy övetezetes jelölést alalmazzun. Több-dimenziós valószínűségi változó várható értééne és ovariancia mátrixána a definiciója. Legyen Z = (Z,...,Z -dimenziós véletlen vetor, amelyne minden oordinátája teljesíti az EZ 2 j <, j, feltételt. E véletlen vetor várható értée az EZ = (EZ,...,EZ -dimenziós vetor, ovariancia mátrixa pedig az a D = (d j,l, j,l, méretű mátrix, mely mátrix j-i sorában és l-i oszlopában lévő elem a d j,l = Cov (Z j,z l = E(Z j EZ j (Z l EZ l = EZ j Z l EZ j EZ l szám. Megfogalmazom a vetorértéű valószínűségi változó várható értééne és ovariancia mátrixána néhány fontos tulajdonságát. Eze egyszerű övetezményei a valós szám értéű valószínűségi változó már tárgyalt tulajdonságaina, ezért bizonyításuat elhagyom. Tétel vetor értéű valószínűségi változó várható ( értééne és ovariancia mátrixána tulajdonságairól. Legyene Z (j = Z (j,...,z(j, j n, véletlen -dimenziós vetoro ugyanazon az (Ω, A,P valószínűségi mezőn. Eor a Z ( + + Z (n összeg várható értée megegyezi a Z (j vetoro várható értéeine az összegével, 3

4 azaz E(Z ( + + Z (n = EZ ( + + EZ (n. Ha a Z (j, j n, véletlen vetoro függetlene, aor a ovariancia mátrix is additív, azaz, ha a Z (j mátrix ovariancia mátrixa a D j mátrix, j n, aor a Z ( + +Z (n véletlen összeg ovariancia mátrixa a D + +D n mátrix. Ha egy Z = (Z,...,Z, véletlen vetor várható értée M = (M,...,M, ovariancia mátrixa a D méretű mátrix, a tetszőleges valós szám, aor az az = (az,...,az, véletlen vetor várható értée am, ovariancia mátrixa pedig az a 2 D ovariancia mátrix. Legyen továbbá x = (x,...,x tetszőleges -dimenziós vetor. Eor E(Z + x = EZ + x, a Z + x vetor ovariancia mátrixa pedig megegyezi a Z vetor ovariancia mátrixával. A övetező eredmény célja anna jellemzése, hogy milyen mátrix jelenhet meg, mint egy alalmas véletlen vetor ovariancia mátrixa. Enne az eredményne az ismertetésében és bizonyításában fel ell használnun a lineáris algebra néhány alapvető fogalmát és eredményét. Igyeszem az állításoat önmaguban is érthető módon leírni. Először felidézem a övetező lineáris algebrai fogalmat. Szimmetrius és pozitív (szemidefinit mátrixo definiciója. Legyen D = (d j,l egy méretű mátrix. Azt mondju, hogy a D mátrix szimmetrius, ha minden j,l indexre d j,l = d l,j. Pontosabban azt öveteljü meg, (ha nemcsa valós, hanem általános omplex értéű elemeel rendelező mátrixoat is teintün, hogy d j,l = d l,j, ahol z a z omplex szám onjugáltja, azaz, ha z = a + ib, aor z = a ib. (De ebben az előadásban csa valós elemű mátrixoal fogun dolgozni. Egy méretű szimmetrius D = (d j,l mátrix pozitív (szemidefinit, ha minden x = (x,...,x - dimenziós vetorra xdx = x j d j,l x l 0. (Ebben a formulában x jelöli az x vetor transzponáltját, azaz azt az oszlopvetort, amelyne fölülről számíva l-i eleme megegyezi az x vetor balról számított l-i eleméne a omplex onjugáltjával. Eor xdx a szoásos vetor-mátrix szorzást jelöli. A D = (d i,j szimmetrius mátrixot (szigorúan pozitív definitne nevezün, ha pozitív szemidefinit, és ráadásul az xdx = triviális esetben teljesül, ha x = x 2 = = x = 0. x j d j,l x l = 0 reláció csa abban a Az eredménye és fogalma jobb megértése érdeében érdemes megadni a fenti oordinátarendszerfüggő definició oordinátarendszertől független,,absztrat definicióját is, és megérteni a ét definició apcsolatát. Enne leírását (a bizonyításo többségéne elhagyásával tartalmazza egy a honlapomon is megtalálható lineáris algebrai összefoglaló. Röviden megfogalmazom a legfontosabb fogalmaat és eredményeet. A mátrixo úgy jelenne meg, mint lineáris transzformáció megadásai egy lineárisan független vetoroból álló oordinátarendszerben. Ha Eulideszi tereben, tehát olyan lineáris tereben dolgozun, ahol van salárszorzat, és ezért beszélhetün egy vetor hosszáról és ét vetor által bezárt szögről, aor a lineáris transzformációat egy ortonormált bázisban adju meg. Természetes az előbb bevezetett fogalmaat először lineáris transzformációra definiálni, (ezt nevezem oordinátamentes definicióna, és 4

5 utána megvizsgálni azt, hogy eze a fogalma mit jelentene a transzformációt megadó mátrixo nyelvén. Az első definiálandó fogalom egy Eulideszi térben definiált A transzformáció adjungáltja. Egy valamely Eulideszi térben megadott A lineáris transzformáció adjungáltja az az A lineáris transzformáció, amelyre teljesül az (xa,y = (x,ya azonosság az Eulideszi tér minden x és y vetorára, ahol (, salárszorzatot jelöl. Be lehet látni, hogy minden A lineáris transzformáció esetén egy és csa egy olyan A lineáris transzformáció van, amely teljesíti ezt a feltételt. Ez azt jelenti, hogy a lineáris transzformáció, illetve a nei megfelelő mátrix adjungáltjána a definiciója értelmes. Megjegyzem, hogy egy mátrix adjungáltját csa Eulideszi (tehát nem tetszőleges lineáris térben definiáltu, mert e fogalom definiciójában felhasználtu a salárszorzat fogalmát. Ezután az önadjungált transzformáció fogalmána a megadása egyszerű. Egy A lineáris transzformáció (vagy a nei megfelelő mátrix aor és csa aor önadjungált, ha A = A. Egy A önadjungált mátrixot aor nevezün pozitív szemidefinitne, ha (x, xa 0 ez Eulideszi tér minden x vetorára, és aor nevezün (szigorúan pozitív definitne, ha egyrészt teljesül a fenti egyenlőtlenség, másrészt az (x, xa = 0 azonosság csa a triviális x = 0 esetben áll fenn. Be lehet látni, hogy ha egy A transzformáció mátrixát felírju egy tetszőleges ortonormált bázisban, aor a transzformáció adjungáltjána a mátrixát a Szimmetrius és pozitív (szemidefinit mátrixo definiciójában megadott módon számíthatju i. Fontos megérteni, hogy ez az állítás azt is jelenti, hogy ha egy A lineáris transzformáció mátrixána az adjungáltját a lineáris transzformáció mátrixána az adjungáltja segítségével számolju i, aor az így apott A adjungált transzformáció értée nem függ attól, hogy melyi ortonormált bázisban dolgozun. Azt, hogy egy önadjungált A lineáris transzormáció pozitív szemidefinit a transzformáció (egy ortonormált bázisban felírt A mátrixával úgy jellemezhető, hogy xax 0, ahol x tetszőleges szám-n-es, és x anna transzponáltja. Felírom egy transzformáció adjungáltjána legfontosabb tulajdonságait: (A + B = A + B, (ca = ca, (A = A, (AB = B A. A lineáris transzformáció és mátrixo legfontosabb tulajdonságaina felsorolása után megfogalmazo egy fontos eredményt, amely megadja a ovariancia mátrixo jellemzését. Enne bizonyításában felhasználo egy nem triviális lineáris algebrai eredményt is. Tétel ovariancia mátrixo jellemzéséről. Legyen Z = (Z,...,Z egy -dimenziós véletlen vetor. Eor a Z vetor ovariancia mátrixa szimmetrius és pozitív szemidefinit mátrix. Megfordítva, tetszőleges D szimmetrius, pozitív szemidefinit mátrixhoz létezi olyan Z = (Z,...,Z véletlen vetor, amelyne ez a D mátrix a ovariancia mátrixa. Sőt igaz a övetező tartalmasabb állítás is: Legyen Y = (Y,...,Y olyan véletlen vetor, amelyne a ovariancia mátrixa az identitás mátrix, azaz Var Y j =, j, Cov (Y j,y l = 0, ha j,l, és j l. (Ez a helyzet például aor, ha az Y j, j valószínűségi változó függetlene, és Var Y j =. Eor létezi olyan A ( = (a j,l méretű mátrix, amelyre igaz, hogy a Z = (Z,...,Z = (Y,...,Y A = a,p Y p,..., a,p Y p véletlen vetor ovariancia mátrixa a D mátrix. p= p= 5

6 Igaz továbbá a övetező állítás is. Egy Z = (Z,...,Z véletlen vetor ovariancia mátrixa aor és csa aor (szigorúan pozitív definit, ha e vetor oordinátái özött nincs lineáris összefüggés, azaz ha x,...,x valós számora x j Z j = K valamilyen K (determinisztius valós számra egy valószínűséggel, aor x = = x = 0. Megjegyzés: Ez az állítás anna a valószínűségi változóról szóló egyszerű eredményne több-dimenziós megfelelője, amely szerint egy valószínűségi változó szórásnégyzete nem negatív szám. Továbbá egy valószínűségi változó szórásnégyzete aor és csa aor szigorúan pozitív, ha ez a valószínűségi változó nem egyenlő egy onstanssal egy valószínűséggel. Enne a tényne a megfelelője a tétel végén imondott állítás, amely szerint egy véletlen vetor ovariancia mátrixa pozitív definit, ha nincs a véletlen vetor oordinátáina olyan lineáris ombinációja, amelyi egy valószínűséggel megegyezi egy számmal. Ugyanis a nem negatív számona a pozitív szemidefinit mátrixo, a pozitív számona pedig a pozitív definit mátrixo a természetes megfelelői az Eulideszi tereben. A tétel bizonyítása egy alább megfogalmazandó nem triviális lineáris algebrai eredményen alapul, amely szerint minden pozitív szemidefinit mátrix felírható, mint egy alalmas mátrix négyzete. Ez az állítás annna a tényne a megfelelője Eulideszi tereben, amely szerint pozitív számoból lehet négyzetgyööt vonni. Megjegyzem, hogy a pozitív szemidefinit mátrixoból vont négyzetgyö nem egyértelműen meghatározott, mint ahogy a valós számo özött is csa aor egyértelmű a gyövonás, ha csa a pozitív gyööt teintjü. Tétel a lineáris algebrából. Legyen D pozitív szemidefinit mátrix. Eor létezi olyan A mátrix, amelyre érvényes a D = A A azonosság, ahol A az A mátrix transzponáltját jelöli. Sőt, olyan A mátrixot is választhatun, amelyre az A mátrix önadjungált, pozitív szemidefinit, és D = A 2. Eme megszorítás esetén az D = A A = A 2 egyenlet megoldása egyértelmű. (Egy A = (a j,l méretű mátrix transzponáltja az A = (a l,j, illetve az általános omplex számoat is tartalmazó mátrixo esetében az A = (ā l,j méretű mátrix, ahol z a z omplex szám onjugáltja. A ovariancia mátrixo jellemzéséről szóló tétel bizonyítása a lineáris algebráról imondott tétel segítségével. Teintsün először egy Z = (Z,...,Z egy -dimenziós véletlen vetort és anna D = (d j,l, d j,l = Cov (Z j,z l, j,l, ovariancia mátrixát. Eor D szimmetrius mátrix, mert d j,l = d l,j, azaz Cov (Z j,z l = Cov (Z l,z j. Másrészt tetszőleges x = (x,...,x -dimenziós vetorra Var x j Z j = E (x j x l (Z j Z l EZ j EZ l = x j x l Cov (Z j,z l és Var ( = x j x l d j,l = xdx, x j Z j 0. Innen övetezi, hogy xdx 0 tetszőleges x = (x,...,x -dimenziós vetorra, azaz D szimmetrius, pozitív szemidefinit mátrix. 6

7 Megfordítva, legyen D pozitív szemidefinit mátrix, és Y = (Y,...,Y olyan véletlen vetor, amelyne a ovariancia mátrixa az identitás mátrix, azaz Var Y j =, j, Cov (Y j,y l = 0, ha j,l, és j l. A imondott lineáris algebrai eredmény szerint létezi olyan A = (a j,l, j,l méretű mátrix, amelyre D = A A. Azt állítom, hogy a Z = (Z,...,Z = Y A, azaz a Z = (Z,...,Z, Z j = a p,j Y p, j, véletlen vetor ovariancia mátrixa a D mátrix. Innen p= övetezi a tétel másodi állítása is. Valóban, ( Cov (Z j,z l = Cov a p,j Y p, p= a q,l Y q = q= p= q= a p,j a q,l Cov (Y p,y q, ahonnan, mivel Cov (Y p,y q = 0, ha p q, és Cov (Y p,y p =, Cov (Z j,z l = a p,j a p,l = d j,l, ahol d j,l a D = A A mátrix j-i sorában és l-i oszlopában szereplő p= onstans. Végül a D ovariancia ( mátrix aor és csa aor (szigorúan pozitív definit, ha xdx > 0, azaz Var x j ξ j > 0, azaz x j ξ j K valószínűséggel valamilyen K onstanssal minden nem azonosan nulla (x,...,x 0 vetorra. Ezután be tudju vezetni a több-dimenziós normális eloszlásfüggvénye fogalmát, és meg tudju fogalmazni a több-dimenziós centrális határeloszlástételt. Több-dimenziós normális eloszláso definiciója. Definiálju először a több-dimenziós standard normális eloszlást. Azt mondju, hogy egy (ξ,...,ξ véletlen vetor eloszlása a -dimenziós standard normális eloszlás, ha a ξ,...,ξ valószínűségi változó függetlene, és mindegyi ξ j valószínűségi változó, j, standard normális eloszlású. Evivalens megfogalmazásban azt mondhatju, hogy egy (ξ,...,ξ véletlen vetor eloszlása a -dimenziós standard normális eloszlás, { ha e véletlen } vetorna létezi sűrűségfüggvénye, és az az f(u,...,u = (2π /2 exp 2 u 2 j függvény. Egy (η,...,η dimenziós véletlen vetor dimenziós normális eloszlású vetor nulla várható értéel, ha e véletlen vetor eloszlása megegyezi valamely ( η,..., η = (ξ,...,ξ A -dimenziós vetor eloszlásával, ahol A egy méretű mátrix, továbbá (ξ,...,ξ egy -dimenziós standard normális eloszlású véletlen vetor. Egy (ζ,...,ζ véletlen vetor -dimenziós normális eloszlású vetor, ha eloszlása megegyezi egy (η,...,η +(m,...,m véletlen vetor eloszlásával, ahol (η,...,η egy -dimenziós normális eloszlású véletlen vetor, amelyne a várható értée nulla, és (m,...,m -dimenziós determinisztius vetor. Megjegyzés: Független (egy-dimenziós normális eloszlású valószínűségi változó összege szintén normális eloszlású. Innen, és a több-dimenziós normális eloszlás definiciójából 7

8 övetezi, hogy egy több-változós normális eloszlású valószínűségi változó minden oordinátája normális eloszlású. Az állítás megfordítása nem igaz. Később látni fogun példát olyan étváltozós valószínűségi változóra, amelyne mind a ét oordinátája normális eloszlású, ő maga mégsem étváltozós normális eloszlású véletlen vetor. Bebizonyíto még egy eredményt, amely szüséges a többváltozós centrális határeloszlástétel imondásához. Tétel a több-dimenziós normális eloszlás tulajdonságairól. Teintsün egy - dimenziós (η,...,η = (ξ,...,ξ A + (m,...,m normális eloszlású valószínűségi változót, ahol A egy méretű mátrix, m = (m,...,m -dimenziós (véletlentől nem függő vetor és (ξ,...,ξ egy -dimenziós standard normális eloszlású véletlen vetor. Aor (η,...,η m = (m,...,m várható értéű és D = A A ovariancia mátrixú véletlen vetor. Egy normális eloszlású véletlen vetor ovariancia mátrixa pozitív (szemidefinit, és megfordítva, minden méretű pozitív (szemidefinit mátrixhoz és dimenziós vetorhoz létezi olyan -változós normális eloszlású véletlen vetor, amelyne ez a ovariancia mátrixa és várható érté vetora. Továbbá egy -dimenziós normális eloszlású valószínűségi változó eloszlását meghatározza anna m várható érté vetora és D ovariancia mátrixa. Megjegyzem, hogy egy rögzített D (szimmetrius és pozitív szemidefinit mátrixra az A A = D egyenletne nem egyértelmű a megoldása. Teintsün ét ülönböző A és B mátrixot, amelyre A A = B B. A fenti tétel szerint, ha teintün egy - dimenziós standard normális eloszlású (ξ,...,ξ vetort, illetve a segítségével definiált (ξ,...,ξ A és (ξ,...,ξ B véletlen vetoroat, aor bár ez az utóbbi ét véletlen vetor ülönböző, eloszlásu megegyezi. Ugyanis mind a ét (normális eloszlású vetor nulla várható értéű és A A = B B ovariancia mátrixú. Ez a tulajdonság erősen ihasználja azt, hogy normális eloszlású valószínűségi változóról van szó. Anna, hogy egy több-dimenzós normális eloszlást egyértelműen meghatároz anna várható érté vetora és ovariancia mátrixa fontos övetezményei vanna. Ehhez a érdéshez ésőbb visszatére. A tétel bizonyítása. Az, hogy csa pozitív szemidefinit mátrixo lehetne egy többdimenziós normális eloszlású valószínűségi változó ovariancia mátrixai, azo viszont lehetne ilyen ovariancia mátrixo övetezi a ovariancia mátrixo jellemzéséről szóló tételből. (Az, hogy egy normális eloszlású vetor várható értée tetszőleges vetor lehet nyilvánvaló. Az az állítás szorul még indolásra, hogy egy többdimenziós normális eloszlású valószínűségi változó eloszlását meghatározza anna ovariancia mátrixa és várható érté vetora. Ezt az állítást is reduálni lehet arra az állításra, hogy egy nulla várható értéű normális eloszlású véletlen vetor eloszlását meghatározza a ovariancia mátrixa. Később látni fogju, hogy ez az eredmény övetezi a többváltozós normális eloszlásfüggvénye araterisztius függvényéne az alajából, de itt egy mási bizonyítást ismertete, amely a lineáris algebra egy önmagában is érdees állításából, egy Eulideszi tér lineáris transzformációina úgynevezett polár oordinátás felbontásából övetezi. E tétel megfogalmazása előtt felidézem az unitér transzformáció definicióját. Egy Eulideszi tér valamely lineáris transzformációját unitérne nevezün, ha teljesíti az 8

9 UU = I és U U = I azonosságot. Valójában elég e ét azonosság özül csa az egyiet megövetelni, mert aor a mási azonosság is szüségszerűen teljesül. Az unitér transzformáció geometriai tartalma az, hogy eze és csa eze az Eulideszi tér távolságtartó transzformációi. A övetező lineáris algebrai eredményre lesz szüségün. Tétel egy mátrix polár felbontásáról. Legyen A egy Eulideszi tér lineáris transzformációjána a mátrixa. Létezi az A mátrixna A = UK (és A = LV alaú polár felbontása, ahol U (illetve V unitér, K (illetve L pozitív szemidefinit szimmetrius mátrix. A K mátrix az A A pozitív definit, szimmetrius mátrix egyértelműen meghatározott pozitív négyzetgyöe. (Az L mátrix az AA mátrix pozitív négyzetgyöe. Megjegyzés. Ezen eredmény elnevezéséne az az oa, hogy a pozitív szemidefinit mátrixo a nem negatív valós számona, az unitér transzformáció pedig az egy abszolút értéű omplex számona (a omplex tér forgatásaina a természetes megfelelői, ha a omplex számo terét egy Eulideszi tér operátoraina a terével helyettesítjü. Ahogy egy tetszőleges z omplex szám felírható z = Re iϕ polároordinátás alaban, úgy tetszőleges A mátrix felírható a tételben megadott A = U K alaban. Mivel a mátrixszorzás nem ommutatív, ezért az A = UK és A = LV előállításoban ülönböző mátrixo szerepelne az általános esetben. A K mátrix alaja övetezi az azonosságból. A A = (UK (UK = K (U UK = K K = K 2 ezért K = (A A /2 A több-dimenziós normális eloszlás tulajdonságairól szóló tétel bizonyításána a befejezése. Teintsü először azt az esetet, amior egy nulla várható értéű normális eloszlású Z vetor ovariancia mátrixa az I identitás mátrix. Eor tudju, hogy Z előállítható Z = XU alaban, ahol X -dimenziós standard normális eloszlású vetor, és I = U U, azaz U unitér transzformáció. Viszont tudju, hogy egy -dimenziós standard normális eloszlású X vetor sűrűségfüggvénye az f(x,...,x = e x2 j /2 = (2π /2 exp 2π 2 függvény, ahonnan látható, hogy az f(x,...,x sűrűségfüggvény az x = (x,...,x pontban csa az x = (x,...,x vetor hosszától függ. Mivel egy U unitér transzformáció távolságtartó, innen látható, hogy az X és Z = XU véletlen vetoro sűrűségfüggvényei megegyezne. Legyen Y = XA egy tetszőleges nulla várható értéű, normális eloszlású véletlen vetor, ahol X standard normális eloszlású véletlen vetor. Véve az A mátrix A = KU polárfelbontását felírhatju az Y = XA = XUK = ZK azonosságot, ahol Z = XU standard normális eloszlású véletlen vetor. Másrészt K az A A, azaz az Y véletlen vetor ovarianciamátrixána az (egyértelműen meghatározott pozitív négyzetgyöe. Innen övetezi, hogy az Y = ZK véletlen vetor eloszlását meghatározza a ovariancia mátrixa. 9 x 2 j

10 Ezután megfogalmazom a többváltozós centrális határeloszlástételt. ( A többváltozós centrális határeloszlástétel. Legyene ξ (j = ξ (j,...,ξ(j, j =, 2,..., független, egyforma eloszlású -dimenziós valószínűségi változó, amelyere teljesül az Eξ ( l lim P n 2 <, l, feltétel. Legyen a ξ ( = (ξ ( ( Eξ (,...,Eξ(,...,ξ( vetor várható értée Eξ ( =, ovariancia mátrixa pedig egy D méretű ( ( mátrix. Definiálju az S (n = S (n,...,s (n = n n ξ (j = ξ (j,..., n ξ (j ( összegeet, n =,2,... Eze az S (n = S (n,...,s (n vetoro eloszlásban onvergálna a Φ D (x,...,x -dimenziós nulla várható értéű D ovariancia mátrixú normális eloszlásfüggvényhez, ha n, azaz érvényes a ( ( n S (n ES (n ( < x,..., S (n n ES (n < x = Φ D (x,...,x ( minden olyan (x,...,x pontban, amely folytonossági pontja a Φ D (x,...,x eloszlásfüggvényne.. megjegyzés. Ahhoz, hogy lássu, hogy a fenti többváltozós centrális határeloszlástétel értelmes, tudnun ell a övetező ét állítást: i Tetszőleges (véges ovariancia mátrix-szal rendelező véletlen vetorhoz létezi egy vele megegyező ovariancia mátrixú (és nulla várható értéű normális eloszlású vetor. ii A tételben szereplő határeloszlást egyételműen megadtu, azaz egy nulla várható érté vetorral rendelező normális eloszlású véletlen vetor eloszlását egyértelműen meghatározza anna ovariancia mátrixa. Ez a ét tulajdonság azonban övetezi a több-dimenziós normális eloszlás tulajdonságairól szóló tételből. 2. megjegyzés. Az egy és többváltozós centrális határeloszlástétel megfogalmazásában másfajta normalizálást használtun. Az egyváltozós esetben az összeg szórásával, azaz nσ osztottun, ahol σ 2 = Varξ, míg a többváltozós esetben n-nel. Az egyváltozós esetben is oszthattun volna n-nel, és aor a határeloszlás egy nulla várható értéű és σ 2 szórásnégyzetű normális eloszlású valószínűségi változó eloszlása lett volna. A többváltozós esetben az egyváltozós esethez hasonló normalizálás az n /2 Σ mátrix-szal való szorzás lenne, ahol Σ 2 a teintett véletlen vetoro ovariancia mátrixa, Σ enne pozitív négyzetgyöe, azaz az az egyértelműen meghatározott pozitív definit Σ mátrix, amelyne négyzete a Σ 2 ovariancia mátrix, Σ pedig enne a mátrixna az inverze. Ilyen normalizálást aor választhatun, ha a Σ 2 mátrix invertálható. Ez aor teljesül, ha Σ 2 szigorúan pozitív definit. Eor a limesz egy standard normális eloszlású véletlen vetor. De bizonyos fontos eseteben ez a feltétel nem teljesül. Például, ha az előadás elején teintett (szabályos oca véletlen dobásait teintjü, aor, mint a gyaorlaton megtárgyalju, nem invertálható ovariancia mátrix jeleni meg a határeloszlásban. 0

11 Ez azzal függ össze, hogy a ülönböző eredményű dobáso számána az összege (nem véletlen onstans. Ez a onstans egyenlő az összes dobás számával. 3. megjegyzés. A többváltozós centrális határeloszlástétel megfogalmazásában nem állítottu, hogy az ( reláció minden (x,...,x pontban érvényes, hanem csa azoban a pontoban, amelye folytonossági pontjai a Φ D (x,...,x (határeloszlásfüggvényne. Ez nem üres megszorítás, mert az egyváltozós esettől eltérően a Φ D (x,...,x függvényne lehetne olyan pontjai, ahol az nem folytonos. Ez az eset áll elő például aor, ha Φ D (x,...,x egy olyan (elfajuló (ξ,...,ξ n nulla várható értéű normális vetorna az eloszlásfüggvénye, amelyre Var ξ = 0. Ebben az esetben a Φ D által generált Stieltjes mérté az x = 0 altérbe van oncentrálva, és a Φ D (x,...,x függvény nem folytonos az x = 0 hipersí pontjaiban. A tételt ebben a formában fogom bizonyítani, és az gyaorlati alalmazásoban ebben a formában is ielégítő. Viszont, mint a iegészítésben megmutatom, az ( formula valójában minden (x,...,x pontban érvényes a tételben szereplő valószínűségi változó bizonyos tulajdonságai miatt. Megjegyzem továbbá, hogy az egyváltozós esethez hasonlóan a többváltozós centrális határeloszlástételne is létezi általánosítása független, nem feltétlenül egyforma eloszlású véletlen vetoro normalizált összegeine határeloszlására nagyon általános feltétele mellett. Ezzel a érdéssel azonban itt nem foglalozun. Lássu, hogyan tudju vizsgálni a többváltozós centrális határeloszlástétel segítségével az előadás elején megfogalmazott a problémát dobóoca szabályosságána a vizsgálatáról. Teintsü az ott bevezetetett ξ (j, j n, valószínűségi változóat, azo S n = (S ( n,...,s (6 n összegeit, illetve ezen összege ( S n = n (S n ( ES n (,..., (S (6 n n ES n (6 normalizáltjait. Emléezzün arra, hogy az S n (l, l 6, valószínűségi változó az l eredményű dobáso számával egyenlő. Ezenívül tudju, hogy ES l = n 6, l 6, és i tudju számolni anna a normális eloszlású valószínűségi változó ovariancia mátrixát, amelyhez az S n normalizált összege eloszlásban tartana. Ez a D ovariancia mátrix egyenlő a ξ (j véletlen vetoro ovariancia mátrixával, és D = (d l,m, l,m 6, d l,m = Eξ (j l ξ m (j Eξ (j l Eξ m (j = Eξ (j l Eξ m (j = 36, ha l m, és d l,l = 6 ( 6 2 = Ilyen módon az S n normalizált összeg eloszlására jogun van alalmazni az ( aszimptotius azonosságot. De természetesebb az S n normalizált összeg n oordinátáina a négyzetösszegét, azaz a T n = n (S n (l n 6 2 ifejezést vizsgálni. Felmerül a érdés, létezi-e a T n valószínűségi változóna (ismert határeloszlása. E érdés jobb megértése érdeében felidézem a többváltozós eloszláso onvergenciájána a definicióját, illetve egy olyan eredményt, amely e onvergenciána egy evivalens jellemzését adja orlátos, folytonos függvénye integráljaina a segítségével. Eloszlásfüggvénye onvergenciájána definiciója. Legyen F n (x,...,x, n =,2,..., -dimenziós,, eloszlásfüggvénye sorozata. Azt mondju, hogy az F n, n =

12 , 2,..., eloszlásfüggvénye eloszlásban onvergálna egy F eloszlásfüggvényhez n esetén, ha lim n F n(x,...,x = F(x,...,x az F(x,...,x eloszlásfüggvény minden folytonossági pontjában. Azt mondju, hogy véletlen vetoro (ξ (n,...,ξ (n, n =,2,..., sorozata eloszlásban onvergál egy (ξ,...,ξ véletlen vetorhoz, ha azo F n (x,...,x, n =,2,... eloszlásfüggvényei eloszlásban onvergálna a (ξ,...,ξ véletlen vetor F(x,...,x eloszlásfüggvényéhez. Tétel eloszláso onvergenciájána jellemzéséről. Legyen F n (x,...,x, n =,2,..., -változós eloszlásfüggvénye sorozata. Ez a sorozat aor és csa aor onvergál eloszlásban egy -változós F(x,...,x eloszlásfüggvényhez, ha minden a - dimenziós térben folytonos és orlátos f(x,...,x függvényre f(x,...,x df n (x,...,x f(x,...,x df(x,...,x, ha n. Megjegyzés. Az előbb megfogalmazott definició és eredmény részletesebb tárgyalása (a bizonyítással együtt megtalálható például a tanév első félévében tartott Valószínűségszámítás II. előadássorozat másodi témájána elején (Fourier analízis és határeloszástátele vizsgálata. Érdemes megjegyezni, hogy eloszláso onvergenciájána a fenti tételben imondott folytonos, orlátos függvénye integrájaival való jellemzése nem ötődi az Eulideszi tér geometriájához. Ez lehetővé teszi, hogy valószínűségi mértée eloszlásban való onvergenciájána a definicióját olyan esetere is általánosítsu, ahol a valószínűségi mértée egy általános metrius téren vanna definiálva. Enne a lehetőségne fontos szerepe lesz ésőbb például a Wiener folyamato tulajdonságaina a vizsgálatában. A övetező ét eredmény célja anna megmutatása, hogy az előbb megfogalmazott onvergens vetoro függvényeine viseledésŕől szóló érdésre, illetve e érdés hasonló problémában megjelenő természetes megfelelőire a válasz igenlő.. tétel az eloszlásbeli onvergencia tulajdonságairól. Legyen adva -dimenziós véletlen vetoro ξ (n = (ξ (n,...,ξ (n, n =,2,..., sorozata, amelye eloszlásban onvergálna egy ξ = (ξ,...,ξ -dimenziós véletlen vetorhoz. Legyen ezenívül adva egy u(x = u(x,...,x a -dimenziós téren értelmezett folytonos függvény. (Az egyszerűség érdeében teintsün valós értéű függvényeet, de valójában teinthetün tetszőleges l-dimenziós vetor értéű u( függvényt. Eor az η n = u(ξ (n, n =,2,..., valószínűségi változó eloszlásban onvergálna az η = u(ξ valószínűségi változóhoz. A tétel bizonyítása. Használju az eloszlásban való onvergencia folytonos függvénye integráljaina a segítségével megadott jellemzését. Eor azt ell belátni, hogy tetszőleges folytonos és orlátos g(x függvényre lim Eg(η n = Eg(η. Viszont g(η n = n 2

13 g(u(ξ (n = v(ξ (n, és g(η = g(u(ξ = v(ξ, ahol v(x = g((ux. Továbbá a v(x függvény is folytonos és orlátos a tétel feltételei miatt. Ezért, a tétel feltételei alapján, A tételt bebizonyítottu. lim Eg(η n = lim n n Ev(ξ(n = Ev(ξ = Eg(η. 2. tétel az eloszlásbeli onvergencia tulajdonságairól. Legyen F n, n =,2,..., -dimenziós eloszláso sorozata, amelye eloszlásban onvergálna egy F -dimenziós eloszláshoz. Jelölje µ Fn az F n eloszlás szerint induált Stieltjes mértéet. Ha A olyan halmaz a -dimenziós téren, amelyne A határa teljesíti a µ F ( A = 0 azonosságot az F határeloszlásmérté szerinti µ F Stieltes mérté szerint, aor lim µ F n (A = µ F (A. n Mivel számunra elegendő az első tétel is, a másodi tétel bizonyítását csa vázlatosan ismertetem. n A tétel bizonyítása. Be lehet látni, hogy az A halmaz indiátor függvényét jól lehet özelíteni, mind alulról mind felülről alalmas folytonos függvényeel. Részletesebben ifejtve, tetszőleges ε > 0 számhoz létezne olyan f ε (x és g ε (x folytonos függvénye, amelyere 0 f ε (x,g ε (x minden x vetorra a -dimenziós térben, f ε (x =, ha x Ā, ahol Ā az A halmaz lezártja, f ε (x = 0, ha ρ(x,a ε, ahol ρ(, az Eulideszi metria a -dimenziós térben, g ε (x = 0, ha x / A, g ε (x =, ha ρ(x,a c ε, ahol A c az A halmaz omplementere. Felhasználva a lim fε (xf n ( dx = f ε (xf( dx és n lim gε (xf n ( dx = g ε (xf( dx relációat, majd elvégezve az ε 0 határátmenetet megapju a tétel állítását. A részlete idolgozását elhagyom. Térjün vissza a szabályos dobóocával apcsolatos feladat tárgyalásához. Alalmazva az. tételt az eloszlásbeli onvergencia tulajdonságairól a = 6 dimenziós eulideszi térben az u(x = 6 x 2 l függvénnyel azt apju, hogy az ott bevezetett T n valószínűségi változó eloszlásban onvergálna egy ismert ovarianciájú, nulla várható értéű normális eloszlású vetor oordinátáina a négyzetösszegéhez. Ilyen eredményre volt szüségün. Felmerül még a érdés, hogy nem lehet-e a határeloszlást egyszerűbb módon jellemezni. Ehhez a érdéshez ésőbb még visszatére. A övetező feladat célja anna megmutatása, hogy az előadás elején említett b feladatot hogyan tudju megoldani a többváltozós centrális határeloszlástétel segítségével. Feladat: Legyene ξ,...,ξ n független, a [ 2, 2] intervallumban egyenletes eloszlású valószínűségi változó. Mutassu meg, hogy a n ξ j és n összege normalizáltjaina, azaz a 2 n n ξ j és 80 n n ξj 2 ( ξ 2 j 2 valószínűségi változóna az együttes eloszlása a ét-dimenziós standard normális eloszláshoz onvergál, ha n. 3

14 Megoldás: Eξ = 0, Eξ 2 = 2, Varξ = 2, Varξ2 = Eξ 4 (Eξ 2 2 = = 80. Továbbá Cov (ξ,ξ2 = Eξ 3 EξEξ 2 = 0. Ezért a ( 2ξ j, 80 ( ξ 2 j 2, j =,2,..., véletlen vetoro függetlene, nulla várható értéel és az identitás ovariancia mátrix-szal. Innen, és a több-dimenziós centrális határeloszlástételből övetezi a feladat állítása. Be aarju látni a több-dimenziós centrális határeloszlástételt. Tudju eddigi eredményein alapján, hogy ehhez elegendő megmutatni azt, hogy a normalizált összege araterisztius függvényei onvergálna egy megfelelő ovarianciájú és nulla várható értéű normális eloszlású vetor araterisztius függvényéhez. Enne bizonyításához először i ell számolni a több-dimenziós normális eloszláso araterisztius függvényeit. Erről szól a övetező tétel. Tétel a több-dimenziós normális eloszású valószínűségi változó araterisztius függvényéről. Legyen η = (η,...,η = (ξ,...,ξ A + (m,...,m egy -dimenziós normális eloszlású valószínűségi változó, ahol m = (m,...,m - dimenziós (determinisztius vetor, A = (a j,l, j,l, méretű mátrix, továbbá ξ = (ξ,...,ξ -dimenziós standard normális eloszlású véletlen vetor. Eor az (η,...,η véletlen vetor araterisztius függvénye az Ee i(t,η = Ee i(t η + +t η = e i(t,m ta At /2 = exp i t j m j d j,l t j t l 2 függvény, ahol (x,y jelöli az x = (x,...,x és y = (y,...,y vetoro (x,y = x j y j salárszorzatát, t = (t,...,t, d j,l az A A ovariancia mátrixána j-i sorában, és l-i oszlopában szereplő onstans. A D = A A mátrix megegyezi az η = (η,...,η véletlen vetor ovariancia mátrixával. Bizonyítás: Ee i(t,η = Ee i(t,ξa+m = e i(t,m Ee i(ta,ξ = e i(t,m e (ta,ta /2 = e i(t,m ta At /2, mert, ha ta = t = ( t,..., t, aor Ee i(ta,ξ = Ee i( t ξ + + t ξ = e t 2 j /2 = e ( t, t/2 = e (ta,ta /2. Ee i t j ξ j = Az η véletlen vetor ( D = (d j,l ovariancia mátrixában a j-i sor l-i eleme d j,l = Cov (η j,η l = Cov a p,j ξ p, a q,l ξ q = a p,j a p,l Eξp 2 = a p,j a p,l, és ez az A A p= q= mátrix j-i sorában és l-i oszlopában álló elem. Ezért az η véletlen vetor ovariancia mátrixa a D = A A mátrix. Az nyílvánvaló, hogy az η véletlen vetor várható értée m. Követezmény. Egy több-dimenziós normális eloszlású véletlen vetor eloszlását egyértelműen meghatározza anna várható érté vetora és ovariancia mátrixa. 4 p= p=

15 Megjegyzés. Ezen állítás bizonyítását már láttu lineáris algebrai módszereel. Most azt mutatju meg, hogy az egyszerűen övetezi a araterisztius függvénye tulajdonságaiból is. A övetezmény bizonyítása. Az előző tétel alapján egy normális eloszlású véletlen vetor araterisztius függvényét egyértelműen meghatározza anna várható érté vetora és ovariancia mátrixa. Viszont egy eloszlást meghatároz anna araterisztius függvénye. A többváltozós centrális határeloszlástétel bizonyításában azt ell megmutatni, hogy a teintett véletlen normalizált összege araterisztius függvényei onvergálna a határeloszlás araterisztius függvényéhez. Enne bizonyítása nem nehezebb, mint a megfelelő egyváltozós állítás bizonyítása. Sőt, az állítás igazolását vissza lehet vezetni az egyváltozós esetre az alábbi egyszerű, de tanulságos eredmény segítségével. Lemma többváltozós véletlen vetoro eloszlásána onvergenciájána a jellemzéséről. Legyen adva -változós ξ (n = (ξ (n,...,ξ (n, n =,2,..., véletlen vetoro egy sorozata. Eze a véletlen vetoro aor és csa aor onvergálna eloszlásban egy ξ (0 = (ξ (0,...,ξ(0 véletlen vetorhoz, ha oordinátái bármely a r ξ r (n lineáris r= ombinációi eloszlásban onvergálna a a r ξ r (0 valószínűségi változóhoz. r= A lemma bizonyítása. Azt ell megérteni, hogy mit jelentene a lemmában megfogalmazott eloszlásban való onvergenciá a araterisztius függvénye nyelvén. Jelölje ϕ n (t,...,t = Ee i(t ξ (n + +t ξ (n a ξ (n = (ξ (n,...,ξ (n, n = 0,,2,..., véletlen vetor és ϕ n (t a,...,a = Ee it(a ξ (n + +a ξ (n a n a j ξ (n j lineáris ombináció araterisztius függvényét. A fenti jelöléseel, felhasználva azt a tényt, hogy eloszláso onvergenciája evivalens azo araterisztius függvényeine onvergenciájával, a lemma állítását úgy fogalmazhatju át, hogy az alábbi a és b tulajdonságo evivalense. a lim n ϕ n(t a,...,a = ϕ 0 (t a,...,a minden t valós számra és a,...,a paraméterre. b lim n ϕ n(t,...,t = ϕ 0 (t,...,t minden t,...,t szám -asra. Viszont a b tulajdonság övetezi az a tulajdonságból t =, a r = t r, r, választással, az a tulajdonság pedig övetezi a b tulajdonságból t r = ta r, r, választással. A lemmát bebizonyítottu. A többváltozós centrális határeloszlástétel bizonyítása. Az előző lemma alapján elég azt bebizonyítani, hogy tetszőleges a,...,a szám -asra az S n (a,...,a = a r (S n (r ES n (r ifejezése eloszlásban onvergálna a ζ(a,...,a = a r ζ r n r= véletlen vetorhoz, ahol (ζ,...,ζ nulla várható értéű és D ovariancia mátrixú 5 r=

16 normális eloszlású véletlen vetor. Vezessü be az η j = η j (a,...,a = r= a r ξ (j r, j n, valószínűségi változóat. Eor η,...,η n független, egyforma eloszlású valószínűségi változó, és S n = n (η j Eη j. Ezért a bizonyítandó állítás övetezi az egyváltozós centrális határeloszlástételből független, egyforma eloszlású valószínűségi változó összegére és abból az észrevételből, hogy ζ(a,...,a nulla várható értéű normális eloszlású valószínűségi változó, és Var ζ(a,...,a = Var η j. Követező témán a többváltozós normális eloszláso néhány fontos tulajdonsága. Láttu, hogy egy több-dimenziós normális eloszlást meghatároz anna várható értée és ovariancia mátrixa. Enne egyi övetezményét anna fontossága miatt tétel formájában mondom i. Tétel normális eloszlású véletlen vetoro orrelálatlan oordinátáina függetlenségéről. Legyene egy (ξ,...,ξ normális eloszlású vetor oordinátái orrelátlano. Aor e oordinátá független, normális eloszlású valószínűségi változó. Bizonyítás. A (ξ Eξ,...,ξ Eξ normális eloszlású vetor várható értée nulla, ovariancia mátrixa pedig e véletlen vetor oordinátáina orrelátlansága miatt diagonális. Legyene a diagonálisban álló eleme σ 2 j, j. Teintsün η,...,η független, standard normális eloszlású valószínűségi változóat, és vezessü be segítségüel a (σ η,...,σ η véletlen vetort. Ez több-dimenziós normális eloszlású vetor, amelyne várható értée és ovariancia mátrixa megegyezi a (ξ Eξ,...,ξ Eξ normális eloszlású vetor várható értéével és ovariancia mátrixával. Ezért e ét véletlen vetor eloszlása megegyezi. Így a σ η,...,σ η valószínűségi változó függetlenségéből övetezi, hogy a ξ Eξ,...,ξ Eξ, illetve a ξ,...,ξ valószínűségi változó is függetlene és normális eloszlásúa. Tudju, hogy független valószínűségi változó orrelálatlano. A teljesség edvéért mutato egy példát orrelálatlan, de nem független valószínűségi változóra. Ez a példa mutatja, hogy a fenti eredményben nagyon fontos volt, hogy egy normális eloszlású véletlen vetor oordinátáit teintettü. Példa orrelálatlan, de nem független valószínűségi változóra. Legyen ξ egyenletes eloszlású valószínűségi változó a [ 2, 2] intervallumban, Eor a ξ és η = ξ 2 valószínűségi változó orrelálatlano, de nem függetlene. Valóban, Eξ = 0, Eη = Eξ 2 = 2, Eξη = Eξ 3 = 0, Cov (ξ,η = Eξη EξEη = 0. Másrészt ξ és η nem függetlene, sőt az η valószínűségi változó a ξ valószínűségi változó determinisztius függvénye. Egy lehetséges formális indolása anna, hogy ξ és η nem független a övetező: Legyen 0 < a < tetszőleges szám. Eor {ω: η < a 2 } = {ω: ξ < a}. Ezért P(ξ < a,η < a 2 = P(ξ < a, tehát P(ξ < a,η < a 2 P(ξ < ap(η < a 2. 6

17 Kiegészítés A. A övetező állítást, amely szintén azzal apcsolatos, hogy normális eloszlású véletlen vetor oordinátáina függetlensége övetezi azo orrelálatlanságából feladat formájában fogalmazom meg, és a gyaorlaton fogju tárgyalni. Enne az eredményne fontos övetezménye van néhány valószínűségszámítási és statisztiai vizsgálatban. Feladat: Legyen (ξ,η normális eloszlású vetor m = (m,m 2 = (Eξ,Eη várható értéel és ( ( σ,, σ,2 Eξ = 2 (Eξ 2, Eξη EξEη σ 2,, σ, Eξη EξEη, Eη 2 (Eη 2 ovarianciamátrix-szal. Eor létezi a ξ valószínűségi változóna ξ = aη + ζ alaú előállítása alalmas a onstanssal, és az η valószínűségi változótól független ζ normális eloszlású valószínűségi változóval. Ez azt jelenti, hogy ha (ξ, η ét-dimenziós normális eloszlású valószínűségi változó, aor az első oordináta ifejezhető, mint a másodi ooordináta onstansszorosána és egy a másodi oordinátától független normális eloszlású valószínűségi változó összege. A ívánt a onstanst explicit módon megadhatju az a = σ,2 σ 2,2 éplet segítségével. Hogy általánosítható a fenti állítás abban az esetben, ha ξ és η vetorváltozó is lehetne? Megoldás: A ζ = ξ σ,2 σ, η valószínűségi változó független az η valószínűségi változótól. Ehhez a több-dimenziós normális eloszlás tulajdonságai alapján elég azt ellenőrizni, hogy Cov (ζ,η = 0. Innen övetezi a feladat állítása. Az az eset, amior ξ = (ξ,...,ξ s, η = (η,...,η p, és (ξ,...,ξ s,η,...,η p egy s + p dimenziós normális eloszlású valószínűségi változó hasonlóan tárgyalható. Be lehet látni, hogy létezi olyan A mátrix, amelyre η és ξ ηa függetlene. Enne érdeében először azt érdemes megmutatni, hogy létezi olyan U unitér mátrix amelyre ηu = ( η,..., η p = η vetor oordinátái függetlene. Ez abból látható, hogy ha az η véletlen vetor D ovarianciamátrixát D = U ΛU alaban írju fel, ahol U unitér Λ pedig diagonális mátrix, aor az η = ηu véletlen normális eloszlású vetor ovarianciamátrixa Λ, ahonnan övetezi, hogy az η mátrix oordinátái függetlene. Legyen ξ r = ξ r p = Eξ r η E η 2 η, r =,...,s. Ezt mátrixje löléssel ξ = ξ ηb formában írhatju. Eor (ξ ηb, η olyan p + s dimenziós, normális eloszlású valószínűségi változó, amelyne első s és utolsó p oordinátája orrelálatlan, ezért független. Mivel a ξ ηb és η vetoro függetlene, ezért ζ = ξ ηb = ξ ηub független az η = ηu vetortól. Megjegyzés: A valószínűségszámítás illetve statisztia finomabb érdéseine vizsgálatában bevezetté a feltételes valószínűség és feltételes eloszlás fogalmát olyan eseteben is, amior a feltétel nulla valószínűséggel övetezi be. Bizonyos vizsgálatoban fontos iszámolni, hogy mi a feltételes eloszlása egy több-dimenziós normális vetor bizonyos oordinátáina azon feltétel mellett, hogy a többi oordináta értéét rögzítjü. E feladat 7

18 megoldásána ulcslépése a fent tárgyalt feladat megoldása. E érdésre visszatére aor, amior a feltételes valószínűségeet fogju tanulni. Láttu, hogy egy normális eloszlású véletlen vetor oordinátái is normális eloszlásúa. Ez az állítás nem megfordítható. Enne megértése érdeében példát mutato olyan ét-dimenziós (ξ, η véletlen vetorra, amelyne mind a ét oordinátája, azaz mind a ξ mind az η valószínűségi változó normális eloszlású, viszont a (ξ,η vetor (mint ét-dimenziós véletlen vetor nem normális eloszlású. Példa véletlen vetorra, amely nem normális eloszlású, noha oordinátái normális eloszlásúa. Definiálju a övetező (Ω, B, P valószínűségi mezőt: Ω = [0,], B a Borel σ-algebra [0,]-en, és P a Lebesgue mérté. Definiálju a övetező ξ és η valószínűségi változóat ezen a mezőn: ξ(x = Φ (x, { ξ( x ha 0 x < 2 η(x = ξ ( x 2 ha 2 x. Az ebben a példában definiált ξ és η valószínűségi változó normális eloszlásúa, de a (ξ,η véletlen vetor nem normális eloszlású. Indolás: A ξ és η valószínűségi változó azonos eloszlásúa. Továbbá, P(ξ > x = λ(φ(x,] = Φ(x. Az, hogy a (ξ,η véletlen vetor nem normális eloszlású övetezi például a P(ξ +η = 0 = 2 azonosságból. Ugyanis, ha (ξ,η normális eloszlású lenne, aor az lenne a ξ +η valószínűségi változó is. Enne viszont ellentmond a P(ξ + η = 0 = 2 reláció. Kiszámolom egy több-dimenziós normális eloszlású vetor sűrűségfüggvényét is, (feltéve, hogy az létezi. Tétel a több-dimenziós normális eloszlású vetor sűrűségfüggvényéne az alajáról. Legyen adva egy η = (η,...,η -dimenziós normális eloszlású valószínűségi változó, amelyne m = (m,...,m = (Eη,...,Eη a várható érté vetora és D = (d j,l, d j,l = Cov (η j,η l, j,l, a ovariancia mátrixa. Az η -dimenziós valószínűségi változóna aor és csa aor van sűrűségfüggvénye, ha a D ovariancia mátrix invertálható. Ha a D ovariancia mátrix invertálható, aor az η = (η,...,η véletlen vetor sűrűségfüggvénye a övetező alaú: f(x = f(x,...,x = ahol x = (x,...,x R -dimenziós vetor. (2π /2 det D /2 exp{ (x md (x m /2 }, Bizonyítás: Az η = (η,...,η véletlen vetor eloszlása megegyezi egy olyan η = ( η,..., η = (ξ,...,ξ A+(m,...,m véletlen vetorna az eloszlásával, amelyire ξ j, j, független standard normális eloszlású valószínűségi változó, és D = A A. Jegyezzü meg, hogy a lineáris algebra standard eredményei szerint az A és A mátrixo 8

19 egyszerre invertálhatóa vagy nem invertálhatóa, és a D = A A mátrix aor és csa aor invertálható, ha az A mátrix invertálható. Ezért, ha a D mátrix nem invertálható, aor az η vetorna nincs sűrűségfüggvénye, ha pedig a D mátrix invertálható, aor a övetező módon számolhatun: Alalmazva az x = ya + m transzformációt ξ = (ξ,...,ξ, x = (x,...,x, y = (y,...,y és ϕ(y = ϕ(y,...,y = (2π /2 e (y2 + +y2 /2 jelöléssel apju, hogy tetszőleges mérhető B R halmazra P(η B = P( η B = P ( ξ (B ma = ϕ(y dy (y,...,y (B ma = ϕ ( (x ma dx det A (x,...,x B alaú, ahol det A az x = ya + m leépezés Jacobian-ja. E formulából iolvasható, hogy a vizsgált normális eloszlású valószínűségi változó sűrűségfüggvénye a det A ϕ ( (x ma függvény. Anna érdeében, hogy bebizonyítsu a tételt vegyü észre, hogy mivel D = A A, ezért det D = det A det A = (deta 2, és det A = detd /2. Továbbá, ϕ ( (x ma { = exp ((x ma,(x ma } (2π /2 2 { = exp (x ( ma A } (x m (2π /2 2 = exp { (x m(a A (x m } (2π /2 2 = exp { (x md (x m }, (2π /2 2 mert A ( A = A (A = (A A. Innen övetezi a Tétel állítása. Megjegyzés: Egy több-dimenziós normális eloszlású valószínűségi változó araterisztius függvényét megadó épletben a ovariancia mátrix szerepel, míg a sűrűségfüggvényét megadó épletben a ovariancia mátrix inverze. Mivel a araterisztius függvény iszámolásában nem ell invertálni a ovariancia mátrixot, ezért a araterisztius függvény segítségével önnyebb vizsgálni a normális eloszlásfüggvénye tulajdonságait. Visszatére az előadás elején megfogalmazott a problémához. Megfogalmazom anna egy természetes általánosítását, amely fontos szerepet játszi a matematiai statisztiában. Az itt megfogalmazott feladat megoldására idolgozott módszert hívjá az irodalomban χ-négyzet próbána. Megmutatom, hogy a χ-négyzet próba alapjául szolgáló eredmény a több-dimenziós centrális határeloszlástétel és bizonyos lineáris algebrai eredménye övetezménye. A övetező feladattal fogo foglalozni. 9

20 Legyen adva urna, és ellenőrizzü azt a feltevést, amely szerint ha egy golyót véletlenül bedobun ezen urná valamelyiébe, aor az p j, p j > 0, valószínűséggel esi a j- i urnába, p j =. Ezen feltevés ellenőrzéséne az érdeében dobjun egymástól függetlenül n golyót ezebe az urnába, és jelölje ν n (j a j-i urnába eső golyó számát. Döntsü el a apott eredmény alapján, hogy feltevésün helyes volt-es. Be fogju látni, hogy feltevésün teljesülése esetén a (ν n (j np j 2 np j valószínűségi változóna létezi határeloszlásu n esetén, és ez a határeloszlás az úgynevezett szabadságfoú χ 2 (szóban hi négyzet eloszlás. Megfogalmazom ezt az eredményt pontosabban is. Először bevezetem a χ 2 eloszláso definicióját. A szabadságfoú χ 2 eloszlás definiciója. Legyen ξ,...,ξ darab független standard normális eloszlású valószínűségi változó. Eor a valószínűségi változó eloszlását nevezzü szabadságfoú χ 2 ( eloszlásna. ξj 2 Megjegyzés: Láttu a gyaorlaton, hogy a 2 szabadságfoú χ 2 (2 eloszlás a λ = 2 paraméterű exponenciális eloszlás, azaz az az eloszlás, amelyne sűrűségfüggvénye az f(x = 2 e x/2, ha x 0, és f(x = 0, ha x < 0. Ezután megfogalmazom a χ 2 próba alapjául szolgáló eredményt. Tétel urnadobás eredményéne aszimptotius viseledéséről. Legyen adva darab urna, amelyebe bedobun egymástól függetlenül golyóat úgy, hogy mindegyi golyó p j valószínűséggel esi a j-i urnába, j, p j =. Jelölje ν n (j a j-i urnába eső golyó számát n dobás után. Eor a T n = (ν n (j np j 2, n =,2,..., np j valószínűségi változó eloszlásban onvergálna a szabadságfoú χ 2 ( eloszláshoz, ha n. (Az urná száma rögzített. Megjegyzem, hogy a fenti tételben megjelenő határeloszlás csa az urná számától függ, de nem függ a p j, j, valószínűségetől. Ez jelzi azt, hogy természetes statisztiát vezettün be, olyat amelyben a ülönböző urnában levő golyó számána az eltérése anna várható értéétől egyforma fontos szerepet játszi. Az, hogy a határeloszlás a szabadságfogú χ 2 ( eloszlás, azzal függ össze, hogy bár véletlen szám súlyozott négyzetösszegét teintettü, (az egyes urnába eső golyó számána eltérését teintettü azo várható értéétől, de eze özött van egy determinisztius összefüggés. Nevezetesen az, hogy az összes urnába eső golyó száma minusz azo várható értée nullával egyenlő. Ezt informálisan úgy szotá interpretálni, hogy 20