Quelle est la distribution de la somme des variables non gaussiennes?

36

Si est distribué , est distribué et , je sais que est distribué si X et Y sont indépendants.N ( μ X , σ 2 X ) Y N ( μ Y , σ 2 Y ) Z = X + Y Z N ( μ X + μ Y , σ 2 X + σ 2 Y )XN(μX,σX2)YN(μY,σY2)Z=X+YZN(μX+μY,σX2+σY2)

Mais que se passerait-il si X et Y n'étaient pas indépendants, c'est-à-dire (X,Y)N((μXμY),(σX2σX,YσX,YσY2))

Cela affecterait-il la distribution de la somme ?Z

JCWong
la source
7
Je voudrais juste souligner qu'il existe toutes sortes de distributions conjointes pour autres que la normale bivariée qui ont toujours et marginalement normales. Et cette distinction ferait une énorme différence dans les réponses. (X,Y) XY
2
@ G.JayKerns Je conviens que si et sont normaux mais pas nécessairement conjointement normaux, alors peut avoir une distribution autre que la normale. Mais la déclaration de l'OP selon laquelle " Z est distribué N (\ mu_x + \ mu_y, \ sigma ^ 2_x + \ sigma ^ 2_y) si X et Y sont indépendants." est absolument correct. Si X et Y sont marginalement normaux (comme le dit la première partie de la phrase) et indépendants (selon l'hypothèse de la deuxième partie de la phrase), ils sont également conjointement normaux. Dans la question du PO , la normalité commune est supposée explicitement et toute combinaison linéaire deXYX+YZN(μx+μy,σx2+σy2)XYXYX et Y est normal.
Dilip Sarwate
3
@Dilip, je tiens à préciser que la question n'est pas fausse et que votre réponse n'est pas fausse (+1) (ni les probabilités, ni (+1)). Je faisais simplement remarquer que si X et Y sont dépendants, il n'est pas nécessaire qu'ils soient conjointement normaux, et il n'était pas clair que le PO ait envisagé cette possibilité. De plus, j'ai bien peur (même si je n'ai pas passé beaucoup de temps à penser) que sans d'autres hypothèses (comme la normalité conjointe), la question pourrait même être sans réponse.
5
Comme @ G.JayKerns le mentionne, nous pouvons bien sûr avoir toutes sortes de comportements intéressants si nous considérons des normales distribuées marginalement, mais pas conjointement. Voici un exemple simple: Soit soit normale standard et avec une probabilité 1/2 chacun, indépendamment de . Soit . Alors, est également normal, mais est exactement égal à zéro avec une probabilité de 1/2 et égal à avec une probabilité de 1/2. Xε=±1XY=εXYZ=X+Y2X
cardinal
4
Nous pouvons obtenir toute une variété de comportements en considérant la copule bivariée associée à via le théorème de Sklar . Si nous utilisons la copule gaussienne, alors nous obtenons sont conjointement normales, et donc est normalement distribué. Si la copule n'est pas la copule gaussienne, alors et sont toujours marginalement distribués comme normaux, mais ne sont pas conjointement normaux et la somme ne sera donc pas normalement distribuée, en général. ( X , Y ) Z = X + Y X Y(X,Y)(X,Y)Z=X+YXY
cardinal

Réponses:

30

Voir mon commentaire sur la réponse de probistislogic à cette question . Ici, σX,Yest lacovariancedeXetY. Personne n'écrit les entrées non diagonales dans la matrice de covariance sous la formeσ 2 x y, comme vous l'avez fait. Les entrées hors diagonale sont des covariances qui peuvent être négatives.

X+YN(μX+μY,σX2+σY2+2σX,Y)aX+bYN(aμX+bμY,a2σX2+b2σY2+2abσX,Y)
σX,YXYσxy2
Dilip Sarwate
la source
1
@Kodiologist Merci! Je suis surpris que les fautes de frappe restent inaperçues pendant plus de 4 ans.
Dilip Sarwate
29

La réponse de @ dilip est suffisante, mais je pensais simplement que j'ajouterais quelques détails sur la manière dont vous obtenez le résultat. Nous pouvons utiliser la méthode des fonctions caractéristiques. Pour tout de distribution de dimension normale multivariée X ~ N d ( μ , Σ )μ = ( μ 1 , ... , μ d ) T et Σ j k = c o v ( X j , X k )dXNd(μ,Σ)μ=(μ1,,μd)T , la fonction caractéristique est donnée par:Σjk=cov(Xj,Xk)j,k=1,,d

=exp(i d Σ j=1tjμj-1

φX(t)=E[exp(itTX)]=exp(itTμ12tTΣt)
=exp(ij=1dtjμj12j=1dk=1dtjtkΣjk)

YN1(μY,σY2)

φY(t)=exp(itμY12t2σY2)

Z=aTX=j=1dajXjd=2a1=a2=1ZX

φZ(t)=E[exp(itZ)]=E[exp(itaTX)]=φX(ta)
=exp(itj=1dajμj12t2j=1dk=1dajakΣjk)

φY(t)μYμZ=j=1dajμjσY2σZ2=j=1dk=1dajakΣjkZYZΣjk=Σkj

σZ2=j=1daj2Σjj+2j=2dk=1j1ajakΣjk

Σjj=var(Xj)Σjk=cov(Xj,Xk)d=2a1=a2=1

σZ2=j=12(1)2Σjj+2j=22k=1j1(1)(1)Σjk=Σ11+Σ22+2Σ21
probabilislogic
la source
2
+1 Thanks for taking the time to write out the details. Can this question be made part of the FAQ?
Dilip Sarwate