EKONOMETRIA
Zastosowanie matematyki
w ekonomii
Redaktor naukowy
Janusz Łyko
26
Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu Wrocław 2009
PRACE NAUKOWE
UNIWERSYTETU EKONOMICZNEGO
WE WROCŁAWIU
nr 76
RESEARCH PAPERS
OF WROCŁAW UNIVERSITY
OF ECONOMICS
No. 76
Spis treści
Wstęp ... 7
Beata Bal-Domańska, Ekonometryczna analiza sigma i beta konwergencji regionów Unii Europejskiej ... 9
Andrzej Bąk, Aneta Rybicka, Marcin Pełka, Modele efektów głównych i modele z interakcjami w conjoint analysis z zastosowaniem programu R 25 Katarzyna Budny, Kurtoza wektora losowego ... 44
Wiktor Ejsmont, Optymalna liczebność grupy studentów ... 55
Kamil Fijorek, Model regresji dla cechy przyjmującej wartości z przedziału (0,1) – ujęcie bayesowskie ... 66
Paweł Hanczar, Wyznaczanie zapasu bezpieczeństwa w sieci logistycznej ... 77
Roman Huptas, Metody szacowania wewnątrzdziennej sezonowości w ana-lizie danych finansowych pochodzących z pojedynczych transakcji ... 83
Aleksandra Iwanicka, Wpływ zewnętrznych czynników ryzyka na prawdopo-dobieństwo ruiny w skończonym horyzoncie czasowym w wieloklasowym modelu ryzyka ... 97
Agnieszka Lipieta, Stany równowagi na rynkach warunkowych ... 110
Krystyna Melich-Iwanek, Polski rynek pracy w świetle teorii histerezy ... 122
Rafał Piszczek, Zastosowanie modelu logit w modelowaniu upadłości ... 133
Marcin Salamaga, Próba weryfikacji teorii parytetu siły nabywczej na przy-kładzie kursów wybranych walut ... 149
Antoni Smoluk, O zasadzie dualności w programowaniu liniowym ... 160
Małgorzata Szulc-Janek, Influence of recommendations announcements on stock prices of fuel market ... 170
Jacek Welc, Regresja liniowa w szacowaniu fundamentalnych współczynni-ków Beta na przykładzie spółek giełdowych z sektorów: budownictwa, informatyki oraz spożywczego ... 180
Andrzej Wilkowski, O współczynniku korelacji ... 191
Mirosław Wójciak, Klasyfikacja nowych technologii energetycznych ze względu na determinanty ich rozwoju ... 199
Andrzej Wójcik, Wykorzystanie modeli wektorowo-autoregresyjnych do modelowania gospodarki Polski ... 209
Katarzyna Zeug-Żebro, Rekonstrukcja przestrzeni stanów na podstawie wielowymiarowych szeregów czasowych ... 219
6
Spis treściSummaries
Beata Bal-Domańska, Econometric analysis of sigma and beta convergence
in the European Union regions ... 24
Andrzej Bąk, Aneta Rybicka, Marcin Pełka, Main effects models and
main and interactions models in conjoint analysis with application of R software ... 43
Katarzyna Budny, Kurtosis of a random vector ... 53 Wiktor Ejsmont, Optimal class size of students ... 65 Kamil Fijorek, Regression model for data restricted to the interval (0,1) –
Bayesian approach ... 76
Paweł Hanczar, Safety stock level calculation in a supply chain network ... 82 Roman Huptas, Estimation methods of intraday seasonality in transaction
financial data analysis ... 96
Aleksandra Iwanicka, An impact of some outside risk factors on the finite-
-time ruin probability for a multi-classes risk model ... 109
Agnieszka Lipieta, States of contingent market equilibrium ... 121 Krystyna Melich-Iwanek, The Polish labour market in light of the hysteresis
theory ... 132
Rafał Piszczek, Logit model applications for bankruptcy modelling ... 148 Marcin Salamaga, Attempt to verify the purchasing power parity theory in
the case of some foreign currencies ... 159
Antoni Smoluk, On dual principle of linear programming ... 168 Małgorzata Szulc-Janek, Analiza wpływu rekomendacji analityków na ceny
akcji branży paliwowej (Analiza wpływu rekomendacji analityków na ceny akcji branży paliwowej) ... 178
Jacek Welc, A linear regression in estimating fundamental betas in the case of
the stock market companies from construction, it and food industries ... 190
Andrzej Wilkowski, About the coefficient of correlation ... 198 Mirosław Wójciak, Classification of new energy related technologies based
on the determinants of their development ... 208
Andrzej Wójcik, Using vector-autoregressive models to modelling economy
of Poland ... 218
Katarzyna Zeug-Żebro, State space reconstruction from multivariate time
series ... 227
PRACE NAUKOWE UNIWERSYTETU EKONOMICZNEGO WE WROCŁAWIU nr 76
Ekonometria 26 2009
Katarzyna Budny
Uniwersytet Ekonomiczny w Krakowie
KURTOZA WEKTORA LOSOWEGO
Streszczenie: W teorii jednowymiarowych zmiennych losowych jedną z miar koncentracji rozkładu wokół wartości oczekiwanej czy też miar spłaszczenia rozkładu jest kurtoza. Przy-pomnijmy, że kurtoza zmiennej losowej jest definiowana jako czwarty moment centralny dzielony przez kwadrat wariancji.
Definicje potęgi wektora w przestrzeni z iloczynem skalarnym oraz momentu central-nego wektora losowego zaproponowane przez J. Tatara pozwalają na próbę podobcentral-nego określenia kurtozy wielowymiarowego wektora losowego.
Zaprezentowano podstawowe własności tak skonstruowanego wskaźnika oraz sformu-łowane i udowodniono twierdzenie podające postać kurtozy dla wektora losowego o stocha-stycznie niezależnych współrzędnych. W celu zobrazowania tego twierdzenia przedstawione zostaną postaci kurtozy dla wybranych wielowymiarowych typów rozkładów prawdopodo-bieństwa.
Słowa kluczowe: kurtoza, momenty wektora losowego, rozkłady wielowymiarowe, potęga wektora.
W teorii jednowymiarowych zmiennych losowych jedną z miar koncentracji rozkładu wokół wartości oczekiwanej czy też miar spłaszczenia rozkładu jest kur-toza. Celem niniejszej pracy jest uogólnienie tej charakterystyki na przypadek wie-lowymiarowy oraz zaprezentowanie jej wybranych własności.
Punktem wyjścia dla tych rozważań jest zaproponowana przez J. Tatara [1996; 1999] oraz wielokrotnie przywoływana (m.in. [Osiewalski, Tatar 1999; Tatar 2000a; 2000b; Tatar, Budny 2009]) definicja potęgi wektora w przestrzeni z ilo-czynem skalarnym.
Definicja 1
Dla dowolnego
v
∈
R
noraz dowolnej liczby k N∈ D = ∪N{ }
0 k-tą potęgęwektora v definiujemy w następujący sposób: 1 o v = ∈ R oraz 1 1 , dla -nieparzystych . , , dla -parzystych k k k v v k v v v k − − ⎧ ⋅ ⎪ = ⎨ ⎪⎩
Kurtoza wektora losowego
45
Z powyższej definicji – w sposób oczywisty – wynikają następujące dwie waż-ne własności , : -parzysta n k v R k N k v R, ∀ ∈ ∈ D ⇒ ∈ , : -nieparzysta n k v R k N k v R ∀ ∈ ∈ ⇒ ∈ .n ,
W pracy ograniczymy się do przestrzeni wektorowej ( , , , )R Rn + ⋅ w której
określono klasyczny (euklidesowy) iloczyn skalarny postaci:
1 2 1 2 ( , , ..., ), ( , , ..., ) n: n n v v v v w w w w R ∀ = = ∈ 1 , n i i. i v w v w = =
∑
Na bazie pojęcia potęgi wektora zostały zdefiniowane m.in. momenty centralne wielowymiarowego wektora losowego [Tatar 1996; 1999].
Przypomnijmy, że przez kurtozę zmiennej losowej rozumiemy czwarty moment centralny tej zmiennej dzielony przez kwadrat jej wariancji. Wykorzystując definicję momentu centralnego wektora losowego, w pracy [Tatar, Budny 2009] podjęto próbę podobnego określenia kurtozy wielowymiarowego wektora losowego.
Niech
(
1, ...,)
: n nX = X X Ω →R będzie wektorem losowym, dla którego ist-nieje kurtoza.
Definicja 2
Kurtozę wektora losowego
(
1,...,)
: n nX = X X Ω →R definiujemy następująco:
(
)
(
)
4 2 2 KurtX E X EX . D X ⎡ − ⎤ ⎣ ⎦ =Przed przystąpieniem do omawiania własności tak skonstruowanego wskaźnika przypomnijmy, że dla zmiennej losowej
ξ
:Ω
→ R, dla której istnieje kurtoza, jej ekscesem nazywamy wielkość:(
)
(
)
( )
4 2 2 Kurt 3 E E 3. Excess D ξ ξ ξ ξ ξ − = − = −Zauważmy, że dokonując stosownych przekształceń, eksces kurtozy można przedstawić w postaci:
( )
( )
( )
(
( )
)
( )
2 4 3 2 2 2 2 2 4 12 3 6 , 4 E mE m E E m Excess D ξ ξ ξ ξ ξ ξ − + − − = (1) gdzie Eξ=m.Katarzyna Budny
46
Istotnie(
)
(
)
( )
4 2 2 Kurt 3 E E 3 Excess D ξ ξ ξ ξ ξ − = − = − =(
)
( )
( )
(
−
)
−
=
+
−
+
−
=
4
6
4
23
2 2 4 3 2 2 3 4ξ
ξ
ξ
ξ
ξ
ξ
E
E
m
m
m
m
E
( )
( )
( )
( )
(
)
( )
( ) ( )
( )
(
)
( )
( ) ( )
( )
(
)
( )
( ) ( )
4 3 2 2 3 2 2 4 2 2 2 2 4 2 2 2 2 4 2 2 4 6 4 2 3 2 2 E mE m E m E m E E E E E E E E E E E E ξ ξ ξ ξ ξ ξ ξ ξ ξ ξ ξ ξ ξ ξ ξ ξ − + − + 4 = − − + ⎛ − + ⎞ ⎜ ⎟ ⎝ ⎠ = − +( )
( )
( )
(
( )
)
( )
( )
(
)
−( )
+ = − + − + − + − = 4 2 2 2 2 4 2 2 2 2 4 4 2 2 3 4 2 3 6 3 4 6 4 m m E E m m E E m m E m mE Eξ
ξ
ξ
ξ
ξ
ξ
ξ
( )
( )
( )
(
( )
)
( )
2 4 3 2 2 2 2 2 4 12 3 6 . 4 E mE m E E m D ξ ξ ξ ξ ξ − + − − =W dalszej części pracy zostanie sformułowane i udowodnione twierdzenie po-dające postać kurtozy dla wektora losowego o stochastycznie niezależnych współ-rzędnych. W dowodzie tego twierdzenia wykorzystamy m.in. następujący lemat:
Lemat 1 Niech
(
1, ...,)
: n n X = X X Ω R j X→ będzie wektorem losowym, dla którego ist-nieje kurtoza, oraz takim, że dla wszystkich i, j ∈ {1, 2, ..., n}, jeżeli i ≠ j, to jest stochastycznie niezależna od (innymi słowy:
i
X
j i X X ⊥ dla wszystkich i, j ∈ {1, 2, ..., n} takich, że i ≠ j) .Wówczas prawdziwe są następujące równości:
1)
(
2)
( ) ( )
2 2( )
4 , 1 1 , n i j n i , i j i i j E X X E X E X E X = = ≠ =∑
+∑
2)(
)
( )
2 2( )
3 , 1 1 , , n n i j i i i j i i j E X X X EX E X m m E X = = ≠ =∑
+∑
,Kurtoza wektora losowego
47
3)(
2)
2 2 2( )
2 , 1 1 , , n n i j i i i j i i j E X EX m m m E X = = ≠ =∑
+∑
4)(
)
2( )
2 , 1 , , iE Xj , n i j EX EX E X X m = =∑
5)EX
,
EX
2= 2 2 , 1 , n i j i j m m =∑
gdzie mi=EXi, dla każdego i∈
{
1,2, ...,n}
.Dowód:
Korzystając z własności całki oraz z niezależności zmiennych losowych 2
i
X oraz 2
j
X dla wszystkich i, j ∈ {1, 2, ..., n} takich, że i ≠ j, otrzymujemy
(
2)
2 2 1 1 , n i n j i j E X X E X X = = ⎡⎛ ⎞⎛ ⎞⎤ = ⎢⎜ ⎟⎜⎜ ⎟⎟⎥= ⎢⎝ ⎠⎝ ⎠⎥ ⎣∑
∑
⎦(
2 2)
( ) ( )
2 2( )
4 , 1 , 1 1 , n n n i j i j i i j i j i i j E X X E X E X E X = = = ≠ =∑
=∑
+∑
czyli tezę1.Podobnie, wykorzystując niezależność zmiennych losowych 2
i
X oraz X j dla wszystkich i, j ∈ {1, 2, ..., n} takich, że i ≠ j, otrzymujemy tezę 2.
Rzeczywiście, prawdziwy jest bowiem ciąg równości:
(
)
(
)
( )
( )
( )
( )
( )
2 2 1 1 , 1 2 3 2 2 , 1 1 , 1 1 , , . n n n i j j i j j i j i j n n n n j i j i i i j i i i j i i j i i j i j E X X X EX E X X m E X X m m E X E X m E X E X m m E X = = = = = = = ≠ ≠ ⎡⎛ ⎞⎛ ⎞⎤ 3 = ⎢⎜ ⎟⎜⎜ ⎟⎟⎥= = ⎢⎝ ⎠⎝ ⎠⎥ ⎣ ⎦ = + = +∑
∑
∑
∑
∑
∑
∑
Dla dowodu tezy 3 również korzystamy z założenia niezależności zmien-nych losowych Xioraz Xj, gdy i ≠ j. Mamy więc:
(
)
(
)
(
)
( )
2 1 1 , 1 2 2 2 2 , 1 , 1 1 , . n n n i i j j i j i j i j i j n n n i j i j i j i i i j i j i i j E X EX E X EX X EX E X X m m m m E X X m m m E X = = = = = = ≠ ⎡⎛ ⎞⎛ ⎞⎤ = ⎢⎜ ⎟⎜ ⎟⎥= = ⎝ ⎠ ⎢ ⎝ ⎠⎥ ⎣ ⎦ = = +∑
∑
∑
∑
∑
∑
Katarzyna Budny
48
Z kolei teza 4 wynika z następującego ciągu przekształceń:
(
)
2 2 2( )
2 2( )
1 1 1 1 , 1 , , n i n j n i n j n i i j i j i j EX EX E X X m E X m E X m E X = = = = = ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ =⎜ ⎟ ⎜ ⎟=⎜ ⎟⎜ ⎟= ⎝∑
⎠ ⎝∑
⎠ ⎝∑
⎠⎝∑
⎠∑
2 . jTeza 5 jest oczywista.
Możemy teraz przystąpić do sformułowania i udowodnienia twierdzenia tej pracy.
Twierdzenie 1
Niech
(
1, ...,)
: n nX = X X Ω →R będzie wektorem losowym, spełniającym za-łożenia lematu1. Wówczas
(
)
(
2)
2 1 2 2 , 1 2 Kurt 1 . n i i i n i j i j ExcessX D X X D X D X = = + = +∑
∑
Dowód:Pokażemy najpierw, że
(
)
(
)
( )
( )
( )
(
( )
)
(
)
2 2 1 2 2 , 1 2 4 3 2 2 2 1 2 2 , 1 2 4 8 4 , n i i i n i j i j n i i i i i i i i n i j i j ExcessX D X D X D X E X m E X m E X E X m D X D X = = = = + = − + − − =∑
∑
∑
∑
4 i (2)gdzie dla wszystkich mi=EX , i∈
{
1,2, ...,n}
.Wykorzystując (1), przeprowadzimy następujące przekształcenie:
(
)
(
2)
2 1 2 2 , 1 2 n i i i n i j i j ExcessX D X D X D X = = + =∑
∑
Kurtoza wektora losowego
49
( )
( )
( )
(
( )
)
(
)
(
)
2 4 3 2 2 2 4 2 2 2 2 1 2 2 , 1 4 12 3 6 2 n i i i i i i i i i i n i j i j E X m E X m E X E X m D X D X D X D X = = ⎛ − + − − ⎞ ⎜ + ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ = =∑
∑
( )
(
)
( )
(
)
( )
( )
( )
(
( )
)
(
)
(
)
2 2 2 2 2 2 4 3 2 2 2 4 2 2 2 2 1 2 2 , 1 2 2 4 12 3 6 n i i i i i i i i i i i i i i n i j i j E X E X m m E X m E X m E X E X m D X D X D X D X = = ⎛ − + + − + − − ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ = =∑
∑
( )
( )
( )
(
( )
)
(
4 3 2 2 2 2)
1 2 2 , 1 4 8 4 . n i i i i i i i i n i j i j E X m E X m E X E X m D X D X = = − + − − =∑
∑
4Z kolei korzystając z definicji parzystej potęgi wektora, dwuliniowości iloczy-nu skalarnego oraz własności całki, otrzymujemy:
(
)
(
)
2 4 2 , , 2 , , E X EX E X EX X EX E X X X EX EX EX ⎡ ⎤ ⎡ − ⎤= − − ⎣ ⎦ ⎣ ⎦= ⎡ ⎤ = ⎢ − + ⎥= ⎣ ⎦(
2 2 , 4 , , 4 , 2 , , E X X X X X EX X EX X X EX EX = − + + −)
2 4 X EX, ⋅ EX EX, + EX EX, . (3)Zauważmy ponadto, że
(
) (
)
2 , , , E X EX EX EX = EX EX . (4) Istotnie(
)
( )
(
)
2 2 1 1 1 1 2 2 2 2 2 2 1 1 1 1 1 , , , . n n n n i i j i i j i j i j n n n n n j i i j i k j i j i k E X EX EX EX E X EX EX E X m m m m EX m m m EX EX = = = = = = = = = ⎡⎛ ⎞⎛ ⎞⎤ ⎡⎛ ⎞⎛ ⎞⎤ = ⎢⎜ ⎟⎜ ⎟⎥= ⎢⎜ ⎟⎜ ⎥= ⎝ ⎠ ⎝ ⎠ ⎟ ⎢ ⎝ ⎠⎥ ⎢ ⎝ ⎠⎥ ⎣ ⎦ ⎣ ⎦ ⎛ ⎞⎛ ⎞ ⎛ ⎞⎛ ⎞ ⎛ ⎞ =⎜ ⎟⎜ ⎟=⎜ ⎟⎜ ⎟ ⎜= ⎟ = ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠∑
∑
∑
∑
∑
∑
∑
∑
∑
Katarzyna Budny
50
(
)
4(
2)
(
)
, 4 , , E X EX⎡⎣ − ⎤⎦=E X X − E X X X EX +(
2)
(
)
2 4E X EX, +2 EX EX E X X, , −3 EX EX, . (3′) Zapisując teraz kolejne składniki prawej strony równości (3′) tak, jak na to po-zwala teza lematu 1, otrzymujemy:(
)
(
)
( ) ( )
( )
( )
( )
4 2 2 4 , 1 1 2 2 3 , 1 1 4 n n i j i i j i i j n n i j i i i j i i j E X EX E X E X E X E X m m E X = = ≠ = = ≠ − = + ⎛ ⎞ ⎜ + ⎟+ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠∑
∑
∑
∑
( )
( )
2 2 2 2 2 2 , 1 1 , 1 , 1 4 2 n n n i j i i i j i j i i j i j i j m m m E X m E X m m = = = ≠ ⎛ ⎞ ⎜ ⎟ + ⎜ + ⎟+ − ⎜ ⎟ ⎝ ⎠∑
∑
∑
∑
− 3 = j n = + + + − 2 2 n i j =( ) ( )
2 2(
( )
2)
2( )
4( )
2 2( )
2 2 , 1 1 1 , 1 , 1 2 2 n n n n n i j i i i j i i j i i i j i j E X E X E X E X E X m E X m = = = = = =∑
−∑
+∑
−∑
−∑
+( )
2 2( )
3 2 2 2 2 4 1 1 , 1 , 1 1 4 4 3 4 n n n n i i i i i j i j i i i i j i j i E X m m E X m m m m m = = = = +∑
−∑
+∑
+∑
−∑
( )
− = +∑
∑
= = 2 1 , 2 2 1 , 2 3 2 n j j i i j n j i iE X m m m( ) ( )
2 2( )
2 2 2 2 2( )
, 1 , 1 , 1 , 1 2 2 n n n n i j i j i j i i j i j i j i j E X E X E X m m m m E X = = = = ⎛ ⎛ ⎞⎞ ⎜ ⎟ =⎜ ⎜⎜ − + ⎟⎟⎟− ⎝ ⎠ ⎝∑
∑
∑
⎠∑
( )
( )
(
( )
( )
2 2 2 2 2 2 4 3 , 1 , 1 , 1 1 1 2 2 2 2 1 1 2 3 3 4 4 4 n n n n n i j i j i j i i i i j i j i j i i n n i i i i i i m E X m m m m E X m E X E X m E X m = = = = = = = + + − + − + + +∑
∑
∑
∑
∑
∑
∑
( )
(
)
− = −∑
∑
= = n i i n i i m X E 1 4 1 2 2 4 2 j)
( ) ( )
( )
( )
( )
( )
(
( )
)
2 2 2 2 2 2 4 , 1 , 1 , 1 1 2 3 2 2 2 4 1 1 1 1 2 4 8 4 , n n n n i j i j i j i i j i j i j i n n n n i i i i i i i i i i E X E X E X m m m E X m E X E X m E X m = = = = = = = = ⎛ ⎛ ⎞⎞ ⎜ ⎟ =⎜ ⎜⎜ − + ⎟⎟⎟+ ⎝ ⎠ ⎝ ⎠ + − −∑
∑
∑
∑
∑
∑
∑
∑
Kurtoza wektora losowego
51
czyli ostatecznie(
)
(
)
(
( ) ( )
( )
)
( )
( )
( )
(
( )
)
(
)
4 2 2 2 2 2 2 , 1 2 4 3 2 2 2 1 2 4 8 4 n i j i j i j i j n i i i i i i i i E X EX E X E X E X m m m E X m E X m E X E X m = = ⎛ ⎞ 4 . − =⎜ − + ⎟ ⎝ ⎠ + − + − −∑
∑
+ (3′′)Wykorzystując równość (3′′), uzyskujemy:
(
)
(
)
4 2 2 KurtX E X EX D X ⎡ − ⎤ ⎣ ⎦ = =( ) ( ) ( )
(
)
( )
( )
( ) ( )
(
)
= ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − + − − + ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ + − = ∑ ∑ ∑ = = = n 1 j , i j 2 i 2 n 1 i 4 i 2 2 i 2 i 2 i 3 i i 4 i n 1 j , i 2 j 2 i 2 j 2 i 2 j 2 i X D X D m 4 X E X E m 8 X E m 4 X E m m m X E 2 X E X E( )
( )
( )
(
( )
)
2 2 2 4 3 2 2 2 4 , 1 1 2 2 , 1 4 8 4 n n i j i i i i i i i i j i n i j i j D X D X E X m E X m E X E X m D X D X = = = ⎛ ⎞ + ⎜ − + − − ⎟ ⎝ ⎠ =∑
∑
=∑
( )
4( )
3 2( )
2(
( )
2)
2 1 2 2 , 1 4 8 4 1 . n i i i i i i i i n i j i j E X m E X m E X E X m D X D X = = ⎛ − + − − ⎞ ⎜ ⎟ ⎝ ⎠ = +∑
∑
4Wobec udowodnionej wcześniej równości (2) mamy więc:
(
)
(
2)
2 1 2 2 , 1 2 Kurt 1 , n i i i n i j i j ExcessX D X X D X D X = = + = +∑
∑
czyli żądaną tezę.Prostą konsekwencją twierdzenia 1 jest następujący wniosek.
Wniosek 1 Jeżeli
(
1, ...,)
: n n X = X X Ω D X → ℜ 2będzie wektorem losowym spełniającym za-łożenia lematu 1 oraz dodatkowo 2 2 2
Katarzyna Budny
52
(
)
1 2 2 Kurt 1 . n i i ExcessX X n = + = +∑
Dowód:Dzięki tezie twierdzenia 1 otrzymujemy:
(
)
( )
( ) ( )
(
)
2 2 1 1 2 2 2 2 2 Kurt 1 1 . n n i i i i ExcessX ExcessX X n n n σ σ σ = = + + = + = + ⋅ ⋅∑
∑
Twierdzenie 1 dostarcza również – w oczywisty sposób – poniższych wnio-sków.
Wniosek 2
Jeżeli X =
(
X1, ..., Xn)
:Ω → ℜ bn ędzie wektorem losowym, spełniającymza-łożenia lematu 1 oraz dodatkowo
(
2)
~ ,
i i i
X N m σ dla każdego i∈
{
1,2, ...,n}
,to:4 1 2 2 , 1 2 Kurt 1 n i i n i j i j X σ σ σ = = = +
∑
∑
=(
2)
2 1 2 2 , 1 2 1 . n i i n i j i j D X D X D X = = +∑
∑
Ponadto przy założeniu σ1=σ2=....=σn= otrzymujemy σ
2 KurtX 1 . n = + Wniosek 3 Jeżeli
(
1, ...,)
: n n X = X X Ω ~ i i→ ℜ będzie wektorem losowym spełniającym za-łożenia lematu 1 oraz X tν (tzn.
X
i ma rozkład t-Studenta z νi stopniamiswo-body), gdzie
ν
i>
4
dla każdego i∈{
1, 2, ...,n}
, to2 1 , 1 6 2 4 2 Kurt 1 . 2 2 n i i i i n j i i j i j X ν ν ν ν ν ν ν = = ⎛ ⎞⎛ + ⎜ − ⎟⎜ − ⎝ ⎠⎝ = + ⎛ ⎞ ⎛ ⎞ ⎜ ⎟ ⎜ − ⎟⎜ − ⎟ ⎝ ⎠⎝ ⎠
∑
∑
⎞ ⎟ ⎠Kurtoza wektora losowego
53
6 2 4 KurtX 1 . n ν + − = +Wnioski 2 oraz 3 podają postać kurtozy dla wybranych typów rozkładów, co zostało także przedstawione w pracy [Tatar, Budny 2009].
Kolejny fakt jest natychmiastową konsekwencją tych wniosków.
Wniosek 4
Jeżeli
(
1, ...,)
:n n
X = X X Ω → ℜ będzie wektorem losowym spełniającym za-łożenia wniosku 2 oraz zajdzie warunek σ1=σ2 =....=σn =σ, a
będzie wektorem losowym spełniającym założenia wniosku 3 oraz dodat-kowo
(
1, ..., n)
: Y = Y Y n Ω → ℜ 1 2 .... vn 4, ν ν= = = = > to wówczas ν KurtY >Kurt .XLiteratura
Feller W., Wstęp do rachunku prawdopodobieństwa, t. 1 i 2, PWN, Warszawa 1969. Fisz M., Rachunek prawdopodobieństwa i statystyka matematyczna, PWN, Warszawa 1969. Jakubowski J., Sztencel R., Wstęp do rachunku prawdopodobieństwa, Script, Warszawa 2004. Osiewalski J., Tatar J., Multivariate Chebyshev Inequality Based on a New definition of Moments of
a Random Vector, „Przegląd Statystyczny” 1999, z. 2.
Plucińska A., Pluciński E., Probabilistyka. Rachunek prawdopodobieństwa, statystyka matematyczna,
procesy stochastyczne, WNT, Warszawa 2006.
Tatar J., O niektórych miarach rozproszenia rozkładów prawdopodobieństwa, „Przegląd Statystycz-ny” 1996 z. 3/4.
Tatar J., Moments of a Random Variable in a Hilbert Space, „Przegląd Statystyczny” 1999 z. 2. Tatar J., Nowa charakteryzacja wielowymiarowych rozkładów prawdopodobieństwa, Sprawozdanie
z badań statutowych; um. nr: 92/KM/1/99/S, AE, Kraków 2000a.
Tatar J., Momenty absolutne wielowymiarowych rozkładów prawdopodobieństwa, Komisja Staty-styczno-Demograficzna PAN, O/Kraków, 17 listopada 2000b.
Tatar J., Budny K., Kurtosis of a Random Vector – Special Types of Distributions, praca złożona do druku, 2009.
KURTOSIS OF A RANDOM VECTOR
Summary: Kurtosis is one of the measures of concentration distribution around expected
value or measures of flattening, frequently used in the theory of single-dimensional random variables. To remind: kurtosis of a random variable is defined as the fourth central moment divided by the square of the variance.
Katarzyna Budny
54
Definitions of the power of a vector in the space with the scalar product and the central moment of a random vector proposed by J. Tatar [1996; 1999] allow to make an attempt to redefine the kurtosis of the multi-dimensional random vector.
In the paper the essential properties of such constructed indicator are presented and the theorem giving a form of kurtosis for a random vector with stochastically independent mar-ginal variables is formulated and proved. To illustrate this theorem, the forms of kurtosis for special, multi-dimensional types of distributions are presented.