Hintergrund
Eine Kovarianzmatrix für einen Vektor von Zufallsvariablen X = ( X 1 , X 2 , … , X n ) ' verkörpert eine Prozedur zum Berechnen der Varianz einer beliebigen linearen Kombination dieser Zufallsvariablen. Die Regel ist, dass für jeden Vektor von Koeffizienten λ = ( λ 1 , … , λ n ) ,AX=(X1,X2,…,Xn)′λ=(λ1,…,λn)
Var(λX)=λAλ′.(1)
Mit anderen Worten beschreiben die Regeln der Matrixmultiplikation die Regeln der Varianzen.
Zwei Eigenschaften von sind unmittelbar und offensichtlich:A
Da Abweichungen Erwartungen an quadratische Werte sind, können sie niemals negativ sein. So kann alle Vektoren , 0 ≤ Var ( λ X ) = λ A λ ' . Kovarianzmatrizen dürfen nicht negativ-definitiv sein.λ
0≤Var(λX)=λAλ′.
Varianzen sind nur Zahlen - oder, wenn Sie die Matrixformeln wörtlich lesen, Matrizen. Sie ändern sich also nicht, wenn Sie sie transponieren. Das Transponieren von ( 1 ) ergibt λ A λ ' = Var ( λ X ) = Var ( λ X ) ' = ( λ A λ ' ) ' = λ A ' λ ' . Da dies für alle λ gilt , ist A.1×1(1)
λAλ′=Var(λX)=Var(λX)′=(λAλ′)′=λA′λ′.
λA muss seine Transponierte A ' gleich seinA′ : Kovarianzmatrizen müssen symmetrisch sein.
Das tiefere Ergebnis ist, dass jede nicht negativ-definierte symmetrische Matrix eine Kovarianzmatrix ist. A Dies bedeutet, dass es tatsächlich eine vektorwertige Zufallsvariable mit A als Kovarianz gibt. Wir können dies demonstrieren, indem wir X explizit konstruieren . Eine Möglichkeit ist zu bemerken , dass die (multivariate) Dichtefunktion f ( x 1 , ... , x n ) mit der Eigenschaft , log ( f ) α - 1XAXf(x1,…,xn)hatAfür seine Kovarianz. (Eine gewisse Delikatesse ist erforderlich, wennAnicht invertierbar ist - aber das ist nur ein technisches Detail.)
log(f)∝−12(x1,…,xn)A−1(x1,…,xn)′
AA
Lösungen
Sei und Y Kovarianzmatrizen. Offensichtlich sind sie quadratisch; und wenn ihre Summe irgendeinen Sinn ergeben soll, müssen sie die gleichen Dimensionen haben. Wir müssen nur die beiden Eigenschaften überprüfen.XY
Die Summe.
Ich lasse das als Übung.
2×2
(abba)
a2≥b2a≥0XYX=(a−1−1a)
a≥1YY=(b001)
b≥0−11
XYab