Адрес давайте сначала случай Σ=σI . В конце (легкое) обобщение на произвольное Σ .
Начнем с наблюдения, что внутренним произведением является сумма iid-переменных, каждая из которых является произведением двух независимых нормальных переменных, что сводит вопрос к нахождению mgf последних, поскольку mgf суммы является произведением мгфс.(0,σ)
MGF может быть найден путем интеграции, но есть более простой способ. Когда и Y стандартно нормальны,XY
XY=((X+Y)/2)2−((X−Y)/2)2
является разницей двух независимых масштабированных хи-квадратных переменных. (Масштабный коэффициент , так как дисперсии ( X ± Y ) / 2 равно 1 / 2 ) . Поскольку MGF из хи-квадрата случайной величины составляет 1 / √1/2(X±Y)/21/2 , мгс((X+Y)/2)2равно1/ √1/1−2ω−−−−−√( ( X+ Y) / 2 )2 и мгф - -((X-Y)/2)2равно1/ √+1 / +1 - ω-----√- ( ( X- Y) / 2 )2 . Умножая, мы находим, что искомый mgf равен1/ √1 / 1 + ω-----√ .+1 / +1 - ω2-----√
(Для более поздней ссылки обратите внимание, что когда и Y масштабируются с помощью σ , их произведение масштабируется на σ 2 , откуда ω также должен масштабироваться на σ 2. )ИксYσσ2ωσ2
Это должно выглядеть знакомо: с точностью до некоторых постоянных факторов и знака это похоже на плотность вероятности для распределения Стьюдента с степенями свободы. (Действительно, если бы мы работали с характеристическими функциями вместо mgfs, мы получили бы 1 / √0 , что еще ближе к PDF студента.) Не берите в голову, что не существует такого понятия, как студент t с0dfs - все, что имеет значение, это то, что mgf будет аналитическим в окрестности0,и это ясно есть (по теореме бинома).1 / 1 + ω2-----√00
Из этого сразу следует, что распределение внутреннего произведения этих i-гауссовых векторов имеет mgf, равное n- кратному произведению этого mgf,NN
( 1 - ω2σ4)- н / 2,n = 1 , 2 , … .
При поиске характеристической функции распределения Стьюдента, мы выводим (с крошечным битом алгебры или интеграцией , чтобы найти постоянную нормализующую) , что сам по себе PDF даются
еn,σ(x)=21−n2|x|n−12Kn−12(|x|σ2)π−−√σ4Γ(n2)
( - функция Бесселя).K
Например, здесь представлен график этой PDF , наложенной на гистограмме случайной выборки из таких внутренних произведений , где σ = 1 / 2 и п = 3 :105σ=1/2n=3
Труднее подтвердить точность mgf из моделирования, но обратите внимание (из теоремы о биноме), что
(1+t2σ4)−3/2=1−3σ4t22+15σ8t48−35σ12t616+315σ16t8128+…,
из которого мы можем прочитать моменты (разделенные на факториалы). Из-за симметрии около только четные моменты. Для σ = +1 / +2 мы получим следующие значения, в сравнении с сырьевыми моментами этого моделирования: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
Как и следовало ожидать, высокие моменты моделирования начнут отходить от моментов, заданных mgf; но, по крайней мере, до десятого момента, есть отличное согласие.
Между прочим, когда распределение является биэкспоненциальным.n=2
Чтобы разобраться с общим случаем, начните с того, что заметите, что внутреннее произведение является независимым от координат объектом. Поэтому мы можем взять главные направления (собственные векторы) качестве координат. В этих координатах внутренним произведением является сумма независимых произведений независимых нормальных переменных, причем каждый компонент распределен с дисперсией, равной его собственному собственному значению. Таким образом, если ненулевые собственные значения равны σ 2 1 , σ 2 2 , … , σ 2 d (при 0 ≤ d ≤ n ), то mgf должен быть равенΣσ21,σ22,…,σ2d0≤d≤n
(∏i=1d(1−ω2σ4i))−1/2.
Чтобы подтвердить, что я не ошибся в этом рассуждении, я разработал пример, где - матрицаΣ
⎛⎝⎜⎜112−18121−14−18−1412⎞⎠⎟⎟
и вычислил, что его собственные значения
(σ21,σ22,σ23)=(116(17+65−−√),116(17−65−−√),38)≈(1.56639,0.558609,0.375).
106Xi(0,Σ)106Yi106Xi⋅Yi−1215
Как и прежде, соглашение отличное. Кроме того, моменты совпадают хорошо через восьмой и достаточно хорошо, даже на десятом:
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
добавление
(Добавлено 9 августа 2013 г.)
fn,σ00σ2n/2