กลับไปหน้าบทความ

อ่าน 9 นาที

ทฤษฎีบทของอิสเซอร์ลิส

ช่วงเวลา (คณิตศาสตร์)/การกระจายแบบปกติ/ทฤษฎีบทในทฤษฎีความน่าจะเป็น

ในทฤษฎีความน่าจะเป็นทฤษฎีบทของอิสเซอร์ลิสหรือทฤษฎีบทความน่าจะเป็นของวิกคือสูตรที่ช่วยให้สามารถคำนวณโมเมนต์ลำดับสูงกว่าของการกระจายแบบปกติหลายตัวแปรในรูปของเมทริกซ์ความแปรปรวน...

ทฤษฎีบทของอิสเซอร์ลิส

ในทฤษฎีความน่าจะเป็นทฤษฎีบทของอิสเซอร์ลิสหรือทฤษฎีบทความน่าจะเป็นของวิกคือสูตรที่ช่วยให้สามารถคำนวณโมเมนต์ลำดับสูงกว่าของการกระจายแบบปกติหลายตัวแปรในรูปของเมทริกซ์ความแปรปรวน ร่วมได้ โดยตั้งชื่อตามเลออน อิสเซอร์ลิ

ทฤษฎีบทนี้ยังมีความสำคัญอย่างยิ่งในฟิสิกส์อนุภาคซึ่งเป็นที่รู้จักกันในชื่อทฤษฎีบทของวิกตามผลงานของวิก (1950) [ 1 ] การประยุกต์ใช้อื่นๆ ได้แก่ การวิเคราะห์ผลตอบแทนของพอร์ตโฟลิโอ[ 2 ]ทฤษฎีสนามควอนตัม[ 3 ]และการสร้างสัญญาณรบกวนสี[ 4 ]

คำแถลง

ถ้า(X1,,Xn){\displaystyle (X_{1},\dots ,X_{n})}ถ้าเป็นเวกเตอร์สุ่ม ปกติหลายตัวแปรที่มีค่าเฉลี่ยเป็นศูนย์แล้วอี[X1X2Xn]=พีพีn2{ฉัน,เจ}พีอี[XฉันXเจ]=พีพีn2{ฉัน,เจ}พีโควิด(Xฉัน,Xเจ),{\displaystyle \operatorname {E} [\,X_{1}X_{2}\cdots X_{n}\,]=\sum _{p\in P_{n}^{2}}\prod _{\{i,j\}\in p}\operatorname {E} [\,X_{i}X_{j}\,]=\sum _{p\in P_{n}^{2}}\prod _{\{i,j\}\in p}\ชื่อผู้ดำเนินการ {Cov} (\,X_{i},X_{j}\,),}โดยผลรวมนั้นครอบคลุมการจับคู่ทั้งหมดของ{1,,n}{\displaystyle \{1,\ldots ,n\}}กล่าวคือ วิธีการแบ่งพาร์ติชันที่แตกต่างกันทั้งหมด{1,,n}{\displaystyle \{1,\ldots ,n\}}เป็นคู่ๆ{ฉัน,เจ}{\displaystyle \{i,j\}}และผลิตภัณฑ์นั้นครอบคลุมคู่ที่อยู่ในนั้นพี{\displaystyle p}[ 5 ] [ 6 ]

โดยทั่วไปแล้ว ถ้า(1,,n){\displaystyle (Z_{1},\dots ,Z_{n})}ถ้าเวกเตอร์สุ่มแบบปกติหลายตัวแปรเชิงซ้อน ที่มีค่าเฉลี่ยเป็นศูนย์สูตรนี้ก็ยังคงใช้ได้อยู่

นิพจน์ทางด้านขวามือเรียกอีกอย่างว่าฮาฟเนียนของเมทริกซ์ความแปรปรวนร่วมของ(X1,,Xn){\displaystyle (X_{1},\dots ,X_{n})}.

กรณีแปลกประหลาด

ถ้าn=2+1{\displaystyle n=2m+1}แปลกจัง ไม่มีการจับคู่ใดๆ เลย{1,,2+1}{\displaystyle \{1,\ldots ,2m+1\}}ภายใต้สมมติฐานนี้ ทฤษฎีบทของอิสเซอร์ลิสบ่งชี้ว่าอี[X1X2X2+1]=0.{\displaystyle \operatorname {E} [\,X_{1}X_{2}\cdots X_{2m+1}\,]=0.} สิ่งนี้ยังเป็นผลมาจากข้อเท็จจริงที่ว่าX=(X1,,Xn){\displaystyle -X=(-X_{1},\dots ,-X_{n})}มีการกระจายตัวแบบเดียวกันกับX{\displaystyle X}ซึ่งหมายความว่าอี[X1X2+1]=อี[(X1)(X2+1)]=อี[X1X2+1]=0{\displaystyle \operatorname {E} [\,X_{1}\cdots X_{2m+1}\,]=\operatorname {E} [\,(-X_{1})\cdots (-X_{2m+1})\,]=-\operatorname {E} [\,X_{1}\cdots X_{2m+1}\,]=0}.

แม้แต่กรณีนั้นก็ตาม

ในบทความต้นฉบับของเขา[ 7 ] Leon Isserlisพิสูจน์ทฤษฎีบทนี้โดยการเหนี่ยวนำทางคณิตศาสตร์ โดยวาง สูตรทั่วไปสำหรับ 4ไทย{\displaystyle 4^{\text{th}}}ช่วงเวลาลำดับ[ 8 ]ซึ่งปรากฏให้เห็น

อี[X1X2X3X4]=อี[X1X2]อี[X3X4]+อี[X1X3]อี[X2X4]+อี[X1X4]อี[X2X3].{\displaystyle \operatorname {E} [\,X_{1}X_{2}X_{3}X_{4}\,]=\operatorname {E} [X_{1}X_{2}]\,\operatorname {E} [X_{3}X_{4}]+\operatorname {E} [X_{1}X_{3}]\,\operatorname {E} [X_{2}X_{4}]+\operatorname {E} [X_{1}X_{4}]\,\operatorname {E} [X_{2}X_{3}].}

ถ้าn=2{\displaystyle n=2m}แม้แต่การมีอยู่ก็ยังมีอยู่(2)!/(2!)=(21)!!{\displaystyle (2m)!/(2^{m}m!)=(2m-1)!!}(ดู การทดลอง แฟกทอเรียลคู่ ) การแบ่งคู่ของ{1,,2}{\displaystyle \{1,\ldots ,2m\}}: ผลลัพธ์ที่ได้(2)!/(2!)=(21)!!{\displaystyle (2m)!/(2^{m}m!)=(2m-1)!!}พจน์ในผลรวม ตัวอย่างเช่น สำหรับ4ไทย{\displaystyle 4^{\text{th}}}ลำดับช่วงเวลา (เช่น4{\displaystyle 4}ตัวแปรสุ่ม) มีสามพจน์ สำหรับ6ไทย{\displaystyle 6^{\text{th}}}-ช่วงเวลาสั่งซื้อมีอยู่3×5=15{\displaystyle 3\times 5=15}เงื่อนไข และสำหรับ8ไทย{\displaystyle 8^{\text{th}}}-ช่วงเวลาสั่งซื้อมีอยู่3×5×7=105{\displaystyle 3\times 5\times 7=105}เงื่อนไข

ตัวอย่าง

เราสามารถประเมินฟังก์ชันลักษณะเฉพาะของฟังก์ชันเกาส์เซียนได้โดยใช้ทฤษฎีบทของอิสเซอร์ลิส:อี[อีฉันX]=เค(ฉัน)เคเค!อี[Xเค]=เค(ฉัน)2เค(2เค)!อี[X2เค]=เค(ฉัน)2เค(2เค)!(2เค)!เค!2เคอี[X2]เค=อี12อี[X2]{\displaystyle E[e^{-iX}]=\sum _{k}{\frac {(-i)^{k}}{k!}}E[X^{k}]=\sum _{k}{\frac {(-i)^{2k}}{(2k)!}}E[X^{2k}]=\sum _{k}{\frac {(-i)^{2k}}{(2k)!}}{\frac {(2k)!}{k!2^{k}}}E[X^{2}]^{k}=e^{-{\frac {1}{2}}E[X^{2}]}}

การพิสูจน์

เนื่องจากทั้งสองข้างของสูตรเป็นตัวแปรเชิงเส้นหลายตัวในX1,...,Xn{\displaystyle X_{1},...,X_{n}}ถ้าเราสามารถพิสูจน์กรณีที่เป็นจริงได้ เราก็จะได้รับกรณีที่ซับซ้อนมาโดยไม่ต้องเสียค่าใช้จ่ายใดๆ

อนุญาตΣฉันเจ=โควิด(Xฉัน,Xเจ){\displaystyle \Sigma _{ij}=\operatorname {Cov} (X_{i},X_{j})}ให้ เป็นเมทริกซ์ความแปรปรวนร่วม เพื่อให้เรามีเวกเตอร์สุ่มปกติหลายตัวแปรที่ มีค่าเฉลี่ยเป็นศูนย์(X1,...,Xn)~เอ็น(0,Σ){\displaystyle (X_{1},...,X_{n})\sim N(0,\Sigma )}เนื่องจากทั้งสองข้างของสูตรมีความต่อเนื่องเมื่อเทียบกับΣ{\displaystyle \Sigma }เพียงพอที่จะพิสูจน์กรณีดังกล่าวได้เมื่อΣ{\displaystyle \Sigma }สามารถผกผันได้ โดยเฉพาะอย่างยิ่ง หมายความว่า ถ้าบางส่วนของX1,,Xn{\displaystyle X_{1},\dots ,X_{n}}เหมือนกันทุกประการ เช่นในอี[X13X2]{\displaystyle E[X_{1}^{3}X_{2}]}จากนั้นจะลดลงเหลือกรณีที่ตัวแปรทั้งหมดเป็นอิสระเชิงเส้น ดังเช่นในอี[X1X2X3X4]{\displaystyle E[X_{1}X_{2}X_{3}X_{4}]}.

โดยใช้การแยกตัวประกอบกำลังสองxทีΣ1x/2+วีทีxวีทีΣวี/2=(xΣวี)ทีΣ1(xΣวี)/2{\displaystyle -x^{T}\Sigma ^{-1}x/2+v^{T}xv^{T}\Sigma v/2=-(x-\Sigma v)^{T}\Sigma ^{-1}(x-\Sigma v)/2}เราได้รับ

1(2π)nเดทΣอีxทีΣ1x/2+วีทีxx=อีวีทีΣวี/2{\displaystyle {\frac {1}{\sqrt {(2\pi )^{n}\det \Sigma }}}\int e^{-x^{T}\Sigma ^{-1}x/2+v^{T}x}dx=e^{v^{T}\Sigma v/2}}

หาอนุพันธ์ภายใต้เครื่องหมายอินทิกรัลด้วยวี1,...,วีn|วี1,...,วีn=0{\displaystyle \partial _{v_{1},...,v_{n}}|_{v_{1},...,v_{n}=0}}เพื่อให้ได้มาอี[X1Xn]=วี1,...,วีn|วี1,...,วีn=0อีวีทีΣวี/2{\displaystyle E[X_{1}\cdots X_{n}]=\partial _{v_{1},...,v_{n}}{\Big |}_{v_{1},...,v_{n}=0}e^{v^{T}\Sigma v/2}}กล่าวคือ เราเพียงแค่ต้องหาค่าสัมประสิทธิ์ของพจน์นั้นวี1วีn{\displaystyle v_{1}\cdots v_{n}}ในการขยายเทย์เลอร์ของอีวีทีΣวี/2=12!(วีทีΣวี){\displaystyle e^{v^{T}\Sigma วี/2}=\sum _{m}{\frac {1}{2^{m}m!}}(v^{T}\Sigma วี)^{m}}เนื่องจากปริมาณเป็นเลขคู่วี{\displaystyle v}, ถ้าn{\displaystyle n}แปลกนะ นี่คือศูนย์ ดังนั้นปล่อยให้n=2{\displaystyle n=2m}จากนั้นเราก็แค่ต้องหาค่าสัมประสิทธิ์ของพจน์นั้นวี1วี2วี21วี2{\displaystyle v_{1}v_{2}\cdots v_{2m-1}v_{2m}}ในพหุนาม12!(ฉันเจวีฉันวีเจΣฉันเจ){\displaystyle {\frac {1}{2^{m}m!}}\left(\sum _{ij}v_{i}v_{j}\Sigma _{ij}\right)^{m}}.

ในเชิงการจัดเรียง แต่ละคู่π{\displaystyle \pi }ของ1,2,,21,2{\displaystyle 1,2,\dots ,2m-1,2m}สอดคล้องกับวิธีการที่จะได้รับวี1วี2วี21วี2{\displaystyle v_{1}v_{2}\cdots v_{2m-1}v_{2m}}โดยการเลือกหนึ่งวีฉันวีเจΣฉันเจ{\displaystyle v_{i}v_{j}\Sigma _{ij}}จากแต่ละวงเล็บสำหรับแต่ละรายการ(ฉัน,เจ)π{\displaystyle (i,j)\in \pi }มีอยู่2!{\displaystyle 2^{m}m!}วิธีการเลือกในลักษณะนี้ โดยการตัดทิ้ง12!{\displaystyle {\frac {1}{2^{m}m!}}}ภาคเรียน.{\displaystyle \square }

การสรุปโดยทั่วไป

การอินทิเกรตแบบเกาส์เซียนโดยส่วน

สูตรความน่าจะเป็นของ Wick ในรูปแบบที่เทียบเท่ากันคือการอินทิเกรตแบบเกาส์เซียนโดยส่วนถ้า(X1,Xn){\displaystyle (X_{1},\dots X_{n})}ถ้าเป็นเวกเตอร์สุ่ม ปกติหลายตัวแปรที่มีค่าเฉลี่ยเป็นศูนย์แล้ว

อี(X1เอฟ(X1,,Xn))=ฉัน=1nโควิด(X1,Xฉัน)อี(Xฉันเอฟ(X1,,Xn)).{\displaystyle \operatorname {E} (X_{1}f(X_{1},\ldots ,X_{n}))=\sum _{i=1}^{n}\operatorname {Cov} (X_{1},X_{i})\operatorname {E} (\partial _{X_{i}}f(X_{1},\ldots ,X_{n})).}นี่เป็นการสรุปทั่วไปของทฤษฎีบทของสไตน์

สูตรความน่าจะเป็นของวิกสามารถกู้คืนได้โดยการอุปมาน โดยพิจารณาจากฟังก์ชันเอฟ:อาร์nอาร์{\displaystyle f:\mathbb {R} ^{n}\to \mathbb {R} }กำหนดโดยเอฟ(x1,,xn)=x2xn{\displaystyle f(x_{1},\ldots ,x_{n})=x_{2}\ldots x_{n}}ในบรรดาสิ่งอื่นๆ การกำหนดสูตรนี้มีความสำคัญในทฤษฎีสนามคอนฟอร์มอลของ Liouvilleเพื่อให้ได้ เอกลักษณ์ คอน ฟอร์มอล ของ Ward สมการBPZ [ 9 ]และเพื่อพิสูจน์สูตรFyodorov-Bouchaud [ 10 ]

ตัวแปรสุ่มที่ไม่เป็นแบบเกาส์เซียน

สำหรับตัวแปรสุ่มที่ไม่ใช่แบบเกาส์เซียนสูตร โมเมนต์คัม มูแลนต์[ 11 ]แทนที่สูตรความน่าจะเป็นของวิก ถ้า(X1,Xn){\displaystyle (X_{1},\dots X_{n})}ถ้า เป็นเวกเตอร์ของตัวแปรสุ่มแล้วอี(X1Xn)=พีพีnพีκ((Xฉัน)ฉัน),{\displaystyle \operatorname {E} (X_{1}\ldots X_{n})=\sum _{p\in P_{n}}\prod _{b\in p}\kappa {\big (}(X_{i})_{i\in b}{\big )},}โดยผลรวมนั้นครอบคลุมทุกพาร์ติชันของ{1,,n}{\displaystyle \{1,\ldots ,n\}}ผลิตภัณฑ์อยู่เหนือบล็อกของพี{\displaystyle p}และκ((Xฉัน)ฉัน){\displaystyle \kappa {\big (}(X_{i})_{i\in b}{\big )}}คือค่าสะสมร่วมของ(Xฉัน)ฉัน{\displaystyle (X_{i})_{i\in b}}.

การกระจายอย่างสม่ำเสมอบนทรงกลมหน่วย

พิจารณาX=(X1,,X){\displaystyle X=(X_{1},\dots ,X_{d})}กระจายอย่างสม่ำเสมอทั่วทรงกลมหน่วยเอส1{\displaystyle S^{d-1}}ดังนั้นX=1{\displaystyle \|X\|=1}เกือบจะแน่นอนในสถานการณ์นี้ ข้อต่อไปนี้เป็นจริง

ถ้าn{\displaystyle n}มันแปลกนะ อี[Xฉัน1Xฉัน2Xฉันn]=0.{\displaystyle \operatorname {E} {\bigl [}X_{i_{1}}\,X_{i_{2}}\,\cdots \,X_{i_{n}}{\bigr ]}\;=\;0.\!}

ถ้าn=2เค{\displaystyle n=2k}เท่ากัน อี[Xฉัน1Xฉัน2เค]=1(+2)(+4)(+2เค2)พีพี2เค2{,}พีδฉัน,ฉัน,{\displaystyle \operatorname {E} {\bigl [}X_{i_{1}}\,\cdots \,X_{i_{2k}}{\bigr ]}\;=\;{\frac {1}{d\,{\bigl (}d+2{\bigr )}{\bigl (}d+4{\bigr )}\cdots {\bigl (}d+2k-2{\bigr )}}}\sum _{p\in P_{2k}^{2}}\prod _{\{r,s\}\in p}\delta _{\,i_{r},i_{s}},} ที่ไหนพี2เค2{\displaystyle P_{2k}^{2}}คือเซตของการจับคู่ทั้งหมดของ{1,,2เค}{\displaystyle \{1,\ldots ,2k\}},δฉัน,เจ{\displaystyle \delta _{i,j}}คือเดลต้าโครเนกเกอร์

เนื่องจากมี|พี2เค2|=(2เค1)!!{\displaystyle |P_{2k}^{2}|=(2k-1)!!}เทอมเดลต้า เราจะได้บนแนวทแยง: อี[X12เค]=(2เค1)!!(+2)(+4)(+2เค2).{\displaystyle \operatorname {E} [\,X_{1}^{2k}\,]\;=\;{\frac {(2k-1)!!}{d\,{\bigl (}d+2{\bigr )}{\bigl (}d+4{\bigr )}\cdots {\bigl (}d+2k-2{\bigr )}}}.} ที่นี่,(2เค1)!!{\displaystyle (2k-1)!!}หมายถึง แฟกทอเรี ยลคู่

ผลลัพธ์เหล่านี้จะถูกอภิปรายในบริบทของเวกเตอร์สุ่มและการแสดงแทนแบบลดทอนไม่ได้ในงานของ Kushkuley (2021) [ 12 ]

ดูเพิ่มเติม

อ่านเพิ่มเติม

  • Koopmans, Lambert G. (1974). การวิเคราะห์สเปกตรัมของอนุกรมเวลา . ซานดิเอโก, แคลิฟอร์เนีย: Academic Press . รหัสบรรณานุกรม : 1974sats.book.....K .
ดึงข้อมูลมาจาก " https://en.wikipedia.org/w/index.php?title=Isserlis%27s_theorem&oldid=1323001941 "

สรุปเนื้อหา

ข้อมูลสำคัญจากบทความ

ข้อมูลสำคัญเกี่ยวกับ ทฤษฎีบทของอิสเซอร์ลิส

ในทฤษฎีความน่าจะเป็นทฤษฎีบทของอิสเซอร์ลิสหรือทฤษฎีบทความน่าจะเป็นของวิกคือสูตรที่ช่วยให้สามารถคำนวณโมเมนต์ลำดับสูงกว่าของการกระจายแบบปกติหลายตัวแปรในรูปของเมทริกซ์ความแปรปรวน...

คำแถลง

ถ้า ( X 1 , … , X n ) {\displaystyle (X_{1},\dots ,X_{n})} ถ้าเป็นเวกเตอร์สุ่ม ปกติหลายตัวแปรที่ มีค่าเฉลี่ยเป็นศูนย์แล้ว อี ⁡ [ X 1 X 2 ⋯ X n ] = ∑ พี ∈ พี n 2 ∏ { ฉัน , เจ } ∈ พี อี ⁡ [ X ฉัน X เจ ] = ∑ พี ∈ พี n 2 ∏ { ฉัน , เจ } ∈ พี โควิด ⁡ ( X ฉัน , X เจ...

กรณีแปลกประหลาด

ถ้า n = 2 ม + 1 {\displaystyle n=2m+1} แปลกจัง ไม่มีการจับคู่ใดๆ เลย { 1 , … , 2 ม + 1 } {\displaystyle \{1,\ldots ,2m+1\}} ภายใต้สมมติฐานนี้ ทฤษฎีบทของอิสเซอร์ลิสบ่งชี้ว่า อี ⁡ [ X 1 X 2 ⋯ X 2 ม + 1 ] = 0.

แม้แต่กรณีนั้นก็ตาม

ในบทความต้นฉบับของเขา [ 7 ] Leon Isserlis พิสูจน์ทฤษฎีบทนี้โดย การเหนี่ยวนำทางคณิตศาสตร์ โดยวาง สูตรทั่วไปสำหรับ 4 ไทย {\displaystyle 4^{\text{th}}} ช่วงเวลาลำดับ [ 8 ] ซึ่งปรากฏให้เห็น