n-rozměrné normální rozdělení pravděpodobnosti

Podobné dokumenty
8. Analýza rozptylu.

procesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze

Kapitola 5 - Matice (nad tělesem)

12. N á h o d n ý v ý b ě r

Správnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13).

Komplexní čísla. Definice komplexních čísel

Při sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací

jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých

4. B o d o v é o d h a d y p a r a m e t r ů

3. Lineární diferenciální rovnice úvod do teorie

14. B o d o v é o d h a d y p a r a m e t r ů

Kapitola 4 Euklidovské prostory

2.4. INVERZNÍ MATICE

Pravděpodobnost a aplikovaná statistika

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:

Náhodný výběr 1. Náhodný výběr

V. Normální rozdělení

Odhady parametrů 1. Odhady parametrů

Obsah. 1 Mocninné řady Definice a vlastnosti mocninných řad Rozvoj funkce do mocninné řady Aplikace mocninných řad...

I. TAYLORŮV POLYNOM ( 1

20. Eukleidovský prostor

Matematika přehled vzorců pro maturanty (zpracoval T. Jánský) Úpravy výrazů. Binomická věta

Iterační metody řešení soustav lineárních rovnic

11. přednáška 16. prosince Úvod do komplexní analýzy.

8. Odhady parametrů rozdělení pravděpodobnosti

odhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.

7. Analytická geometrie

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor nezávislost, funkce náhodného vektoru

Intervalové odhady parametrů některých rozdělení.

Definice obecné mocniny

Masarykova univerzita Přírodovědecká fakulta

Abstrakt. Co jsou to komplexní čísla? K čemu se používají? Dá se s nimi dělat

1.1. Definice Reálným vektorovým prostorem nazýváme množinu V, pro jejíž prvky jsou definovány operace sčítání + :V V V a násobení skalárem : R V V

Matematika I. Název studijního programu. RNDr. Jaroslav Krieg České Budějovice

1. Číselné obory, dělitelnost, výrazy

Intervalové odhady parametrů

Cvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu

DIFERENCIÁLNÍ POČET FUNKCE JEDNÉ PROMĚNNÉ. 1) Pojem funkce, graf funkce

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor nezávislost, funkce náhodného vektoru

P2: Statistické zpracování dat

Budeme pokračovat v nahrazování funkce f(x) v okolí bodu a polynomy, tj. hledat vhodné konstanty c n tak, aby bylo pro malá x a. = f (a), f(x) f(a)

z možností, jak tuto veličinu charakterizovat, je určit součet

Kvantily. Problems on statistics.nb 1

ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)

2. Náhodná veličina. je konečná nebo spočetná množina;

GEOMETRIE I. Pavel Burda

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.

Analytická geometrie

Matice. nazýváme m.n reálných čísel a. , sestavených do m řádků a n sloupců ve tvaru... a1

1 Uzavřená Gaussova rovina a její topologie

i 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky

3. Charakteristiky a parametry náhodných veličin

Cvičení 1.1. Dokažte Bernoulliovu nerovnost (1 + x) n 1 + nx, n N, x 2. Platí tato nerovnost obecně pro všechna x R a n N?

Číselné charakteristiky náhodných veličin

= + nazýváme tečnou ke grafu funkce f

Mezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.

definované pro jednotlivé řády takto: ) řádu n nazýváme číslo A = det( A) a a a11 a12

DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM

Testujeme hypotézu: proti alternativě. Jednoduché třídění:

je číselná posloupnost. Pro všechna n položme s n = ak. Posloupnost

a logaritmickou funkci a goniometrické funkce. 6.1 Násobení řad. Podívejme se neprve na násobení mnohočlenů x = x x n a y = y y n.

MATEMATICKÁ INDUKCE. 1. Princip matematické indukce

Přednáška 7, 14. listopadu 2014

I. TAYLORŮV POLYNOM. Taylorovy řady některých funkcí: Pro x R platí: sin(x) =

PRAVDĚPODOBNOST A STATISTIKA

13 Popisná statistika

O Jensenově nerovnosti

EKONOMETRIE 9. přednáška Zobecněný lineární regresní model

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou

PRAVDĚPODOBNOST A STATISTIKA

Přednáška 7: Soustavy lineárních rovnic

I. Exponenciální funkce Definice: Pro komplexní hodnoty z definujeme exponenciální funkci předpisem. z k k!. ( ) e z = k=0

Komplexní čísla, komplexně sdružená čísla, opačná komplexní čísla, absolutní hodnota (modul) komplexního čísla. z 2 z 1

Kombinatorické pravděpodobnosti

n=0 a n, n=0 a n = ±. n=0 n=0 a n diverguje k ±, a píšeme n=0 n=0 b n = t. Pak je konvergentní i řada n=0 (a n + b n ) = s + t. n=0 k a n a platí n=0

Znegujte následující výroky a rozhodněte, jestli platí výrok, nebo jeho negace:

Matematika I, část II

a my chceme data proložit nějakou hladkou funkcí, která by vystihovala hlavní vlastnosti dat, ale ignorovala malé fluktuace a nepřesnosti.

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.

Přednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti

S polynomy jste se seznámili již v Matematice 1. Připomeňme definici polynomické

n=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a a N. n=1

Odhady parametrů základního. Ing. Michal Dorda, Ph.D.

Pravděpodobnost a aplikovaná statistika

c) Pomocí Liouvillovy věty dokažte, že Liouvillovo číslo je transcendentí. xp 1 (p 1)! (x 1)p (x 2) p... (x d) p e x t f(t) d t = F (0)e x F (x),

NMAF063 Matematika pro fyziky III Zkoušková písemná práce 25. ledna x 1 n

1 Základní pojmy a vlastnosti

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

Úloha II.S... odhadnutelná

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

Úloha III.S... limitní

6. Posloupnosti a jejich limity, řady

11.1 Úvod. Definice : [MA1-18:P11.1] definujeme pro a C: nedefinujeme: Posloupnosti komplexních čísel

Užitečné zdroje příkladů jsou: Materiály ke cvičením z Kalkulu 3 od Kristýny Kuncové:

Přijímací řízení akademický rok 2013/2014 NavMg. studium Kompletní znění testových otázek matematika a statistika

12 VZORKOVACÍ TEORÉM 1

Cvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková

Prorážka DOC. ING. PAVEL HÁNEK, CSC. Uvedené materiály jsou doplňkem přednášek předmětu 154GP10

Transkript:

-rozměré ormálí rozděleí pravděpodobosti. Ortogoálí a pozitivě defiití symetrické matice. Reálá čtvercová matice =Ha i j L řádu se azývá ortogoálí, je-li regulárí a iverzí matice - je rova traspoovaé matici T. Jiými slovy, matice je ortogoálí, právě když pro každé dva idexy i j z možiy 8,,, < k= =, a ik k= =, a ik a jk =, a ki a kj =. a ki k= Protože čtvercová matice a matice k í traspoovaá - mají stejý determiat, determiat ortogoálí matice je rove, a protože H L H L T = T T, souči ortogoálích matic je opět ortogoálí matice. Reálá symetrická matice =Ha i j L řádu se azývá pozitivě defiití, jestliže jí určeá kvadratická forma QHxL je pozitivě defiití, tj. platí-li implikace k= H,, L x = Hx,, x L QHxL = i,j= a ij x i x j >. Ukazuje se, že matice je pozitivě defiití, právě když ji lze vyjádřit ve tvaru = T, kde je ortogoálí matice a je diagoálí matice s kladými diagoálími prvky. Odtud okamžitě plye, že determiat pozitivě defiití matice je kladý a že matice iverzí k pozitivě defiití matici je též pozitivě defiití.. Defiice -rozměrého ormálího rozděleí pravděpodobosti. Řekeme, že áhodý vektor =HX,, X L má -rozměré ormálí rozděleí pravděpodobosti NHm, SL, kde m =Hm,, m L œ a S =Hs i j L je positivě defiití symetrická matice řádu, má-li hustotu pravděpodobosti fh L = fhx,, x L = kde Q je kvadratická forma určeá iverzí maticí S -. ê è!!!!!!!!!!!!!!!!! H πl dethσl QH µln, 3. Věta. Náhodý vektor =HX,, X L má -rozměré ormálí rozděleí pravděpodobosti NHm, SL, právě když existují ezávislé ormálě rozděleé áhodé veličiy Y,, Y s ulovou středí hodotou a ortogoálí matice tak, že platí () T = HX,, X L T = HY, Y,, Y L T + µ T, Σ = T, () kde D je diagoálí matice, jejímiž diagoálími prvky jsou rozptyly áhodých veliči Y,, Y. Důkaz. Nechť l je -rozměrá Lebesgueova míra a. I. Předpokládejme ejprve, že má -rozměré ormálí rozděleí pravděpodobosti s hustotou (). Zapišme matici S ve tvaru S = D T, kde je ortogoálí matice a D je diagoálí matice, jejímiž diagoálími prvky jsou druhé mociy kladých čísel d,, d, a defiujme áhodý vektor =HY,, Y L rovicí (). Protože determiat ortogoálí matice je rove a tedy pro libovolou borelovskou možiu B v platí ê è!!!!!!!!!!!!!!!!! H πl dethσl dethσl = deth L = δ δ δ, P@ BD = P@H µl BD = P@ B T + µd = B T +µ Substituce QH µln λh L = À µ = ê è!!!!!!!!!!!!!!!!! H πl deth L QH LN λh L = B T À =

-Dimesioal Normal Distributio.b, 4//6 ê è!!!!!!!!!!!!!!!!! H πl deth L T T N λh L = ƒ B T ê è!!!!!!!!!!!!!!!!! H πl deth L B expj T N λh L = Substituce = T ƒ = H πl ê δ δ δ B expj J y δ + + y δ NN λh L. Speciálě tedy P@Y y,, Y y D = δ è!!!!!!!!!! π y t δ t δ è!!!!!!!!!! π y t δ t, odkud ihed plye, že áhodé veličiy Y,, Y jsou ezávislé a ormálě rozděleé s ulovou středí hodotou a rozptyly d,, d. II. Předpokládejme yí obráceě, že platí (), kde je ortogoálí matice a Y,, Y jsou ezávislé ormálě rozděleé áhodé veličiy s ulovou středí hodotou a směrodatými odchylkami d,, d, takže áhodý vektor =HY,, Y L má hustotu pravděpodobosti ghyl = ghy,, y L = H πl ê δ δ δ J y δ + + y δ NN. Ozačíme-li D diagoálí matici s diagoálími prvky d,, d a položíme-li S = D T, pak pro libovolou borelovskou možiu v platí P@ BD = P@ + µ BD = P@ HB µl T D = H πl ê δ δ δ J y δ HB µl T ê è!!!!!!!!!!!!!!!!! H πl dethσl ê è!!!!!!!!!!!!!!!!! H πl deth L expj HB µl T ê è!!!!!!!!!!!!!!!!! H πl dethσl B µ expj HB µl T + + y δ NN λh L = T N λh L = Σ T T N λh L = ƒ Substituce QH LN λh L = À = µ Substituce = T ƒ = À = ê è!!!!!!!!!!!!!!!!! H πl dethσl B QH µln λh L, kde Q je kvadratická forma určeá maticí S -. To však dokazuje, že áhodý vektor má -rozměré ormálí rozděleí pravděpodobosti NHm, SL. 4. Věta. Má-li áhodý vektor hustotu pravděpodobosti (), potom m = EH L a S=covH L, tj. pro všecha i, j œ8,,, <. Důkaz. Plye sado z věty 3 a vlastostí středí hodoty. µ i = EHX i L, σ ij = covhx i, X j L 5.Věta (o sigulárím rozkladu). Pro každou matici typu H, pl, kde p, existují matice,, s ásledujícími vlastostmi:

-Dimesioal Normal Distributio.b, 4//6 3 HaL Matice, jsou ortogoálí řádu resp. p. HbL Matice je typu H, pl a kde s s s p. HcL =. is O y T s =, ª ª ª ª j z k s p Důkaz viz apř. Roger A. Hor, Charles R. Johso: Matrix aalysis, Cambridge Uiversity Press, 986, ebo ruský překlad z r. 989. 6. Věta. Nechť x œ p, =HX,, X L je -rozměrý áhodý vektor a je matice typu H, pl. Jestliže má - rozměré ormálí rozděleí NHm, SL, kde S je pozitivě defiití symetrická matice, a matice má hodost p, potom p-rozměrý áhodý vektor =x + má p-rozměré ormálí rozděleí NHx +m, T S L. Důkaz. Nechť l je Lebesgueova míra jak a tak a p. Náhodý vektor má rozděleí NHm, SL, právě když -m má rozděleí NH, SL, a má rozděleí NHx +m, T S L, právě když -x-m =H -ml má rozděleí NH, T S L. V důkazu proto můžeme bez újmy a obecosti předpokládat m =, x =. Naším úkolem je pak dokázat: Má-li áhodý vektor hustotu pravděpodobosti ϕh L = potom áhodý vektor = má hustotu pravděpodobosti tj. ψh L = pro každou borelovskou možiu B Õ p. ê è!!!!!!!!!!!!!!!!! H πl dethσl Σ T N,, H πl pê è!!!!!!!!!!!!!!!!!!!!!!!!!!! deth T Σ L H T Σ L T N, p, I. Nechť p =. Matice je v tomto případě regulárí a proto P@ BD = ψh L λh L B P@ BD = P@ B D = ϕh L λh L HL =»deth L» B ϕh L λh L = B»detH L» ê è!!!!!!!!!!!!!!!!! H πl dethσl B H πl ê è!!!!!!!!!!!!!!!!!!!!!!!!!!! deth T Σ L B Σ T T N λh L HL = H T Σ L N T λh L = ψh L λh L, B kde rovost () je důsledkem substituce = - a substitučí věty pro vícerozměré itegrály a () je důsledkem dobře zámých idetit Σ H L T = H T Σ L, è!!!!!!!!!!!!!!!!!!!!!!!!!!! deth T Σ L = è!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! deth T L dethσl deth L =»deth L» è!!!!!!!!!!!!!!!!! dethσl. II. Nechť p < a T =H, L, kde p je jedotková matice řádu p a je ulová matice vhodého typu. Idukcí podle řád-kového idexu se sado dokáže existece matice typu H - p, pl, pro kterou platí implikace = J p N Σ T = J Σ p N, p Σ p

4 -Dimesioal Normal Distributio.b, 4//6 kde, jak je sado vidět, matice S p, S -p jsou positivě defiití. Položíme-li = -T, dostaeme postupě P@ BD = P@ B p HL D = ϕh L λh L = B p ê è!!!!!!!!!!!!!!!!! H πl dethσl ê è!!!!!!!!!!!!!!!!! H πl dethσl H πl pê H πl H plê i è!!!!!!!!!!!!!!!!!!! dethσ p L è!!!!!!!!!!!!!!!!!!!!!!! dethσ p L j kb expj B p B p expj pê H πl è!!!!!!!!!!!!!!!!!!! dethσ p L B ϕh T L λh L = B p T T N λh L = H Σ T L T N λh L = y i Σ p T N λh L z j expj k p expj Σ p T N λh L HL Σ p y T N λh L z = kde () a () jsou po řadě důsledky substitučí resp. Fubiiovy věty. Zbývá ukázat, že S p = T S. To je však sadé, eboť podle defiice matice a tedy = J p N, p Σ = J p N J Σ p N i j p T y z = i j Σ p p Σ p k p k Σ p T Σ = H p L i j Σ p k Σ p Σ p T y Σ p T z, + Σ p Σ p T y Σ p T z J p + Σ p N = Σ p. III. Nechť p < a = je sigulárí rozklad matice z věty 5. Podle části I důkazu má áhodý vektor - rozměré ormálí rozděleí NH, T S L. Položíme-li T =H, L, kde je čtvercová matice řádu p, potom - =H p, L, a proto áhodý vektor - má podle části II důkazu p-rozměré ormálí rozděleí NI,H L T T Σ H LM = NI,H L T Σ H LM. Koečě matice řádu p je regulárí, a proto áhodý vektor =H - L má podle části I důkazu p- roz- měré ormálí rozděleí NI, H L T H L T Σ H L H LM = NI,H L T Σ H LM = N H, T Σ L. Tím je věta plě dokázáa. 7. Důsledek. Má-li -rozměrý áhodý vektor =HX,, X L -rozměré ormálí rozděleí NHm, SL, kde m =Hm,, m L a S =Hs i j L, potom X i ~ NHm i, s ii L pro každé i =,,. 8. Dvourozměré ormálí rozděleí. Podívejme se yí blíže a dvourozměré ormálí rozděleí NH, SL áhodého vektoru =HX, X L, kde Σ = J α β β γ N, Σ = takže formule () pro hustotu pravděpodobosti má tvar fhx, x L = α γ β J γ β β α N, π è!!!!!!!!!!!!!!!!! α γ β expj Hα γ β L Hγ x β x x + α x LN.

-Dimesioal Normal Distributio.b, 4//6 5 Protože matice S je pozitivě defiití, všecha čísla a, g, a g - b jsou kladá.vytkeme-li v každém součtu a pravé straě souči a g ebo è!!!!!!!! a g, dostaeme vyjádřeí fhx, x L = π è!!!!!!! α γ "################ β α γ exp i j k H α β γ L J x α β x x α γ + x γ Ny z. Podle věty 4 však platí a = s, g = s a b = s = covhx, X L = r s s, kde s, s jsou směrodaté odchylky áhodých veliči X, X a r je jejich koeficiet korelace. Použijeme-li tyto vztahy, dostaeme akoec toto vyjádřeí hustoty pravděpodobosti dvourozměrého ormálího rozděleí NH, SL: fhx, x L = π σ σ è!!!!!!!!!!!!! ρ expj H ρ L J x σ ρ x x + x σ σ σ NN. (3) 9. Graf hustoty pravděpodobosti dvourozměrého ormálího rozděleí. I. Nezávislé áhodé veličiy : s = ; s = ; r =. -4.8 - y 4.6.4. -5 -.5 x.5 5 II. Kladě korelovaé áhodé veličiy : s = ; s = ; r =.5. -4 - y 4.8.6.4. -5 -.5 x.5 5 III. Záporě korelovaé áhodé veličiy : s = ; s = ; r = -.5.

6 -Dimesioal Normal Distributio.b, 4//6-4 - y 4.8.6.4. -5 -.5 x.5 5. Vrstevice hustoty pravděpodobosti dvourozměrého ormálího rozděleí. Předpokládejme, že hustota pravděpodobosti dvourozměrého ormálího rozděleí je dáa formulí (3). Maximálí možá hodota této hustoty je zřejmě rova převráceé hodotě součiu p s s è!!!!!!!!!!!!!! - r. c-vrstevice, tj. rovié křivky defiovaé implicitě rovicí fhx, x L = c pro každé c > splňující podmíku c p s s è!!!!!!!!!!!!!! - r <, jsou zřejmě elipsy se středem v počátku. Abychom ašli jejich parametrický popis, položme x = σ r cos HϕL, x = σ r si HϕL, (4) kde r >, a dosaďme za x a x do rovice fhx, x L = c. Po zřejmých úpravách dostaeme rovici z íž vypočteme r H ρ sih ϕll = Hρ L l I c π σ σ è!!!!!!!!!!!!! ρ M, Hρ r = $%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% L ρ sih ϕl l I c π σ σ è!!!!!!!!!!!!! ρ M. (5) Dosadíme-li za r do (4) podle (5), dostaeme hledaé parametrické vyjádřeí c-vrstevice: x = σ coshϕl $%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Hρ L ρ sih ϕl li c π σ σ è!!!!!!!!!!!!! ρ M, x = σ sihϕl $%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Hρ L ρ sih ϕl li c π σ σ è!!!!!!!!!!!!! ρ M, ϕ π. Neí těžké vypočítat, že vrcholy těchto elips, tj. jejich body s miimálí ebo maximálí vzdáleostí od počátku odpovídají v případě r hodotám j < j < j 3 < j 4 z itervalu H, pl, kde i σ ϕ = arctg σ + "#################################################### 4 ρ σ σ +H σ + σ L y j» ρ» σ z, k i σ ϕ = arctg σ "#################################################### 4 ρ σ σ +H σ + σ L y j» ρ» σ z + π, k ϕ 3 = ϕ + π, ϕ 4 = ϕ + π. Přímka procházející počátkem a bodem Hx, x L má směrici x = σ x σ tghϕl.

-Dimesioal Normal Distributio.b, 4//6 7 Osy elipsy fhx, x L = c procházející jejími vrcholy mají tedy směrice σ tghϕ σ L = σ σ + "#################################################### 4 ρ σ σ +H σ + σ L,» ρ» σ σ σ tghϕ σ L = σ σ "#################################################### 4 ρ σ σ +H σ + σ L.» ρ» σ σ Položíme-li c = I4 π σ σ è!!!!!!!!!!!!! ρ M, pak pro s = s =, r klesající po.5 od.9 do -.9 dostaeme vrstevice.5 --.5.5 -.5 -.5 --.5.5 -.5 -.5 --.5.5 -.5 -.5 --.5.5 -.5 -.5 --.5.5 -.5 -.5 --.5.5 -.5 -.5 --.5.5 -.5 -.5 --.5.5 -.5 -.5 --.5.5 -.5 - a pro s =, s = a r klesající po dvou desetiách od.9 do -.9 dostaeme vrstevice.5.5.5 - -.5 - - -.5 - - -.5 - - - -.5.5.5 - -.5 - - -.5 - - -.5 - - - -.5.5.5 - -.5 - - -.5 - - -.5 - - - -

8 -Dimesioal Normal Distributio.b, 4//6. Příklad. Vypočteme pravděpodobost P@QH L D, kde =HX, X L je áhodý vektor s shustotou pravdě podobosti fh L = π è!!!!!!!!!!!!!!!!! dethσl exp J QH LN, QH L = Σ T. Existuje ortogoálí matice a diagoálí matice s diagoálími prvky d >, d > tak, že S = T. Podle defiice hustoty pravděpodobosti a substitučí věty proto platí P@QH L D = π è!!!!!!!!!!!!!!!!! dethσl π è!!!!!!!!!!!!!!!!! dethσl π è!!!!!!!!!!!!!!!!! dethσl d y +d y è!!!! QH L T expj Σ T N λh L =» = T» = expj T N λh L = J y d + y d NN λh L = À y = d r coshϕl y = d r sihϕl À = π è!!!! π r r N r ϕ = r expj r N r = B r NF è!!!! =. Pozámka. Pro áhodý vektor =HX,..., X L s -rozměrým ormálím rozděleím pravděpodobosti NHm, SL a QH L = S - T lze s pomocí zobecěých sférických souřadic stejým postupem dokázat kde x = ρ cos ϕ si ϕ si ϕ 3 si ϕ 4... si ϕ x = ρ si ϕ si ϕ si ϕ 3 si ϕ 4... si ϕ x 3 = ρ cos ϕ si ϕ 3 si ϕ 4... si ϕ x 4 = ρ cos ϕ 3 si ϕ 4... si ϕ,.................... x = ρ cos ϕ si ϕ x = ρ cos ϕ P@QH L D = $%%%%%% π è!!!! ExpA t. < ρ, < ϕ < π, < ϕ,..., ϕ < π E t, =, P@QH L D = IGammaA E GammaA, Gamma@ EM D H L! è!!! π, >, ê GammaA E GammaA, E = t ê t t, GammaA E = Hm L!, = m +, GammaA è!!! H m 3L!! E = π m, = m.