มาตรการที่เหมาะสมในการค้นหาเมทริกซ์ความแปรปรวนร่วมที่เล็กที่สุด


10

ในหนังสือเรียนฉันกำลังอ่านว่าพวกเขาใช้ความแน่นอนเชิงบวก (กึ่งบวกแน่นอน) เพื่อเปรียบเทียบเมทริกซ์ความแปรปรวนร่วมสองตัว ความคิดที่ว่าถ้า- Bเป็น PD แล้วBมีขนาดเล็กกว่า แต่ฉันพยายามดิ้นรนเพื่อให้ได้สัญชาติญาณของความสัมพันธ์นี้?ABBA

มีเธรดที่คล้ายกันที่นี่:

/math/239166/what-is-the-intuition-for-using-definiteness-to-compare-matrices

สัญชาตญาณในการใช้ความแตกต่างเพื่อเปรียบเทียบเมทริกซ์คืออะไร

แม้ว่าคำตอบจะดี แต่พวกเขาไม่ได้พูดปรีชา

นี่คือตัวอย่างที่ฉันรู้สึกสับสน:

[1612129][1224]

ตอนนี้ที่นี่ดีเทอร์มีแนนต์ของความแตกต่างคือ -25 ดังนั้นความสัมพันธ์ไม่ได้เป็น pd หรือแม้กระทั่ง psd และเมทริกซ์แรกไม่มากกว่าครั้งแรก?

ฉันแค่ต้องการเปรียบเทียบเมทริกซ์ความแปรปรวนร่วม 3 * 3 สองอันเพื่อดูว่าอันไหนเล็กที่สุด? ดูเหมือนว่าฉันจะใช้สัญชาตญาณแบบยูคลิดเพื่อเปรียบเทียบได้ง่ายกว่านี้ไหม? อย่างไรก็ตามนี่อาจหมายความว่าเมทริกซ์แรกด้านบนมากกว่าเมทริกซ์ที่สอง ยิ่งกว่านั้นฉันเห็นเพียงแค่ pd / psd criterion ที่ใช้ในการเปรียบเทียบเมทริกซ์ความแปรปรวนร่วม

บางคนสามารถอธิบายได้ว่าทำไม pd / psd ดีกว่าการใช้การวัดอื่นเช่นค่ายูคลิด?

ฉันได้โพสต์คำถามนี้ไว้ในฟอรัมคณิตศาสตร์ (ไม่แน่ใจว่าอะไรดีที่สุด) หวังว่านี่จะไม่ขัดกับกฎใด ๆ

/math/628135/comparing-two-covariance-matrices


2
คุณอาจต้องการอ่านสิ่งนี้โดยคำนึงถึงสัญชาตญาณหลังความชัดเจนเชิงบวก (กึ่ง) เมื่อคุณเปรียบเทียบ 2 แปรปรวนaและbถ้าa-bเป็นบวกแล้วเราจะบอกว่าเมื่อการลบความแปรปรวนbจากaยังคงมีบางส่วน "ของจริง" aที่เหลืออยู่ในความแปรปรวน ในทำนองเดียวกันเป็นกรณีที่ความแปรปรวนหลายตัวแปร (= แปรปรวนเมทริกซ์) และA Bถ้าA-Bเป็นบวกแน่นอนนั่นหมายความว่าA-Bองค์ประกอบของเวกเตอร์คือ "ของจริง" ในปริภูมิแบบยุคลิด: กล่าวอีกนัยหนึ่งเมื่อถอดออกBจากAนั้นก็ยังคงเป็นความแปรปรวนได้
ttnphns

2
อะไรคือสิ่งที่คุณหมายถึงโดย "เล็กที่สุด" ของทั้งสองเมทริกซ์ความแปรปรวน?
whuber

สวัสดี, การแปรปรวนร่วมเกี่ยวข้องกับตัวประมาณค่าฉันต้องการเลือกตัวประมาณที่มีความแปรปรวนน้อยที่สุด (สิ่งนี้ชัดเจนหรือไม่)
Baz

2
Baz: แล้วทำไมไม่เปรียบเทียบผลต่างของตัวประมาณโดยตรงล่ะ?
Glen_b -Reinstate Monica

สวัสดีมีวิธีการตั้งค่าการแสดงออกสำหรับสิ่งที่พวกเขาเรียกความแปรปรวน (ซึ่งรวมถึง covariances) จะได้รับ อย่างไรก็ตามแม้ว่าฉันจะเปรียบเทียบความแปรปรวนเพียงอย่างเดียว แต่สิ่งนี้จะยังคงเกี่ยวข้องกับการเปรียบเทียบค่าเวกเตอร์ซึ่งจะมีปัญหาที่คล้ายกันกับการเปรียบเทียบค่าเมทริกซ์
Baz

คำตอบ:


8

การเรียงลำดับของเมทริกซ์ที่คุณอ้างถึงนั้นเรียกว่าคำสั่ง Loewnerและเป็นคำสั่งบางส่วนที่ใช้ในการศึกษาเมทริกซ์เชิงบวกที่แน่นอน การรักษาหนังสือความยาวของรูปทรงเรขาคณิตในท่อร่วมไอดีของบวกที่ชัดเจน (posdef) ที่เมทริกซ์เป็นที่นี่

ครั้งแรกที่ผมจะพยายามที่จะตอบคำถามของคุณเกี่ยวกับสัญชาติญาณ A (สมมาตร) เมทริกซ์เป็น posdef ถ้าT0สำหรับทุกR n ถ้าXเป็นตัวแปรสุ่ม (RV) ที่มีความแปรปรวนเมทริกซ์แล้วT Xคือ (ตามสัดส่วน) ประมาณการในบางส่วนสเปซหนึ่งสลัวและV R ( T X ) = T ใช้สิ่งนี้กับA - BAcTAc0cRnXAcTXVar(cTX)=cTAcABในของคุณ Q แรก: มันเป็นเมทริกซ์ความแปรปรวนสอง: ตัวแปรสุ่มที่มี covar เมทริกซ์Bโครงการในทุกทิศทางที่มีความแปรปรวนมีขนาดเล็กกว่า RV กับความแปรปรวนเมทริกซ์ สิ่งนี้ทำให้ชัดเจนชัดเจนว่าคำสั่งนี้สามารถเป็นบางส่วนเท่านั้นมี rv จำนวนมากที่จะฉายในทิศทางที่แตกต่างกันด้วยความแปรปรวนที่แตกต่างกัน ข้อเสนอของคุณเกี่ยวกับกฎเกณฑ์ยูคลิดบางอย่างไม่มีการตีความทางสถิติตามธรรมชาติA

"ตัวอย่างที่ทำให้เกิดความสับสน" ของคุณกำลังสับสนเพราะเมทริกซ์ทั้งสองมีปัจจัยกำหนด ดังนั้นสำหรับแต่ละคนมีทิศทางเดียว (วิคเตอร์ที่มีค่าเฉพาะศูนย์) ที่พวกเขาเสมอโครงการให้เป็นศูนย์ แต่ทิศทางนี้แตกต่างกันสำหรับเมทริกซ์สองตัวดังนั้นจึงไม่สามารถเปรียบเทียบกันได้

คำสั่งของ Loewner นั้นถูกกำหนดว่าAB , Bนั้นจะเป็นบวกแน่นอนกว่าAถ้าBAเป็น posdef นี่เป็นคำสั่งบางส่วนสำหรับเมทริกซ์ posdef บางตัวไม่ว่าBAหรือABเป็น posdef ตัวอย่างคือ: = ( 1 0.5 0.5 1 ) ,

A=(10.50.51),B=(0.5001.5)
วิธีหนึ่งในการแสดงภาพกราฟิกนี้คือการวาดพล็อตที่มีรูปไข่สองจุด แต่อยู่กึ่งกลางที่จุดกำเนิดที่เกี่ยวข้องในแบบมาตรฐานกับเมทริกซ์ (จากนั้นระยะรัศมีในแต่ละทิศทางจะแปรผันตามความแปรปรวนของ ฉายในทิศทางนั้น):

เมทริกซ์ posdef สองตัวแสดงเป็นรูปไข่

ในกรณีนี้วงรีทั้งสองจะสอดคล้องกัน แต่หมุนไปต่างกัน (อันที่จริงแล้วมุมคือ 45 องศา) สิ่งนี้สอดคล้องกับความจริงที่ว่าเมทริกซ์AและBมีค่าลักษณะเฉพาะเหมือนกัน แต่ eigenvector ถูกหมุน

เนื่องจากคำตอบนี้ขึ้นอยู่กับคุณสมบัติของจุดไข่ปลาดังต่อไปนี้สัญชาตญาณเบื้องหลังการแจกแจงแบบเกาส์แบบมีเงื่อนไขคืออะไร การอธิบายจุดไข่ปลาทางเรขาคณิตอาจมีประโยชน์

ตอนนี้ฉันจะอธิบายวิธีการกำหนดวงรีที่เกี่ยวข้องกับเมทริกซ์ posdef เมทริกซ์กำหนดรูปแบบสมการกำลังสองQ ( ) = T นี้สามารถพล็อตเป็นฟังก์ชั่นกราฟจะเป็นกำลังสอง หากA BกราฟของQ Bจะอยู่เหนือกราฟของQ Aเสมอ หากเราตัดกราฟด้วยระนาบแนวนอนที่ความสูง 1 การตัดนั้นจะอธิบายถึงจุดไข่ปลา (ซึ่งจริงๆแล้วเป็นวิธีการกำหนดจุดไข่ปลา) จุดไข่ปลาที่ตัดนี้ได้มาจากสมการ Q A ( c ) =AQA(c)=cTAcABQBQA

QA(c)=1,QB(c)=1
และเราเห็นว่าABสอดคล้องกับวงรีของ B (ขณะนี้มีการตกแต่งภายใน) อยู่ภายในวงรีของ A หากไม่มีคำสั่งจะไม่มีการกักกัน เราสังเกตว่าคำสั่งรวมนั้นอยู่ตรงข้ามกับคำสั่งบางส่วนของ Loewner หากเราไม่ชอบว่าเราสามารถวาดรูปไข่ของผู้รุกรานได้ นี้เพราะBเทียบเท่ากับ B - 1- 1 แต่ฉันจะอยู่กับวงรีตามที่นิยามไว้ที่นี่ABB1A1

วงรีสามารถอธิบายได้ด้วยครึ่งวงกลมและความยาว เราจะหารือเกี่ยวกับ2×2 -matrices ที่นี่ที่พวกเขาเป็นคนที่เราสามารถวาด ... ดังนั้นเราต้องสองแกนหลักและยาวของพวกเขา สามารถพบได้ตามที่อธิบายไว้ที่นี่พร้อมด้วย eigendecomposition ของ posdef matrix จากนั้นแกนหลักจะได้รับจาก eigenvector และความยาวของพวกเขาa,bสามารถคำนวณได้จากค่าลักษณะเฉพาะλ1,λ2โดย

a=1/λ1,b=1/λ2.
นอกจากนี้เรายังจะเห็นว่าพื้นที่ของวงรีแทนเป็นπ=πAπab=π1/λ11/λ2=πdetA

ฉันจะให้หนึ่งตัวอย่างสุดท้ายที่เมทริกซ์สามารถสั่งซื้อได้:

เมทริกซ์สองตัวที่สามารถจัดเรียงเป็นจุดไข่ปลาได้

สองการฝึกอบรมในกรณีนี้: = ( 2 / 3 1 / 5 1 / 5 3 / 4 ) ,

A=(2/31/51/53/4),B=(11/71/71)


3

@kjetil b halvorsen ให้การสนทนาที่ดีเกี่ยวกับสัญชาตญาณทางเรขาคณิตที่อยู่เบื้องหลังความแน่นอนกึ่งบวกในเชิงบวกเป็นการสั่งซื้อบางส่วน ฉันจะให้เวลากับคนที่สกปรกมากขึ้นในสัญชาตญาณเดียวกัน สิ่งหนึ่งที่ได้จากการคำนวณประเภทใดที่คุณอาจต้องการทำกับเมทริกซ์ความแปรปรวนของคุณ

xyV(x)V(y)V(x)=5V(y)=15xy

xy

V(x)=[10.50.51]V(y)=[8336]
x1y1V(x1)=1<8=V(y1)V(x2)=1<6=V(y2)xyxyV(x)V(y)V(x)V(y)

V(x)=[V(x1)00V(x2)]V(y)=[V(y1)00V(y2)]
V(y)V(x)V(x)V(y)V(x1)V(y1)V(x2)V(y2)
V(x)=[10.10.11]V(y)=[1001]
V(x)V(y)V(xk)V(yk)3x1+2x23y1+2y2V(3x1+2x2)>V(3y1+2y2)V(x)V(y)

xyV(x)V(y)aV(ax)V(ay)

V(x)V(y)V(a1x1+a2x2)V(a1y1+a2y2)a1a2a1=1,a2=0V(x1)V(y1)a1=0,a2=1V(x2)V(y2)

V(x)V(y)V(ax)V(ay)a

V(ay)V(ax)=aV(x)aaV(y)a=a(V(x)V(y))a
V(x)V(y)V(ax)V(ay)a(V(y)V(x))

VWWV

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.