Variabile casuale multivariata

Da Wikipedia, l'enciclopedia libera.
Jump to navigation Jump to search

In matematica, probabilità e statistica, una variabile casuale multivariata o vettore casuale è una lista di variabili matematiche ciascuna di valore ignoto, o perché il valore non è ancora stato determinato o perché c'è una conoscenza imperfetta di tale valore. Le singole variabili in un vettore casuale sono raggruppate insieme perché ci possono essere correlazioni tra loro — spesso esse rappresentano differenti proprietà di una singola unità statistica. Per esempio, poiché una data persona ha una specifica età, altezza e peso, la rappresentazione di qualsiasi persona all'interno di un gruppo può essere un vettore casuale. Normalmente ogni elemento di un vettore casuale è un numero reale.

I vettori casuali sono spesso usati come l'implementazione sottostante di variabili casuali aggregate, come una matrice casuale, un albero casuale, una successione casuale, un processo stocastico, ecc.

PIù formalmente, una variabile casuale multivariata è un vettore colonna (il cui trasposto è un vettore riga) le cui componenti sono variabili casuali a valori scalari sullo stesso spazio di probabilità , dove è lo spazio campionario, è la sigma-algebra (la collezione di tutti gli eventi) e è la misura di probabilità (una funzione che restituisce la probabilità di ogni evento).

Distribuzione di probabilità[modifica | modifica wikitesto]

Ogni vettore casuale dà luogo ad una misura di probabilità su con l'algebra di Borel come la sottostante sigma-algebra. Questa misura è anche conosciuta come la distribuzione congiunta di probabilità, la distribuzione congiunta, o la distribuzione multivariata del vettore casuale.

Le distribuzioni di tutte le variabili casuali componenti sono chiamate distribuzioni marginali. La distribuzione di probabilità condizionata di , data , è la distribuzione di probabilità di quando è noto che assume un particolare valore.

Operazioni sui vettori casuali[modifica | modifica wikitesto]

Ai vettori casuali si possono applicare gli stessi tipi di operazioni algebriche applicabili ai vettori non casuali: addizione, sottrazione, moltiplicazione per uno scalare e l'introduzione di prodotti interni.

Analogamente, un nuovo vettore casuale può essere definito applicando una trasformazione affine a un vettore casuale :

, dove è una matrice e è un vettore colonna .

Se è invertibile e la densità di probabilità di è , allora la densità di probabilità di è

.

Valore atteso, covarianza e cross-covarianza[modifica | modifica wikitesto]

Il valore atteso o la media di un vettore casuale è un vettore fissato i cui elementi sono i valori attesi delle rispettive variabili casuali.

La matrice delle covarianze (detta anche matrice di varianza e covarianza) di un vettore casuale è una matrice il cui elemento è la covarianza tra le variabili casuali -esima e -esima. La matrice delle covarianze è il valore atteso, elemento per elemento, della matrice calcolata come , dove la sovrascritta T si riferisce alla trasposizione del vettore indicato:

Per estensione, la matrice delle cross-covarianze tra due vettori casuali e ( avente elementi e aventi elementi) è la matrice

dove, nuovamente, il valore atteso indicata nella matrice è presa elemento per elemento. La matrice delle cross-covarianze è, semplicemente, la trasposta della matrice .

Ulteriori proprietà[modifica | modifica wikitesto]

Valore atteso di una forma quadratica[modifica | modifica wikitesto]

È possibile prendere il valore atteso di una forma quadratica nel vettore casuale come segue:[1]

dove è la matrice delle covarianze di e si riferisce alla traccia di una matrice, cioè alla somma degli elementi della sua diagonale principale (dall'alto a sinistra al basso a destra). Poiché la forma quadratica è uno scalare, tale è il suo valore atteso.

Dimostrazione: Sia un vettore casuale con e e sia una matrice non stocastica .

Applicando la formula della covarianza, se poniamo e , vediamo che:

Quindi

che ci permette di mostrare che

Questo è vero in base al fatto che è possibile permutare ciclicamente le matrici mentre si considera la traccia senza che cambi il risultato finale (ossia: ).

Allora, come si vede,

e, poiché

è un numero fissato, si ha

banalmente. Usando la permutazione, abbiamo:

e, ponendo ciò nella formula originale, abbiamo:

Valore atteso del prodotto di due differenti forme quadratiche[modifica | modifica wikitesto]

È possibile considerare l'aspettazione del prodotto di due differenti forme quadratiche in un vettore casuale gaussiano con media zero, come segue:[1]

dove, nuovamente, è la matrice delle covarianze di . Di nuovo, poiché entrambe le forme quadratiche sono scalari e quindi il loro prodotto è uno scalare, il valore atteso del loro prodotto è ancora uno scalare.

Applicazioni[modifica | modifica wikitesto]

Teoria dei portafogli[modifica | modifica wikitesto]

In teoria dei portafogli in finanza, spesso un obiettivo è quello di scegliere un portafoglio di attività rischiose tali che la distribuzione del rendimento casuale di portafoglio abbia proprietà desiderabili. Per esempio, si potrebbe voler scegliere il rendimento di portafoglio avente la varianza più bassa per un dato valore atteso. In tal caso, il vettore casuale è il vettore r dei rendimenti casuali sulle attività individuali e il rendimento di portafoglio p (uno scalare casuale) è il prodotto interno del vettore dei rendimenti casuali con un vettore w dei pesi di portafoglio — le frazioni di portafoglio poste nelle rispettive attività. Poiché p = wTr, il valore atteso del rendimento del portafoglio è wTE(r) e si può dimostrare che la varianza del rendimento del portafoglio è wTCw, dove C è la matrice delle covarianze di r.

Regressione lineare[modifica | modifica wikitesto]

In teoria delle regressioni lineari, abbiamo i dati su n osservazioni su una variabile dipendente y e n osservazioni su ciascuna di k variabili indipendenti xj. Le osservazioni sulla variabile dipendente vengono scritte in un vettore colonna y; le osservazioni su ciascuna variabile indipendente sono pure scritte in vettori colonna e tali vettori colonna sono combinati in una matrice X di osservazioni sulle variabili indipendenti. La seguente equazione di regressione viene quindi postulata come la descrizione del processo che ha generato i dati:

dove è un vettore fissato postulato ma non noto di k coefficienti di risposta ed e è un vettore casuale non noto che riflette le influenze casuali sulla variabile dipendente. Con alcune tecniche, come i minimi quadrati ordinari, un vettore è scelto come una stima di β e la stima del vettore e, denotata , è calcolata come

A questo punto l'esperto di statistica deve analizzare le proprietà di e , che sono visti come vettori casuali poiché una selezione casualmente differente di n casi da osservare avrebbe comportato valori diversi per essi.

Note[modifica | modifica wikitesto]

  1. ^ a b Kendrick, David, Stochastic Control for Economic Models, McGraw-Hill, 1981.

Voci correlate[modifica | modifica wikitesto]