บางทีการทำให้สัญลักษณ์ง่ายขึ้นเราสามารถนำความคิดที่จำเป็นออกมา ปรากฎว่าเราไม่จำเป็นต้องมีความคาดหวังหรือสูตรที่ซับซ้อนเพราะทุกอย่างเกี่ยวกับพีชคณิตล้วนๆ
ลักษณะทางพีชคณิตของวัตถุทางคณิตศาสตร์
ความสัมพันธ์ระหว่างความกังวลคำถาม (1) เมทริกซ์ความแปรปรวนของชุด จำกัด ของตัวแปรสุ่มX1,…,Xnและ (2) การเชิงเส้นความสัมพันธ์ระหว่างตัวแปรเหล่านั้นถือว่าเป็นพาหะ
พื้นที่เวกเตอร์ในคำถามเป็นชุดของตัวแปรทั้งหมด จำกัด -แปรปรวนแบบสุ่ม (บนเป็นพื้นที่ใดก็ตาม(Ω,P) ) โมดูโลสเปซเกือบตัวแปรคงที่แน่นอนชี้แนะL2(Ω,P)/R. (นั่นคือเราพิจารณาตัวแปรสุ่มสองตัวXและYเป็นเวกเตอร์เดียวกันเมื่อมีโอกาสเป็นศูนย์ที่X−Yแตกต่างจากที่คาดไว้) เรากำลังจัดการกับพื้นที่เวกเตอร์ จำกัด ขนาดVสร้างโดยXi, ซึ่งเป็นสิ่งที่ทำให้ปัญหาพีชคณิตมากกว่าการวิเคราะห์
สิ่งที่เราต้องรู้เกี่ยวกับความแปรปรวน
Vเป็นมากกว่าปริภูมิเวกเตอร์: มันเป็นโมดูลกำลังสองเพราะมันมาพร้อมกับความแปรปรวน สิ่งที่เราต้องรู้เกี่ยวกับความแปรปรวนคือสองสิ่ง:
ความแปรปรวนเป็นสเกลามูลค่าฟังก์ชั่นQกับทรัพย์สินที่Q(aX)=a2Q(X)สำหรับทุกเวกเตอร์XX.
ความแปรปรวนคือไม่สร้าง
ประการที่สองต้องการคำอธิบายบางอย่าง Qกำหนด "ผลิตภัณฑ์ดอท" ซึ่งเป็นรูปสมมาตรของบิลิแนร์ที่กำหนดโดย
X⋅Y=14(Q(X+Y)−Q(X−Y)).
(นี่คือแน่นอนไม่มีอะไรอื่นนอกเหนือจากความแปรปรวนของตัวแปรและY . ) เวกเตอร์XและYเป็นมุมฉากเมื่อคูณจุดของพวกเขาคือ0. orthogonal ประกอบชุดของเวกเตอร์ใด ๆ⊂ Vประกอบด้วยเวกเตอร์ทั้งหมดที่ตั้งฉากกับทุกองค์ประกอบ ของA ,เขียนXY.XY0.A⊂VA,
A0={v∈V∣a.v=0 for all v∈V}.
มันชัดเจนว่าเป็นพื้นที่เวคเตอร์ เมื่อ , QคือnondegenerateV0={0}Q
ให้ฉันพิสูจน์ว่าความแปรปรวนนั้นไม่ได้สร้างขึ้นมาอย่างแน่นอนแม้ว่ามันจะดูชัดเจนก็ตาม สมมติว่าเป็นองค์ประกอบภัณฑ์ของV 0 นี่หมายถึงX ⋅ Y = 0สำหรับY ∈ V ทั้งหมด ค่าเท่ากันXV0.X⋅Y=0Y∈V;
Q(X+Y)=Q(X−Y)
สำหรับเวกเตอร์ทั้งหมดY การให้Y = Xให้Y.Y=X
4Q(X)=Q(2X)=Q(X+X)=Q(X−X)=Q(0)=0
และทำให้ แต่เรารู้ (โดยใช้เซฟของความไม่เท่าเทียมกันบางที) ที่ตัวแปรสุ่มเพียงกับศูนย์แปรปรวนเกือบจะแน่นอนคงที่ซึ่งระบุพวกเขาด้วยเวกเตอร์ศูนย์ในV , QEDQ(X)=0.V,
การตีความคำถาม
กลับไปที่คำถามในสัญกรณ์ก่อนหน้าเมทริกซ์ความแปรปรวนร่วมของตัวแปรสุ่มเป็นเพียงอาร์เรย์ปกติของผลิตภัณฑ์ดอททั้งหมดของพวกเขา
T=(Xi⋅Xj).
มีวิธีคิดที่ดีเกี่ยวกับ : มันกำหนดการแปลงเชิงเส้นบนR nในวิธีปกติโดยการส่งเวกเตอร์ใด ๆx = ( x 1 , … , x n ) ∈ R nลงในเวกเตอร์T ( x ) = y = ( y ที่1 , ... , x n )ซึ่งฉันTHส่วนประกอบจะได้รับจากกฎการคูณเมทริกซ์TRnx=(x1,…,xn)∈RnT(x)=y=(y1,…,xn)ith
yi=∑j=1n(Xi⋅Xj)xj.
เคอร์เนลของการเปลี่ยนแปลงเชิงเส้นนี้เป็นสเปซจะส่งไปยังศูนย์:
Ker(T)={x∈Rn∣T(x)=0}.
สมการดังกล่าวข้างต้นแสดงให้เห็นว่าเมื่อทุกฉันx∈Ker(T),i
0=yi=∑j=1n(Xi⋅Xj)xj=Xi⋅(∑jxjXj).
ตั้งแต่นี้เป็นจริงสำหรับทุกมันถือสำหรับเวกเตอร์ทั้งหมดทอดโดยX ฉัน : คือVตัวเอง ดังนั้นเมื่อx ∈ เคอร์( T ) ,เวกเตอร์ที่กำหนดโดยΣ J x เจเอ็กซ์เจโกหกในV 0 เนื่องจากความแปรปรวนเป็นแบบไม่สิ้นสุดนี่หมายถึง∑ j x j X j = 0 นั่นคือxอธิบายการพึ่งพาเชิงเส้นระหว่างตัวแปรสุ่มแบบดั้งเดิมni,XiVx∈Ker(T),∑jxjXjV0.∑jxjXj=0.xn
คุณสามารถตรวจสอบได้อย่างง่ายดายว่าการให้เหตุผลแบบนี้สามารถย้อนกลับได้:
อ้างอิงเชิงเส้นในหมู่เป็นพาหะอยู่ในหนึ่งต่อหนึ่งการติดต่อกับองค์ประกอบของเคอร์เนลของTXj T.
(โปรดจำไว้ว่าคำสั่งนี้ยังคงพิจารณาตามที่กำหนดไว้จนถึงการเปลี่ยนตำแหน่งคงที่นั่นคือเป็นองค์ประกอบของL 2 ( Ω , P ) / R -แทนที่จะเป็นเพียงตัวแปรสุ่ม)XjL2(Ω,P)/R
ในที่สุดโดยมีความหมายเป็นค่าเฉพาะของใด ๆ เกลาλที่มีอยู่ไม่ใช่ศูนย์เวกเตอร์xกับT ( x ) = λ x เมื่อλ = 0เป็นค่าเฉพาะพื้นที่ของ eigenvectors เกี่ยวข้องคือ (ชัด) เคอร์เนลของTTλxT(x)=λx.λ=0T.
สรุป
We have arrived at the answer to the questions: the set of linear dependencies of the random variables, qua elements of L2(Ω,P)/R, corresponds one-to-one with the kernel of their covariance matrix T. This is so because the variance is a nondegenerate quadratic form. The kernel also is the eigenspace associated with the zero eigenvalue (or just the zero subspace when there is no zero eigenvalue).
Reference
I have largely adopted the notation and some of the language of Chapter IV in
Jean-Pierre Serre, A Course In Arithmetic. Springer-Verlag 1973.