Examkin

Soru

Zorluk: OrtaÇok Değişkenli Normal Dağılımda Bağımsızlık

Çok değişkenli normal dağılım (MVNMVN) sergileyen bir X\mathbf{X} rasgele vektörü, X1\mathbf{X}_1 ve X2\mathbf{X}_2 şeklinde iki alt vektöre ayrılmıştır. Bu iki alt vektörün istatistiksel olarak bağımsızlığı ile ilgili aşağıdaki ifadelerden hangisi doğrudur?

  1. Alt vektörler arasındaki kovaryans matrisinin sıfır matris (Σ12=0\boldsymbol{\Sigma}_{12} = \mathbf{0}) olması, bağımsızlık için hem gerekli hem de yeterli koşuldur.Cevap
  2. B
    Bileşenlerin her birinin ayrı ayrı (marjinal) normal dağılması, aralarında kovaryans olmasa bile bağımsızlığı garanti etmek için yeterlidir.
  3. C
    Bağımsızlık durumunda, X1\mathbf{X}_1 alt vektörünün X2\mathbf{X}_2 verildiğindeki koşullu ortalama vektörü, X2\mathbf{X}_2 değerinin bir fonksiyonu olarak değişir.
  4. D
    X1\mathbf{X}_1 ve X2\mathbf{X}_2 bağımsız ise ortak varyans-kovaryans matrisinin izi (trace), alt vektörlerin kovaryans matrislerinin izlerinin çarpımına eşittir.
  5. E
    İki alt vektörün bağımsız kabul edilebilmesi için boyutlarının (qq ve p−qp-q) mutlaka birbirine eşit olması zorunludur.

Cevap

Çok değişkenli normal dağılım altında, iki alt vektörün bağımsızlığı için aralarındaki kovaryans matrisinin sıfır matris olması hem gerekli hem de yeterli koşuldur.
Çok değişkenli normal dağılıma sahip bir rasgele vektörün alt vektörleri arasındaki istatistiksel bağımsızlık, bu alt vektörler arasındaki kovaryans matrisinin (Σ12\boldsymbol{\Sigma}_{12}) sıfır matrisi olmasına tam olarak eşdeğerdir. Bu, MVN'nin yoğunluk fonksiyonunun matematiksel yapısından kaynaklanan ve sadece bu dağılım ailesine özgü olan güçlü bir özelliktir.

Adım Adım Çözüm

1
Çok değişkenli normal dağılımın (MVNMVN) ayırt edici özelliğini tanımlayın.
X∼Np(μ,Σ)X \sim N_p(\boldsymbol{\mu}, \boldsymbol{\Sigma}) dağılımında, bileşenler arasındaki bağımsızlık ile korelasyon yapısı doğrudan ilişkilidir.
Genel dağılımlarda sıfır korelasyon bağımsızlığı gerektirmezken, MVN ailesinde bu iki kavram özdeştir.
2
Vektör parçalanışını ve kovaryans matrisi yapısını inceleyin.
Σ=[Σ11Σ12Σ21Σ22]\boldsymbol{\Sigma} = \begin{bmatrix} \boldsymbol{\Sigma}_{11} & \boldsymbol{\Sigma}_{12} \\ \boldsymbol{\Sigma}_{21} & \boldsymbol{\Sigma}_{22} \end{bmatrix} yapısında, Σ12=0\boldsymbol{\Sigma}_{12} = \mathbf{0} olması durumunda matris blok köşegen hale gelir.
Blok köşegen kovaryans matrisi, alt vektörler arasında doğrusal bir ilişki olmadığını gösterir.
3
Bağımsızlık teoremini uygulayın.
Ortak dağılım normal olduğunda, X1\mathbf{X}_1 ve X2\mathbf{X}_2 ancak ve ancak Cov(X1,X2)=Σ12=0\text{Cov}(\mathbf{X}_1, \mathbf{X}_2) = \boldsymbol{\Sigma}_{12} = \mathbf{0} ise bağımsızdır.
Bu özellik, çok değişkenli normal yoğunluk fonksiyonunun çarpım şeklinde çarpanlarına ayrılabilmesinin (factorization) sonucudur.

Anahtar Kavram

Çok değişkenli normal dağılımda (MVN) sıfır kovaryans, istatistiksel bağımsızlık için gerekli ve yeterli bir koşuldur; ancak bu durumun geçerli olması için 'ortak' dağılımın normal olması şarttır.
Tahmini Süre:1m 30s
Bu soruyu puanla

Konular

Çok Değişkenli Normal Dağılımda Bağımsızlık

Bu konudan daha fazla soru