Oczekiwanie na produkty wyższego rzędu o normalnych rozkładach

9

Mam dwie normalnie rozmieszczone zmienne i ze średnią zerową i macierzą kowariancji . Jestem zainteresowany próbą obliczenia wartości w kategoriach wpisów .X1X2ΣE[X12X22]Σ

Użyłem prawa całkowitego prawdopodobieństwa, aby uzyskać ale nie jestem pewien, do czego sprowadza się wewnętrzne oczekiwanie. Czy jest tu inna metoda?E[X12X22]=E[X12E[X22|X1]]

Dzięki.

Edycja: Zmienne są również normalnie rozmieszczone na wielu odmianach.

AGK
źródło
5
Czy i korzystają z dwuwymiarowego rozkładu normalnego? (Samo stwierdzenie, że i są normalne z macierzą kowariancji nie wystarcza do wyciągnięcia wniosku, że rozkład połączeń jest normalny dla dwóch zmiennych). X1X2X1X2Σ
Dilip Sarwate,
1
Dla konkretnego zastosowania, o którym myślę, i mają dwuwymiarowy rozkład normalny, według wielowymiarowego centralnego twierdzenia o granicy. Zapomniałem wspomnieć o tym w moim oryginalnym poście. X1X2
AGK
1
@AGK, jeśli chcesz wyjaśnić swój post, dostępny jest przycisk „edytuj”, który umożliwia wprowadzanie zmian. To lepiej dla przyszłych czytelników, którzy nie będą musieli szukać kluczowych informacji w komentarzach pod pytaniem.
Silverfish,

Odpowiedzi:

8

Oczekiwanie jest oczywiście proporcjonalne do iloczynu kwadratowych czynników skali . Stałą proporcjonalności uzyskuje się poprzez standaryzację zmiennych, co redukuje do macierzy korelacji za pomocą korelacji .σ11σ22Σρ=σ12/σ11σ22

Zakładając dwuwymiarową normalność, to zgodnie z analizą na https://stats.stackexchange.com/a/71303 możemy zmienić zmienne na

X1=X, X2=ρX+(1ρ2)Y

gdzie ma standardowy (nieskorelowany) dwuwymiarowy Rozkład normalny i potrzebujemy tylko obliczeń(X,Y)

E(X2(ρX+(1ρ2)Y)2)=E(ρ2X4+(1ρ2)X2Y2+cX3Y)

gdzie dokładna wartość stałej nie ma znaczenia. ( jest wartością resztkową po regresji stosunku do .) Korzystanie z jednoznacznych oczekiwań dla standardowego rozkładu normalnegocYX2X1

E(X4)=3, E(X2)=E(Y2)=1, EY=0

i zauważając, że i są niezależnymi wydajnościamiXY

E(ρ2X4+(1ρ2)X2Y2+cX3Y)=3ρ2+(1ρ2)+0=1+2ρ2.

Pomnożenie tego przez dajeσ11σ22

E(X12X22)=σ11σ22+2σ122.

Ta sama metoda ma zastosowanie do znalezienia oczekiwanego dowolnego wielomianu w , ponieważ staje się on wielomianem w i że po spienieniu, jest wielomianem w niezależnym rozkładzie normalnym zmiennych i . Od(X1,X2)(X,ρX+(1ρ2)Y)XY

E(X2k)=E(Y2k)=(2k)!k!2k=π1/22kΓ(k+12)

dla całki (przy wszystkich nieparzystych momentach równych zeru przez symetrię) możemy wyprowadzićk0

E(X12pX22q)=(2q)!2pqi=0qρ2i(1ρ2)qi(2p+2i)!(2i)!(p+i)!(qi)!

(przy wszystkich innych oczekiwaniach dotyczących monomialów równych zero). Jest to proporcjonalne do funkcji hipergeometrycznej (prawie z definicji: manipulacje nie są głębokie ani pouczające),

1π2p+q(1ρ2)qΓ(p+12)Γ(q+12)2F1(p+12,q;12;ρ2ρ21).

Czas funkcji hipergeometrycznej jest postrzegany jako multiplikatywna poprawka dla niezerowych .(1ρ2)qρ

Whuber
źródło
1
Dzięki za szczegółową odpowiedź! Myślę również o powiązanych pytaniach z innymi wielomianami, więc jest to naprawdę pomocne ramy. To bardzo sprytna transformacja, której wcześniej nie widziałem. Fajne!
AGK
3
Aby wspomóc twoje dochodzenie, podałem szczegóły dotyczące ogólnych wielomianów. Kiedy pisałem tę odpowiedź, byłem rozbawiony, gdy zdałem sobie sprawę, że nauczyłem się tej transformacji z podręcznika statystyk podstawowych Friedmana, Pisaniego i Purvesa: uczymy tego studentów pierwszego roku!
whuber