Endereço Primeiro vamos caso Σ = σEu . No final, está a (fácil) generalização para arbitrário Σ .
Comece observando que o produto interno é a soma das variáveis iid, cada uma delas o produto de duas variáveis normais normais ( 0 , σ) , reduzindo assim a questão de encontrar o mgf deste último, porque o mgf de uma soma é o produto dos mgfs.
O mgf pode ser encontrado por integração, mas há uma maneira mais fácil. Quando X e Y são padrão normal,
XY= ( ( X+ Y) / 2 )2- ( ( X- Y) / 2 )2
é uma diferença de duas variáveis qui-quadrado em escala independentes. (O factor de escala é , porque as variações de ( X ± Y ) / 2 igual a 1 / 2 ). Devido a mgf de uma variável de qui-quadrado é 1 / √1 / 2( X± Y) / 21 / 2 , o mgf de((X+Y)/2)2é1/ √1 / 1 - 2 ω-----√( ( X+ Y) / 2 )2 e o mgf de -((X-Y)/2)2é1/ √1 / 1 - ω-----√- ( ( X- Y) / 2 )2 . Multiplicando, descobrimos que o mgf desejado é igual a1/ √1 / 1 + ω-----√ .1 / 1 - ω2-----√
(Para referência posterior, observe que quando e Y são redimensionados por σ , o produto é escalonado em σ 2 , de onde ω também deve ser escalonado em σ 2. )XYσσ2ωσ2
Isso deve parecer familiar: até alguns fatores constantes e um sinal, parece a densidade de probabilidade de uma distribuição t de Student com graus de liberdade. (De fato, se estivéssemos trabalhando com funções características em vez de mgfs, obteríamos 1 / √0 , que é ainda mais próximo do PDF de um aluno t.) Não importa que não exista um aluno t com0dfs - tudo o que importa é que o mgf seja analítico em uma vizinhança de0e isso claramente é (pelo Teorema Binomial).1/1+ω2−−−−−√00
Conclui-se imediatamente que a distribuição do produto interno desses vetores gaussianos iid possui mgf igual ao produto n- vezes desse mgf,nn
(1−ω2σ4)−n/2,n=1,2,….
Ao olhar para cima a função característica da distribuição t de Student, deduzimos (com um pouquinho de álgebra ou uma integração de encontrar a constante de normalização) que o próprio PDF é dada por
fn,σ(x)=21−n2|x|n−12Kn−12(|x|σ2)π−−√σ4Γ(n2)
( é uma função de Bessel).K
Por exemplo, aqui é uma trama de PDF que sobreposto ao histograma de uma amostra aleatória de tais produtos internos onde σ = 1 / 2 e n = 3 :105σ=1/2n=3
É mais difícil confirmar a precisão do mgf de uma simulação, mas observe (do Teorema Binomial) que
(1+t2σ4)−3/2=1−3σ4t22+15σ8t48−35σ12t616+315σ16t8128+…,
a partir do qual podemos ler os momentos (divididos por fatoriais). Devido à simetria de , apenas os momentos pares são importantes. Para σ = 1 / 2 obtém-se os seguintes valores, ao ser comparado com os momentos matérias desta simulação:0σ=1/2
k mgf simulation/k!
2 0.09375 0.09424920
4 0.00732422 0.00740436
6 0.00053406 0.00054128
8 0.00003755 0.00003674
10 2.58 e-6 2.17 e-6
Como era de se esperar, os momentos altos da simulação começarão a partir dos momentos dados pelo mgf; mas pelo menos até o décimo momento, há um excelente acordo.
Aliás, quando a distribuição é bi-exponencial.n=2
Para lidar com o caso geral, comece observando que o produto interno é um objeto independente de coordenadas. Podemos, portanto, tomar as principais direções (vetores próprios) de como coordenadas. Nestas coordenadas do produto interno é a soma dos independentes produtos de independente normal variates, cada componente de distribuição com uma variância igual ao seu valor próprio associado. Assim, deixando que os autovalores diferentes de zero sejam σ 2 1 , σ 2 2 , … , σ 2 d (com 0 ≤ d ≤ n ), o mgf deve ser igual aΣσ21,σ22,…,σ2d0≤d≤n
(∏i=1d(1−ω2σ4i))−1/2.
Σ
⎛⎝⎜⎜112−18121−14−18−1412⎞⎠⎟⎟
e calculou que seus valores próprios são
(σ21,σ22,σ23)=(116(17+65−−√),116(17−65−−√),38)≈(1.56639,0.558609,0.375).
106Xi(0,Σ)106Yi106Xi⋅Yi−1215
Como antes, o acordo é excelente. Além disso, os momentos correspondem bem ao oitavo e razoavelmente bem, mesmo no décimo:
k mgf simulation/k!
2 1.45313 1.45208
4 2.59009 2.59605
6 5.20824 5.29333
8 11.0994 11.3115
10 24.4166 22.9982
Termo aditivo
(Adicionado em 9 de agosto de 2013.)
fn,σ00σ2n/2