Documente Academic
Documente Profesional
Documente Cultură
Lema
Fie (, /, 1) , 1 1, 1 corp borelian si e / : 1 o variabila aleatoare
nenegativa sau integrabila, 1masurabila. Atunci
_
/ d1
jF
=
_
/ d1
Demonstratie:
Notam aplicatia identitate cu i : (, /) (, T) . Rezulta ca i este ma-
surabila si 1 i
1
= 1
jF
_
/ d1
jF
=
_
/ d1 i
1
=
_
/ i d1 =
_
/ d1
1
.
qd1
jF
=
_
1
.
qd1 =
_
.
qd1
Deci _
.
Ad1 =
_
.
qd1 \ T
Vom nota aceasta unica aplicatie cu q = ' (A [ T) si o vom numi "media
lui A conditionata de 1".
b) :
Fie A variabila aleatoare integrabila. Atunci
A = A
+
A
,
cu A
+
si A
pozitive, integrabile, A
+
= max A, 0 , A
= max A, 0 .
Din a), () (!) ' (A
+
[ T) , ' (A
[ T
_
,
care satisface prorpietatile din enuntul teoremei.
2
CAZURI PARTICULARE
1, A = 1
.
. Atunci notam
' (1
.
[ T) = 1 ( [ T)
1 variabila aleatoare, 1 = 1(1 ) = 1
1
(E) . Atunci notam
' (A [ E(1 )) = ' (A [ 1 )
1, A = 1
.
si 1 = 1(1 ) . Atunci notam
' (1
.
[ E(1 )) = 1 ( [ 1 )
VERSIUNE A MEDIEI CONDITIONATE
Fie A si 1 variabile aleatoare, cu A nenegativa sau integrabila.
Se numeste versiune a mediei conditionate ' (A [ 1 ) functia masurabila
' (A [ 1 = j) : 1 1
cu proprietatea
' (A [ 1 = j) 1 = ' (A [ 1 ) 1 a.:.
Propozitie
Fie A si 1 variabile aleatoare, cu A nenegativa sau integrabila. Functia
masurabila , : 1 1 este versiune a mediei conditionate ' (A [ 1 ) daca si
numai daca _
1
,(j) d1 1
1
(j) =
_
Y
1
(1)
Ad1, \1 E
Demonstratie:
, 1 = ' (A [ 1 ) 1 a.:. =
_
.
, 1 d1 =
_
.
' (A [ 1 ) d1, \ E(1 )
Dar 1(1 ) = 1
1
(E) . Deci, pentru orice 1 E
_
1
,(j) d1 1
1
(j) =
_
Y
1
(1)
, 1 d1 =
_
Y
1
(1)
' (A [ 1 ) d1 =
_
Y
1
(1)
Ad1
3
MODALITATI DE CALCUL PENTRU ' (A [ 1 = j)
(a) Cazul repartitiilor discrete
Presupunem
1 1
1
=
|21
1 (1 = a
|
) c
fo
k
g
1 (1 = a
|
) 0 \/,
|21
1 (1 = a
|
) = 1
cu 1 cel mult numarabila. Aratam ca
' (A [ 1 = a
|
) =
1
1 (1 = a
|
)
_
fY =o
k
g
Ad1.
Notam cu , o functie Emasurabila, asa incat
,(a
|
) =
1
1 (1 = a
|
)
_
fY =o
k
g
Ad1, / 1
Notam suportul lui 1 1
1
cu = a
|
, / 1 . Fie 1 E. Avem
_
1
,(j) d1 1
1
(j) =
_
1\.
,(j) d1 1
1
(j) =
o
k
21\.
,(a
|
) 1 (1 = a
|
) =
=
o
k
21\.
_
fY =o
k
g
Ad1 =
_
Y
1
(1)
Ad1
Aplicand propozitia anterioara, obtinem c.t.d.
Daca presupunem chiar mai mult, si anume ca (A, 1 ) este un vector aleator
cu repartitie discreta
1 (A, 1 )
1
=
r2.
0
2.
j (r, j) c
f(r,)g
0
= a
0
|
, / 1
= a
|
, / 1
atunci
' (A [ 1 = a
|
) =
|21
a
0
|
1 (A = a
0
|
, 1 = a
|
)
1 (1 = a
|
)
=
|21
a
0
|
1 (A = a
0
|
[ 1 = a
|
)
4
(b) Cazul repartitiilor continue
Presupunem ca (A, 1 ) are densitatea de repartitie ) (r, j) . Notam
)
Y
(j) =
_
1
) (r, j) dr
Aratam ca
' (A [ 1 = j) =
_
1
r
) (r, j)
)
Y
(j)
dr
Observam ca denitia este corecta pentru j cu )
Y
(j) 0. In punctele in
care )
(1
1
1 ) Ad1 =
_
Y
1
(1)
Ad1
Aplicand propozitia anterioara, obtinem c.t.d
_
0
1
2
=
_
o
2
r
o
r
o
r
o
2
_
=
_
o
2
r
jo
r
o
jo
r
o
o
2
_
,
matrice simetrica, pozitiv denita.
Vectorul aleator (A, 1 )
0
are o repartitie normala bidimensionala (2; , )
daca are densitatea de repartitie
) (r.j) =
1
2
_
o
2
r
o
2
(1 j
2
)
exp
_
1
2 (1 j
2
)
_
_
r j
r
o
r
_
2
2j
r j
r
o
r
j j
+
_
j j
_
2
__
Proprietate
Repartitiile marginale ale lui (2; , ) sunt normale,
1 A
1
=
_
j
r
, o
2
r
_
, 1 1
1
=
_
j
, o
2
_
Demonstratie:
Adunand si scazand j
2
_
y
cy
_
2
la exponent obtinem
) (r.j) =
1
_
2o
2
_
2o
2
r
(1 j
2
)
exp
_
1
2o
2
r
(1 j
2
)
_
r
_
j
r
+j
o
r
o
_
j j
_
__
2
1
2o
2
_
j j
_
2
_
6
Repartitia marginala a lui 1 este
)
Y
(j) =
_
1
) (r, j) dr =
1
_
2o
2
exp
_
1
2o
2
_
j j
_
2
_
Analog se obtine si repartitia marginala a lui A.
Proprietate
Repartitia lui A conditionata de 1 este normala,
_
j
r
+j
o
r
o
_
j j
_
; o
2
r
_
1 j
2
_
_
Proprietatea rezulta imediat, calculand
) (r [ j) =
) (r, j)
)
Y
(j)
Corolar
' (A [ 1 = j) = j
r
+j
o
r
o
_
j j
_
1
2
(A [ 1 = j) = o
2
r
_
1 j
2
_
Rezulta ca, pentru modelul normal bidimensional, regresia lui A in
1 este liniara, iar ecuatia dreptei de regresie este
r =
_
j
r
j
o
r
o
_
+j
o
r
o
j
REGRESIA LINIARA PENTRU
MODELUL NORMAL dDIMENSIONAL
a) Modelul probabilist (d; 0, 1)
Denitie: (d; 0, 1) = (0, 1) ..... (0, 1) (de d ori)
Comentariu: Fie A
1
, ..., A
J
v.a.ind. id. rep. (0, 1) .Atunci X = (A
1
, ..., A
J
)
0
~
(d; 0, 1)
Densitatea de repartitie: X = (A
1
, ..., A
J
)
0
~ (d; 0, 1) ==
) (x) =
1
(2)
J/2
exp
_
1
2
x
0
x
_
, x =(r
1
, ..., r
J
)
0
1
J
7
Caracteristici numerice:
' (X) = 0
Co (X, X) = 1
Functia caracteristica:
,
(J;0,1)
(t) = exp
_
1
2
t
0
t
_
, t R
J
b) Modelul probabilist (d; , )
Constructie :
Fie X = (A
1
, ..., A
J
)
0
~ (d; 0, 1)
Fie 1
J
, matrice de ordin d si transformarea liniara
T (x) = +Ax
Atunci T (X) ~ (d; ,
0
)
Caracteristici numerice:
' (X) =
Co (X, X) =
0
Functia caracteristica:
,
(J;,..
0
)
(t) = exp
_
it
0
1
2
t
0
0
t
_
, t R
J
Denitie: Fie 1
J
, matrice de ordin d, simetrica si pozitiv denita.
Atunci X = (A
1
, ..., A
J
)
0
~ (d; , ) ==
) (x; , ) =
1
(2)
J/2
(det )
1/2
exp
_
1
2
(x )
0
1
(x )
_
, x =(r
1
, ..., r
J
)
0
1
J
Proprietati:
(1) (d;
1
,
1
) + (d;
2
,
2
) = (d;
1
+
2
,
1
+
2
)
(2) Fie T : 1
J
1
J
, T (x) = a +1x, 1 nesingulara. Atunci
(d; , ) T
1
= (d; a +1, 11
0
)
8
Repartitii marginale, repartitii conditionate (dam demonstratia doar
pentru hiperplanul de regresie)
Fie X = (A
1
, ..., A
J
)
0
~ (d; , ) . Consideram partitia
X =
_
_
X
(1)
_
0
,
_
X
(2)
_
0
_
0
, cn X
(1)
= (A
1
, ..., A
:
)
0
, X
(2)
= (A
:+1
, ..., A
J
)
0
=
_
_
(1)
_
0
,
_
(2)
_
0
_
0
, cn
(1)
= (j
1
, ..., j
:
)
0
,
(2)
=
_
j
:+1
, ..., j
J
_
0
=
_
11
12
21
22
_
Repartitiile marginale sunt normale (multidimensionale),
X
(1)
~
_
r;
(1)
,
11
_
X
(2)
~
_
d r;
(2)
,
22
_
Repartitiile conditionate sunt normale (multidimensionale),
X
(1)
[ X
(2)
= x
(2)
~
_
r; '
_
X
(1)
[ X
(2)
= x
(2)
_
, Co
_
X
(1)
, X
(1)
[ X
(2)
= x
(2)
__
'
_
X
(1)
[ X
(2)
= x
(2)
_
=
(1)
+
12
1
22
_
x
(2)
(2)
_
Co
_
X
(1)
, X
(1)
[ X
(2)
= x
(2)
_
=
11
12
1
22
21
no|o|
=
112
X
(2)
[ X
(1)
= x
(1)
~
_
d r; '
_
X
(2)
[ X
(1)
= x
(1)
_
, Co
_
X
(2)
, X
(2)
[ X
(1)
= x
(1)
__
'
_
X
(2)
[ X
(1)
= x
(1)
_
=
(2)
+
21
1
11
_
x
(1)
(1)
_
Co
_
X
(2)
, X
(2)
[ X
(1)
= x
(1)
_
=
22
21
1
11
12
no|o|
=
221
In particular, pentru r = 1 si X
(1)
= A
1
, X
(2)
= (A
2
, ..., A
J
)
0
, avem
A
1
~
_
j
1
, o
2
1
_
'
_
A
1
[ X
(2)
= x
(2)
_
= j
1
+
12
1
22
_
x
(2)
(2)
_
1
2
_
A
1
[ X
(2)
= x
(2)
_
= o
2
1
12
1
22
21
no|o|
= o
112
Notatii consacrate:
12
1
22
=
_
_
,
I:+1,...,J
_
_
I,=1,...,:
matricea coecientilor de regresie a lui X
(1)
in x
(2)
112
= |o
I:+1,...,J
|
I,=1,...,:
matricea covariantelor partiale (pentru X
(2)
= x
(2)
xat)
9
Denitie: Functia
x
(2)
'
_
A
1
[ X
(2)
= x
(2)
_
se numeste regresia lui A
1
in A
(2)
, iar
r
1
= j
1
+
12
1
22
_
x
(2)
(2)
_
se numeste hiperplan de regresie.
Propozitie
Fie X =
_
A
1
,
_
X
(2)
_
0
_
0
~ (d; , ) ,cu = =
_
j
1
,
_
(2)
_
0
_
0
,
=
_
o
2
1
12
21
22
_
o
2
1
= 1
2
(A
1
)
12
= (co (A
1
, A
2
) , ..., co (A
1
, A
J
)) =
0
21
22
= Co
_
X
(2)
, X
(2)
_
(simetrica, pozitiv denita)
Atunci regresia lui A
1
in X
(2)
este liniara,
'
_
A
1
[ X
(2)
= x
(2)
_
=
_
j
1
12
1
22
(2)
_
+
12
1
22
x
(2)
Demonstratie:
Notam densitatea cu )
_
r
1
, x
(2)
_
.
Consideram transformarea 1
J
1
J
, cu determinantul Jacobianului egal cu
1,
. = r
1
12
1
22
x
(2)
u = x
(2)
) (., u) = )
_
. +
12
1
22
u, u
_
=
1
(2)
J/2
(det )
1/2
exp
_
1
2
_
. +
12
1
22
uj
1
, u
_
(2)
_
0
_
1
_
. +
12
1
22
uj
1
u
_
(2)
_
0
__
Dar det =
_
o
2
1
12
1
22
21
_
det
22
. Notam
o
2
= o
2
1
12
1
22
21
0
Din calculul inversei unei matrici partitionate avem:
1
=
_
1
c
2
1
c
2
12
1
22
1
c
2
1
22
21
1
22
+
1
22
21
1
c
2
12
1
22
_
10
Dupa inclocuire, rezulta:
) (., u) = )
(
1
12
1
22
(2)
,c
2
)
(.) )
(J1;
(2)
,22)
(u)
Consideram acum inversa transformarii lineare introduse (tot lineara, cu
determinantul Jacobianului egal cu 1)
)
_
r
1
, x
(2)
_
=
)
_
.
_
r
1
, x
(2)
_
, u
_
r
1
, x
(2)
__
=
1
_
2o
2
exp
_
1
2o
2
_
r
1
12
1
22
x
(2)
j
1
+
12
1
22
(2)
_
2
_
)
(J1;
(2)
,22)
_
x
(2)
_
Identicam acum repartitia marginala
X
(2)
~
_
d 1;
(2)
,
22
_
si repartitia conditionata
A
1
[ X
(2)
= x
(2)
~
_
'
_
A
1
[ X
(2)
= x
(2)
_
, 1
2
_
A
1
[ X
(2)
= x
(2)
__
'
_
A
1
[ X
(2)
= x
(2)
_
=
_
j
1
12
1
22
(2)
_
+
12
1
22
x
(2)
1
2
_
A
1
[ X
(2)
= x
(2)
_
= o
2
= o
2
1
12
1
22
21
11