Wishart分布(Wishart distribution)とは、独立に $N_p(0,\Sigma)$ に従う $X_1,\dots,X_n$ から作った行列 $\sum_i X_iX_i^{\top}$ の分布で、カイ二乗分布の行列版である。平均は $n\Sigma$ で、Cholesky 分解した下三角行列の成分が独立で、対角より下は正規分布、対角成分の 2 乗はカイ二乗分布に従う(Bartlett 分解)ことから、$n\ge p$ なら正定値行列の上の密度が求まる。正規標本の偏差の積和行列は自由度 $N-1$ の Wishart 分布に従い標本平均と独立で、共分散行列の推定やベイズ統計で使われる。
前提知識: 多変量正規分布, カイ二乗分布, 共分散行列, Cholesky分解
Wishart 分布(Wishart distribution)は、平均 $0$ の多変量正規分布に従う独立な確率ベクトル $X_1,\dots,X_n$ から作った行列 $X_1X_1^{\top}+\cdots+X_nX_n^{\top}$ の分布である。1 次元では $X_1^2+\cdots+X_n^2$ を分散で割ったものが カイ二乗分布 に従うので、Wishart 分布はカイ二乗分布の行列版である。
統計では、多変量正規分布の標本から作る標本共分散行列(の $N-1$ 倍)がこの分布に従う(thm-wi-sample)。分散の推定にカイ二乗分布が使われるのと同じように、共分散行列の推定・検定、主成分分析の固有値の分布、ベイズ統計の事前分布にこの分布が現れる。この行列は $X_i$ の 2 次式で、$\Sigma$ が正定値で $n\ge p$ なら、$p\times p$ の値($p$ は確率ベクトルの次元)は確率 1 で正定値行列の集合(対称行列の空間の中の開いた錐)に入るので、密度を求めるには工夫が要る。その鍵が Bartlett 分解(thm-wi-bartlett)で、Wishart 行列を Cholesky 分解した下三角行列の成分は互いに独立で、対角より下の成分は正規分布に、対角成分の 2 乗はカイ二乗分布に従う。
この記事では次のことを示す。
$p\times p$ 実対称行列の全体を $\mathrm{Sym}_p$、そのうち正定値なもの全体を $\mathcal P_p$ と書く。
$n,p$ を正の整数、$\Sigma$ を $p\times p$ の半正定値対称行列とする。$X_1,\dots,X_n$ が独立にどれも $N_p(0,\Sigma)$ に従うとき、
$$
W=\sum_{i=1}^nX_iX_i^{\top}
$$
の分布を 自由度 $n$、尺度行列 $\Sigma$ の Wishart 分布 といい、$W_p(n,\Sigma)$ と書く。
$X_i^{\top}$ を第 $i$ 行とする $n\times p$ 行列を $X$ とすれば $W=X^{\top}X$ で、$W$ の $(j,k)$ 成分は $X$ の第 $j$ 列と第 $k$ 列の内積である。$W$ は対称で、$a\in\mathbb R^p$ について $a^{\top}Wa=\sum_i(a^{\top}X_i)^2\ge0$ だから半正定値である。
$p=1$、$\Sigma=(\sigma^2)$ なら $W=\sum_iX_i^2=\sigma^2\sum_i(X_i/\sigma)^2$ で、t分布 の系「標準正規分布の 2 乗和」により $W/\sigma^2\sim\chi^2_n$ である。つまり $W_1(n,\sigma^2)$ は $\sigma^2\chi^2_n$ の分布である。
文献によって、尺度行列でなく精度行列 $\Sigma^{-1}$ で表したり(ベイズ統計で多い)、$W/n$ の分布を考えたりする。この記事の $W_p(n,\Sigma)$ は $E[W]=n\Sigma$ となる規約である。
$W\sim W_p(n,\Sigma)$、$\Sigma=(\sigma_{jk})$ とする。
1:$E[X_iX_i^{\top}]$ は平均 $0$ の $X_i$ の共分散行列 $\Sigma$ で、$n$ 個を足す。
2:$AWA^{\top}=\sum_i(AX_i)(AX_i)^{\top}$ で、$AX_1,\dots,AX_n$ は独立にどれも $N_q(0,A\Sigma A^{\top})$ に従う(多変量正規分布 の定理「1 次変換で多変量正規分布は保たれる」)。
3:$W$ を $X_1,\dots,X_n$、$W'$ を $X_{n+1},\dots,X_{n+n'}$(独立にどれも $N_p(0,\Sigma)$)から作ったものと同じ分布に取り直せる。独立な 2 つの確率変数の組の分布は、それぞれの分布の積で決まるからである。すると $W+W'=\sum_{i=1}^{n+n'}X_iX_i^{\top}$ である。
4:2 で $A=a^{\top}$($1\times p$)とすると $a^{\top}Wa\sim W_1(n,a^{\top}\Sigma a)$ で、定義の後の注意による。
5:$W_{jk}=\sum_iX_{ij}X_{ik}$ の各項は独立なので、$\operatorname{Var}(X_{1j}X_{1k})=E[X_{1j}^2X_{1k}^2]-\sigma_{jk}^2$ を求めればよい。$\sigma_{jj}=0$ なら $X_{1j}=0$ で両辺 $0$ である。$\sigma_{jj}>0$ なら $Y=X_{1j}$、$Z=X_{1k}-cY$($c=\sigma_{jk}/\sigma_{jj}$)とおくと、$(Y,Z)$ は同時に正規分布に従い $\operatorname{Cov}(Y,Z)=0$ なので独立である(多変量正規分布 の定理「無相関なら独立」)。$E[Y^4]=3\sigma_{jj}^2$、$E[Z^2]=\sigma_{kk}-c^2\sigma_{jj}$ と、奇数次の項の期待値が $0$ であることから
$$
E[Y^2(Z+cY)^2]=\sigma_{jj}E[Z^2]+3c^2\sigma_{jj}^2=\sigma_{jj}\sigma_{kk}+2\sigma_{jk}^2 .
$$
これから $\sigma_{jk}^2$ を引いて $n$ 倍すればよい。
確率ベクトルの分布の計算では、Laplace 変換(積率母関数)がよく使われる。$\operatorname{tr}$ は行列の 跡 である。
$\Sigma$ を正定値、$W\sim W_p(n,\Sigma)$ とする。$\Theta\in\mathrm{Sym}_p$ が $\Sigma^{-1}-2\Theta\in\mathcal P_p$ を満たすなら
$$
E\bigl[e^{\operatorname{tr}(\Theta W)}\bigr]=\det(I_p-2\Theta\Sigma)^{-n/2}.
$$
$\operatorname{tr}(\Theta W)=\sum_iX_i^{\top}\Theta X_i$ で、$X_i$ は独立なので、$n=1$ の場合の値を $n$ 乗すればよい。$\Sigma^{1/2}$ を $\Sigma$ の正定値な平方根とし、$X_1=\Sigma^{1/2}Z$($Z\sim N_p(0,I_p)$)と書く(多変量正規分布 の定理「1 次変換で多変量正規分布は保たれる」)。$B=\Sigma^{1/2}\Theta\Sigma^{1/2}$ は対称なので、直交行列 $Q$ で $B=Q\Lambda Q^{\top}$、$\Lambda=\operatorname{diag}(\lambda_1,\dots,\lambda_p)$ と対角化できる。$Y=Q^{\top}Z$ はふたたび $N_p(0,I_p)$ に従い、成分 $Y_1,\dots,Y_p$ は独立である。よって
$$
X_1^{\top}\Theta X_1=Z^{\top}BZ=\sum_{j=1}^p\lambda_jY_j^2 .
$$
仮定は $I_p-2B=\Sigma^{1/2}(\Sigma^{-1}-2\Theta)\Sigma^{1/2}\in\mathcal P_p$、すなわち $\lambda_j< \frac12$ を意味する。$\lambda< \frac12$ なら $E[e^{\lambda Y_j^2}]=\int\frac1{\sqrt{2\pi}}e^{-(1-2\lambda)y^2/2}dy=(1-2\lambda)^{-1/2}$ だから、
$$
E\bigl[e^{X_1^{\top}\Theta X_1}\bigr]=\prod_j(1-2\lambda_j)^{-1/2}=\det(I_p-2B)^{-1/2}.
$$
最後に $I_p-2B=\Sigma^{1/2}(I_p-2\Theta\Sigma)\Sigma^{-1/2}$ なので $\det(I_p-2B)=\det(I_p-2\Theta\Sigma)$ である。
$p=1$ では $(1-2\theta\sigma^2)^{-n/2}$ となり、$\sigma^2\chi^2_n$ の積率母関数に一致する。prop-wi-basic の 3 は、この式でも確かめられる(指数の $-n/2$ が足し算になる)。
正定値行列 $W$ は、対角成分が正の下三角行列 $T$ によって $W=TT^{\top}$ とただ 1 通りに書ける(Cholesky分解 の定理「Cholesky 分解の存在と一意性」)。$T$ を $W$ の Cholesky 因子という。
$n\ge p$、$W\sim W_p(n,I_p)$ とし、$T=(t_{jk})$ を $W$ の Cholesky 因子とする($W$ は確率 $1$ で正定値である)。このとき $t_{jk}$($j\ge k$)は互いに独立で、
$$
t_{jj}^2\sim\chi^2_{n-j+1}\quad(j=1,\dots,p),\qquad t_{jk}\sim N(0,1)\quad(j>k)
$$
である。
$W=X^{\top}X$ とし、$X$ の列を $x_1,\dots,x_p\in\mathbb R^n$ と書く。$X$ の $np$ 個の成分は独立にどれも $N(0,1)$ に従うので、$x_1,\dots,x_p$ は独立にどれも $N_n(0,I_n)$ に従う。
段 1:列は確率 $1$ で 1 次独立。 $x_1,\dots,x_{j-1}$ を固定すると、それらの張る部分空間 $V$ の次元は $j-1\le p-1< n$ である。$x_j$ は $x_1,\dots,x_{j-1}$ と独立で $N_n(0,I_n)$ に従い、この分布は密度をもつので、次元が $n$ より小さい部分空間 $V$ に入る確率は $0$ である。$j=1,\dots,p$ について合わせると、$x_1,\dots,x_p$ は確率 $1$ で 1 次独立で、$W=X^{\top}X$ は正定値である。
段 2:Gram–Schmidt と Cholesky 因子。 1 次独立な $x_1,\dots,x_p$ を Gram–Schmidtの直交化 で正規直交化して $q_1,\dots,q_p$ を得ると、$x_j=\sum_{k\le j}s_{jk}q_k$、$s_{jk}=\langle x_j,q_k\rangle$($k< j$)、$s_{jj}=\|x_j-\sum_{k< j}s_{jk}q_k\|>0$ と書ける。$S=(s_{jk})$($k>j$ の成分は $0$)、$Q=(q_1\ \cdots\ q_p)$ とおくと $X=QS^{\top}$、$Q^{\top}Q=I_p$ だから $W=X^{\top}X=SS^{\top}$ である。Cholesky 因子の一意性から $S=T$ である。
段 3:各行の分布。 $j$ を固定し、$x_1,\dots,x_{j-1}$(したがって $q_1,\dots,q_{j-1}$)を固定する。$q_1,\dots,q_{j-1}$ に $r_j,\dots,r_n$ を加えて $\mathbb R^n$ の正規直交基底を作る。$x_j$ のこの基底での座標
$$
\bigl(\langle x_j,q_1\rangle,\dots,\langle x_j,q_{j-1}\rangle,\langle x_j,r_j\rangle,\dots,\langle x_j,r_n\rangle\bigr)
$$
は $x_j$ を直交行列で写したもので、$N_n(0,I_n)$ に従う。したがって $n$ 個の座標は独立にどれも $N(0,1)$ に従う。前の $j-1$ 個が $t_{j1},\dots,t_{j,j-1}$ で、
$$
t_{jj}^2=\Bigl\|x_j-\sum_{k< j}t_{jk}q_k\Bigr\|^2=\sum_{l=j}^n\langle x_j,r_l\rangle^2\sim\chi^2_{n-j+1}
$$
である(t分布 の系「標準正規分布の 2 乗和」)。こうして、$x_1,\dots,x_{j-1}$ を与えたときの第 $j$ 行 $(t_{j1},\dots,t_{jj})$ の条件付き分布は「$N(0,1)$ が $j-1$ 個と $\chi^2_{n-j+1}$ の平方根が 1 個、すべて独立」という、$x_1,\dots,x_{j-1}$ によらない分布である。第 $1$ 行から第 $j-1$ 行は $x_1,\dots,x_{j-1}$ の関数なので、第 $j$ 行はそれらと独立で、上の分布に従う。$j=1,\dots,p$ について順に使えば主張を得る。
一般の $\Sigma$ では、$\Sigma=LL^{\top}$($L$ は $\Sigma$ の Cholesky 因子)とすると、prop-wi-basic の 2 から $W\sim W_p(n,\Sigma)$ は $LW_0L^{\top}$($W_0\sim W_p(n,I_p)$)と同じ分布で、Cholesky 因子は $LT_0$ である。
$n\ge p$、$\Sigma$ 正定値、$W\sim W_p(n,\Sigma)$ とする。$\det W/\det\Sigma$ は、独立な $\chi^2_n,\chi^2_{n-1},\dots,\chi^2_{n-p+1}$ に従う変数の積と同じ分布に従う。とくに
$$
E[\det W]=n(n-1)\cdots(n-p+1)\det\Sigma .
$$
$W=LW_0L^{\top}$ と取れるので $\det W=\det\Sigma\cdot\det W_0$ で、$\det W_0=\det(T_0)^2=\prod_jt_{jj}^2$ である。thm-wi-bartlett から積の分布が分かり、独立な変数の積の期待値は期待値の積で、$\chi^2_m$ の平均は $m$ である(カイ二乗分布 の定理「積率母関数と積率」)。
$\mathrm{Sym}_p$ を、成分 $w_{jk}$($j\ge k$)の $p(p+1)/2$ 個を座標として $\mathbb R^{p(p+1)/2}$ と同一視し、その Lebesgue 測度を $dW=\prod_{j\ge k}dw_{jk}$ と書く。対角成分が正の $p\times p$ 下三角行列の全体 $\mathcal T_p$ も、成分 $t_{jk}$($j\ge k$)で $\mathbb R^{p(p+1)/2}$ の開集合とみる。多変量ガンマ関数 を
$$
\Gamma_p(a)=\pi^{p(p-1)/4}\prod_{j=1}^p\Gamma\Bigl(a-\frac{j-1}2\Bigr)\qquad\Bigl(a>\frac{p-1}2\Bigr)
$$
で定める。$\Gamma_1=\Gamma$ である。
1 は座標を適当な順に並べると Jacobi 行列が三角行列になることから、2 は基本行列に分けて計算する。
1。 $w_{jk}=\sum_{l\le k}t_{jl}t_{kl}$($j\ge k$)である。座標の組 $(j,k)$($j\ge k$)を、$j$ を先に比べる辞書式の順に並べる。$w_{jk}$ に現れるのは $t_{jl}$($l\le k$)と $t_{kl}$($l\le k\le j$)で、どちらも順序で $(j,k)$ 以下の組の座標である。よって Jacobi 行列はこの順で三角行列で、対角成分は $\partial w_{jk}/\partial t_{jk}=t_{kk}$($j>k$)、$\partial w_{jj}/\partial t_{jj}=2t_{jj}$ である。積は $\prod_j2t_{jj}\cdot\prod_k t_{kk}^{\,p-k}=2^p\prod_kt_{kk}^{\,p-k+1}$ で、$\mathcal T_p$ の上で正である。$\varphi$ は Cholesky 分解の存在と一意性により全単射で、成分の多項式だから $C^1$ 級である。Jacobi 行列式が $0$ にならないので、逆関数定理により逆写像も $C^1$ 級である。
2。 写像 $S\mapsto ASA^{\top}$ の行列式を $J(A)$ と書く。合成を考えると $J(AB)=J(A)J(B)$ である。正則行列は基本行列の積なので、基本行列について調べればよい。(a) 第 $i$ 行を $c$ 倍する対角行列では、$s_{ii}$ が $c^2$ 倍、$s_{ik}$($k\ne i$)の $p-1$ 個が $c$ 倍、ほかは不変で、$J=c^{p+1}$ である。(b) 行の入れ替え $P$ では $S\mapsto PSP^{\top}$ が座標の並べ替えなので $\lvert J\rvert=1$ である。(c) $E_c=I+cN$($N$ は $(i,k)$ 成分だけが $1$、$i\ne k$)では、$J(E_c)$ は $c$ の多項式で、$E_cE_{-c}=I$ から $J(E_c)J(E_{-c})=1$ である。多項式 $\delta(c)=J(E_c)$ について $\delta(c)\delta(-c)$ は定数 $1$ なので、次数を比べて $\delta$ は定数で、$\delta(0)=1$ から $J(E_c)=1$ である。以上から $\lvert J(A)\rvert=\lvert\det A\rvert^{p+1}$ である。
$n\ge p$、$\Sigma$ を正定値とする。$W_p(n,\Sigma)$ は $\mathcal P_p$ の上に、$dW$ に関する密度
$$
f(W)=\frac{(\det W)^{(n-p-1)/2}\exp\bigl(-\frac12\operatorname{tr}(\Sigma^{-1}W)\bigr)}{2^{np/2}(\det\Sigma)^{n/2}\,\Gamma_p(n/2)}
$$
をもつ。
$\Sigma=I_p$ の場合。 $V\sim\chi^2_m$ のとき $\sqrt V$ の密度は、カイ二乗分布 の定義の密度 $g_m$ から $h_m(t)=2tg_m(t^2)=t^{m-1}e^{-t^2/2}/(2^{m/2-1}\Gamma(m/2))$($t>0$)である。thm-wi-bartlett により、$W$ の Cholesky 因子 $T$ は $\mathcal T_p$ の上に密度
$$
f_T(T)=\prod_{j=1}^p\frac{t_{jj}^{\,n-j}e^{-t_{jj}^2/2}}{2^{(n-j+1)/2-1}\Gamma(\frac{n-j+1}2)}\prod_{j>k}\frac{e^{-t_{jk}^2/2}}{\sqrt{2\pi}}
$$
をもつ。$W=\varphi(T)$ なので、lem-wi-jacobian の 1 と 変数変換公式(多変数積分) から、$W$ の密度は $f_T(T)/\bigl(2^p\prod_jt_{jj}^{\,p-j+1}\bigr)$($T=\varphi^{-1}(W)$)である。ここで
一般の場合。 $\Sigma=LL^{\top}$ とすると、$W$ は $LW_0L^{\top}$($W_0\sim W_p(n,I_p)$)と同じ分布に従う。lem-wi-jacobian の 2 から $W$ の密度は $f_0(L^{-1}WL^{-\top})\,\lvert\det L\rvert^{-(p+1)}$ で、$\det(L^{-1}WL^{-\top})=\det W/\det\Sigma$、$\operatorname{tr}(L^{-1}WL^{-\top})=\operatorname{tr}(\Sigma^{-1}W)$、$\lvert\det L\rvert^{p+1}=(\det\Sigma)^{(p+1)/2}$ を代入すれば、$\det\Sigma$ の冪は $-\frac{n-p-1}2-\frac{p+1}2=-\frac n2$ となって主張を得る。
$p=1$ では $\Gamma_1(n/2)=\Gamma(n/2)$ で、$\sigma^2\chi^2_n$ の密度 $w^{n/2-1}e^{-w/(2\sigma^2)}/(2^{n/2}\sigma^n\Gamma(n/2))$ に戻る。密度の式は Bis06 (B.78)–(B.79)(p. 693)の式と同じである(そこでの $\Lambda$、$\boldsymbol W$、$\nu$、$D$ が、ここでの $W$、$\Sigma$、$n$、$p$)。
上の式の右辺は、実数 $n>p-1$ でも $\mathcal P_p$ 上の確率密度になる。これを自由度 $n$ の Wishart 分布の定義とすることが多い。
$\Sigma=I_p$ としてよい(一般の場合は lem-wi-jacobian の 2 で移る)。$W=\varphi(T)$ と置き換えると、lem-wi-jacobian の 1 により $\int_{\mathcal P_p}(\det W)^{(n-p-1)/2}e^{-\operatorname{tr}W/2}dW=2^p\prod_j\int_0^\infty t^{n-j}e^{-t^2/2}dt\cdot\prod_{j>k}\int_{\mathbb R}e^{-t^2/2}dt$ となる。$\int_0^\infty t^{n-j}e^{-t^2/2}dt=2^{(n-j-1)/2}\Gamma(\frac{n-j+1}2)$ は $n-j>-1$ のとき有限で、$j\le p$ のすべてで成り立つ条件は $n>p-1$ である。値をまとめると証明の定数 $2^{np/2}\Gamma_p(n/2)$ になる。
$N\ge2$ とし、$X_1,\dots,X_N$ は独立にどれも $N_p(\mu,\Sigma)$ に従うとする。$\bar X=\frac1N\sum_iX_i$、
$$
S=\sum_{i=1}^N(X_i-\bar X)(X_i-\bar X)^{\top}
$$
とおくと、$S\sim W_p(N-1,\Sigma)$ で、$S$ と $\bar X$ は独立である。
$\mathbb R^N$ の正規直交基底 $h_1,\dots,h_N$ を、$h_N=\frac1{\sqrt N}(1,\dots,1)^{\top}$ となるように取り、$h_k$ を第 $k$ 行とする直交行列を $H=(H_{kl})$ とする。$Y_k=\sum_lH_{kl}X_l$ とおく。
$(X_1,\dots,X_N)$ を並べた $Np$ 次元のベクトルは多変量正規分布に従い(独立な正規ベクトルを並べたもの)、$(Y_1,\dots,Y_N)$ はその 1 次変換なので、やはり多変量正規分布に従う。平均は $E[Y_k]=(\sum_lH_{kl})\mu=\sqrt N\langle h_k,h_N\rangle\mu$ で、$k< N$ なら $0$、$k=N$ なら $\sqrt N\mu$ である。共分散は
$$
\operatorname{Cov}(Y_k,Y_m)=\sum_lH_{kl}H_{ml}\Sigma=\langle h_k,h_m\rangle\Sigma=\delta_{km}\Sigma .
$$
異なる $k$ の間の共分散が $0$ なので、多変量正規分布 の定理「無相関なら独立」を繰り返し使うと $Y_1,\dots,Y_N$ は独立である。よって $Y_1,\dots,Y_{N-1}$ は独立にどれも $N_p(0,\Sigma)$ に従う。
$H$ は直交行列なので $\sum_kY_kY_k^{\top}=\sum_lX_lX_l^{\top}$ で、$Y_N=\sqrt N\bar X$ である。$\sum_lX_lX_l^{\top}-N\bar X\bar X^{\top}=S$ だから
$$
S=\sum_{k=1}^{N-1}Y_kY_k^{\top}\sim W_p(N-1,\Sigma).
$$
$S$ は $Y_1,\dots,Y_{N-1}$ の関数、$\bar X=Y_N/\sqrt N$ は $Y_N$ の関数なので、両者は独立である。
共分散行列 の命題「標本共分散行列の不偏性」の $\frac1{N-1}S$ が $\Sigma$ の不偏推定量であることは、prop-wi-basic の 1 からも分かる。$p=1$ では、$\sum(X_i-\bar X)^2/\sigma^2\sim\chi^2_{N-1}$ という カイ二乗分布 の例「偏差平方和の分解」と同じ内容である。
$\Sigma=\begin{pmatrix}1&0.5\\0.5&2\end{pmatrix}$、$n=10$、$W\sim W_2(10,\Sigma)$ とする。prop-wi-basic の 1・5 と cor-wi-det から
$$
E[W]=\begin{pmatrix}10&5\\5&20\end{pmatrix},\quad\operatorname{Var}(W_{11})=20,\quad\operatorname{Var}(W_{22})=80,\quad\operatorname{Var}(W_{12})=10(0.25+2)=22.5,
$$
$\det\Sigma=1.75$ なので $E[\det W]=10\cdot9\cdot1.75=157.5$ である。
$\Gamma_2(3/2)=\pi^{1/2}\Gamma(3/2)\Gamma(1)=\pi/2$ なので、thm-wi-density の密度は
$$
f(W)=\frac{e^{-(w_{11}+w_{22})/2}}{4\pi}\qquad(w_{11}>0,\ w_{22}>0,\ w_{12}^2< w_{11}w_{22})
$$
で、行列式によらない。たとえば $W=\begin{pmatrix}2&0.5\\0.5&1\end{pmatrix}$ で $f=e^{-1.5}/(4\pi)\approx0.017756$ である。また $\operatorname{tr}W$ は $X$ の 6 個の成分の 2 乗和だから $\chi^2_6$ に従い、$P(\operatorname{tr}W\le6)\approx0.57681$ である。
$w_{12}$ について積分すると長さ $2\sqrt{w_{11}w_{22}}$ が出て、$\int\!\!\int2\sqrt{ab}\,e^{-(a+b)/2}da\,db=2\bigl(\Gamma(3/2)2^{3/2}\bigr)^2=2\cdot2\pi=4\pi$ である。
$N=11$ 個の標本を $N_2(\mu,\Sigma)$($\Sigma$ は ex-wi-moments のもの)から取ると、thm-wi-sample により $S\sim W_2(10,\Sigma)$ である。$\frac1{10}S$ は $\Sigma$ の不偏推定量だが、cor-wi-det により
$$
E\Bigl[\det\Bigl(\tfrac1{10}S\Bigr)\Bigr]=\frac{10\cdot9}{10^2}\det\Sigma=0.9\cdot1.75=1.575
$$
で、$\det\Sigma=1.75$(一般化分散)を $10\%$ 小さく見積もる。
| 外す条件 | 反例 | 成り立たなくなること |
|---|---|---|
| def-wi-main の独立性 | $X_1=X_2=X\sim N_2(0,I_2)$、$n=2$ | $W=2XX^{\top}$ は階数 $1$ で $\det W=0$。$W_2(2,I_2)$ では cor-wi-det より $\det W$ は $\chi^2_2\chi^2_1$ と同じ分布で、確率 $1$ で正 |
| def-wi-main の正規性 | $p=1$、$X_i$ は独立に $\pm1$ を確率 $\frac12$ ずつ(平均 $0$、分散 $1$)、$n=10$ | $W=10$ は定数で、$\operatorname{Var}(W)=0$。prop-wi-basic の 5 の $2n=20$ と違う |
| thm-wi-density の $n\ge p$ | $p=2$、$n=1$、$\Sigma=I_2$ | $W=X_1X_1^{\top}$ は確率 $1$ で特異。特異な対称行列の集合は $dW$ で測度 $0$ なので、$W$ は密度をもたない |
| def-wi-main の平均 $0$ | $X_i\sim N_2(\mu,I_2)$、$\mu=(1,2)^{\top}$、$n=5$ | $E[W]=n(I_2+\mu\mu^{\top})=\begin{pmatrix}10&10\\10&25\end{pmatrix}$ で、prop-wi-basic の 1 の $nI_2$ と違う |
どの行も、表の 1 つの条件だけが外れている。3 行目の測度 $0$ は、$\det$ が $w_{jk}$ の $0$ でない多項式で、その零点集合が Lebesgue 測度 $0$ であることによる。4 行目は $E[X_iX_i^{\top}]=I_2+\mu\mu^{\top}$ から出る。標本平均を引けば平均の影響は消えるが、自由度が $1$ 減る(thm-wi-sample)。
| 誤り | 正しくは | なぜ |
|---|---|---|
| 標本平均を引いた $S$ の自由度を $N$ とする | $N-1$ | thm-wi-sample |
| 密度の $\det W$ の指数を $\frac{n-2}2$ とする | $\frac{n-p-1}2$($p=1$ でだけ $\frac{n-2}2$) | thm-wi-density |
| $\Gamma_p(n/2)$ を $\Gamma(n/2)^p$ とする | $\pi^{p(p-1)/4}\prod_j\Gamma(\frac n2-\frac{j-1}2)$ | Bartlett 分解の対角成分の自由度が $1$ ずつ減る |
| 精度行列の事前分布 $\Lambda\sim W_p(\nu,\cdot)$ を、共分散行列の分布と読む | $\Lambda$ の分布で、共分散行列 $\Lambda^{-1}$ は逆 Wishart 分布に従う | Bis06 §2.3.6(p. 102) |
| $\frac1{N-1}S$ が不偏なので $\det(\frac1{N-1}S)$ も $\det\Sigma$ の不偏推定量とする | 平均は $\frac{(N-1)(N-2)\cdots(N-p)}{(N-1)^p}\det\Sigma$ で小さい | cor-wi-det、ex-wi-sample |
Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する