./0)030;.Ɠ3/² -.0.&/5:
%JQMPNPWÈ QSÈDF
4UVEJKOÓ QSPHSBN / o "QMJLPWBOÈ NBUFNBUJLB
4UVEJKOÓ PCPS 5 o .BUFNBUJDLÏ NPEFMZ B KFKJDI BQMJLBDF
"VUPS QSÈDF #D 5FSF[B ÀJNLPWÈ 7FEPVDÓ QSÈDF QSPG 3/%S +BO 1JDFL $4D
1SPIMÈÝFOÓ
#ZMB KTFN TF[OÈNFOB T UÓN äF OB NPV EJQMPNPWPV QSÈDJ TF QMOǔ W[UB
IVKF [ÈLPO Ǐ 4C P QSÈWV BVUPSTLÏN [FKNÏOB f o ÝLPMOÓ EÓMP
#FSV OB WǔEPNÓ äF 5FDIOJDLÈ VOJWFS[JUB W -JCFSDJ 56- OF[BTBIVKF EP NâDI BVUPSTLâDI QSÈW VäJUÓN NÏ EJQMPNPWÏ QSÈDF QSP WOJUDzOÓ QPUDzFCV 56-
6äJKJMJ EJQMPNPWPV QSÈDJ OFCP QPTLZUOVMJ MJDFODJ L KFKÓNV WZVäJUÓ KTFN TJ WǔEPNB QPWJOOPTUJ JOGPSNPWBU P UÏUP TLVUFǏOPTUJ 56- W UPN
UP QDzÓQBEǔ NÈ 56- QSÈWP PEF NOF QPäBEPWBU ÞISBEV OÈLMBEǾ LUFSÏ WZOBMPäJMB OB WZUWPDzFOÓ EÓMB Bä EP KFKJDI TLVUFǏOÏ WâÝF
%JQMPNPWPV QSÈDJ KTFN WZQSBDPWBMB TBNPTUBUOǔ T QPVäJUÓN VWFEFOÏ MJUFSBUVSZ B OB [ÈLMBEǔ LPO[VMUBDÓ T WFEPVDÓN NÏ EJQMPNPWÏ QSÈDF B LPO[VMUBOUFN
4PVǏBTOǔ ǏFTUOǔ QSPIMBÝVKJ äF UJÝUǔOÈ WFS[F QSÈDF TF TIPEVKF T FMFL
USPOJDLPV WFS[Ó WMPäFOPV EP *4 45"(
%BUVN
1PEQJT
Poděkování
Ráda bych poděkovala vedoucímu mé diplomové práce panu prof. RNDr. Janu Pickovi, CSc. za odborné vedení, cenné rady a čas, který mi při konzultacích věnoval.
Anotace
Práce stručně shrnuje teorii jednorozměrných a mnohorozměrných L-momentů, doplněnou o výpočty jednorozměrných a dvourozměrných L-momentů vybraných spojitých pravděpodobnostních rozdělení. Aplikace mnohorozměrných L-momentů je ilustrována prostřednictvím dvourozměrného testu homogenity na reálná klimatická data.
Klíčová slova:náhodný vektor, mnohorozměrné spojité pravděpodobnostní rozdě- lení, jednorozměrné L-momenty, L-komomenty, kopule, test homogenity
Summary
The work briefly summarizes the theory of univariate and multivariate L-moments, accompanied by calculations of univariate and bivariate L-moments of selected continuous probability distributions. The application of multivariate L-moments is illustrated by the bivariate test of homogeneity on real climate data.
Key words: random vector, multivariate continuous probability distribution, uni- variate L-moments, L-comoments, copula, test of homogeneity
Obsah
Seznam obrázků 9
Seznam tabulek 9
Seznam zkratek a symbolů 10
Úvod 11
1 Základní pojmy 13
2 Jednorozměrné L-momenty 16
2.1 Teoretické L-momenty . . . 16
2.2 Výběrové L-momenty . . . 18
2.3 Jednorozměrné L-momenty vybraných spojitých rozdělení . . . 20
2.3.1 Jednorozměrné L-momenty normálního rozdělení . . . 20
2.3.2 Jednorozměrné L-momenty Paretova rozdělení typu I . . . 21
2.3.3 Jednorozměrné L-momenty Paretova rozdělení typu II . . . 22
3 L-komomenty 25 3.1 Centrální komomenty . . . 25
3.2 Definice a základní vlastnosti L-komomentů . . . 26
3.3 Odhady L-komomentů . . . 31
4 Mnohorozměrné L-momenty 32 4.1 L-momenty vybraných spojitých dvourozměrných rozdělení . . . 32
4.1.1 L-momenty dvourozměrného normálního rozdělení . . . 33
4.1.2 L-momenty dvourozměrného Paretova rozdělení typu I . . . . 38
4.1.3 L-momenty dvourozměrného Paretova rozdělení typu II . . . . 40
4.2 Malá simulační studie jednorozměrných L-momentů a L-komomentů dvourozměrného normálního rozdělení . . . 43
5 Aplikace L-momentů 48 5.1 Testy homogenity . . . 48
5.1.1 Kopule . . . 49
5.1.2 Jednorozměrný test homogenity . . . 53
5.1.3 Mnohorozměrný test homogenity . . . 55 5.2 Aplikace dvourozměrného testu homogenity na regiony zformované v
České republice . . . 57
Závěr 64
Reference 65
Seznam příloh 67
Seznam obrázků
1 Hustota normálního rozdělení s parametry µ = 0, σ ∈ {0.5, 1, 2} . . . 21 2 Hustota Paretova rozdělení typu I s parametry σ = 1, α ∈ {0.5, 1.5, 2.5} 22 3 Hustota Paretova rozdělení typu II s parametry µ = 0, σ = 0.5,
α ∈ {0.5, 1, 1.5} . . . 23 4 Hustota dvourozměrného normálního rozdělení s parametry µ1 = 0,
µ2 = 0.5, σ1 = 1, σ2 = 2, ρ = 0.5 . . . 33 5 Hustota dvourozměrného Paretova rozdělení typu I s parametry σ1 =
0.5, σ2 = 0.5, α = 1.5 . . . 38 6 Hustota dvourozměrného Paretova rozdělení typu II s parametry µ1 =
0, µ2 = 0.5, σ1 = 1, σ2 = 2, α = 1.5 . . . 41 7 Homogenní regiony [8] . . . 58 8 Maximální jednodenní a pětidenní úhrn srážek v mm v jednotlivých
letech . . . 59 9 Hustota g(z) pro vybrané hodnoty korelačního koeficientu ρ . . . 61 10 Omezující funkce ve tvaru 1.25 · f(z) hustoty g(z) pro korelační ko-
eficient ρ = 0.8252, kde f(z) je hustota normálního rozdělení s parametry µ = 0.5 a σ2 = 0.2 . . . 61
Seznam tabulek
1 L-momenty a L-momentové poměry některých dalších pravděpodob- nostních rozdělení . . . 24 2 Faktory simulace . . . 44 3 Výsledky simulace pro dvourozměrné normální rozdělení . . . 45 4 Výsledky simulace pro dvourozměrné normální rozdělení (pokračování) 46 5 Odhady parametrů dvourozměrného normálního rozdělení . . . 47 6 Dvourozměrný test homogenity vzhledem k jednodenním a pětiden-
ním maximálním ročním úhrnům srážek . . . 63
Seznam zkratek a symbolů
A σ-algebra podmnožin prostoru Ω ex exponenciální funkce
E X střední hodnota náhodné veličiny X Γ(t) gamma funkce
ln x přirozený logaritmus Ω prostor elementárních jevů P pravděpodobnostní míra
π Ludolfovo číslo
R množina reálných čísel
ρ12 korelační koeficient náhodných veličin X1, X2
σ12 kovariance náhodných veličin X1, X2
var X rozptyl náhodné veličiny X
Φ(x) distribuční funkce normálního rozdělení ϕ(x) hustota normálního rozdělení
Úvod
Jako alternativní postup k popisu jednorozměrného pravděpodobnostního rozdělení pomocí konvenčních momentů se od roku 1990 používají L-momenty, které defino- val Hosking [5] jako jistou lineární kombinaci pořádkových statistik. Jejich výhodou oproti konvenčním momentům je existence pouze za předpokladu konečné střední hodnoty. V případě mnohorozměrného rozdělení je situace analogická: mnohoroz- měrné rozdělení lze popsat pomocí centrálních komomentů, ty však kladou předpo- klady na konečnost odpovídajících centrálních momentů. Toto omezení odstranili Serfling a Xiao [14] zavedením mnohorozměrných L-momentů, resp. L-komomentů.
Jak jednorozměrné, tak mnohorozměrné L-momenty se používají zejména v oborech, kde dochází k extrémním událostem, tedy například v přírodních vědách, finančnic- tví nebo pojišťovnictví. Jednou z oblastí, kde jsou L-momenty aplikovány a kterou se práce zabývá, jsou testy homogenity. Existuje mnoho testů homogenity, v práci je však uveden jednorozměrný test homogenity zavedený Hoskingem a Serflingem [6] a jeho zobecnění do mnohorozměrného případu, které v nedávné době provedli Che- bana a Ouarda [7]. Území České republiky bylo pomocí shlukové analýzy rozděleno na regiony, které lze na základě provedených jednorozměrných testů považovat za homogenní vzhledem k n-denním maximálním ročním úhrnům srážek [8], [9], [10].
Tyto testy však zohledňují pouze jednu náhodnou veličinu, proto je vhodné určit, zda lze takto zformované regiony považovat za homogenní i vzhledem k náhodnému vektoru. Cílem práce je seznámit se s myšlenkou mnohorozměrných L-momentů, pro vybraná rozdělení provést výpočty mnohorozměrných L-momentů, získané poznatky využít pro statistickou inferenci a aplikovat je na reálná data.
Práce je rozdělena do pěti částí. První část připomíná základní charakteristiky náhodného vektoru a jeho složek. V druhé části je shrnuta teorie jednorozměrných L-momentů, což je potřebné pro udržení souvislosti mezi jednorozměrnými a mno- horozměrnými L-momenty, neboť mnohorozměrné L-momenty jsou zobecněním jed- norozměrných. Obsah této části kapitoly je převzat z [15, str. 16–23]. Součástí kapi- toly je i výpočet teoretických L-momentů tří vybraných jednorozměrných rozdělení (s těmito výsledky budeme dále pracovat ve čtvrté kapitole). V druhé části práce jsou zavedeny L-komomenty a popsány některé jejich vlastnosti. Ve čtvrté kapitole jsou definovány monohorozměrné L-momenty pomocí L-komomentů a za použití vý-
sledků z druhé kapitoly jsou určeny dvourozměrné L-momenty vybraných rozdělení.
Také je zde provedena malá simulační studie, která srovnává teoretické a výběrové jednorozměrné L-momenty a L-komomenty dvourozměrného normálního rozdělení.
Závěrečná část práce je věnována aplikaci mnohorozměrných L-momentů. Je zde po- psán jednorozměrný test homogenity a jeho zobecnění do vícerozměrného případu – mnohorozměrný test homogenity. Následně jsou získané poznatky aplikovány na reálná klimatická data prostřednictvím dvourozměrného testu homogenity.
1 Základní pojmy
Na úvod připomeneme nezbytné pojmy, které budou potřebné k zavedení mnoho- rozměrných L-momentů, zejména pak základní charakteristiky náhodného vektoru a jeho složek. Kapitola je zpracována podle literatury [1] a [16].
Nechť X1, . . . , Xn jsou náhodné veličiny, které jsou definovány na pravděpodob- nostním prostoru (Ω, A, P). Pak se X = (X1, . . . , Xn) nazývá náhodný vektor.
Sdružená distribuční funkcenáhodného vektoru X = (X1, . . . , Xn) je
FX1,...,Xn(x1, . . . , xn) = P[X1 < x1, . . . , Xn < xn].
Je-li fX1,...,Xn nezáporná funkce vyhovující vztahu
FX1,...,Xn(x1, . . . , xn) =
x1
Z
−∞
. . .
xn
Z
−∞
fX1,...,Xn(u1, . . . , un) du1. . .dun,
pak se nazývá sdružená hustota náhodného vektoru X. Marginální distribuční funkcenáhodné veličiny Xi je dána
FXi(xi) = P[X1 < ∞, . . . , Xi−1< ∞, Xi < xi, Xi+1 < ∞, . . . , Xn < ∞]
a marginální hustota náhodné veličiny Xi je dána
fXi(xi) = Z∞
−∞
. . . Z∞
−∞
fX1,...,Xn(u1, . . . , ui−1, xi, ui+1, . . . , un)du1. . .dui−1dui+1. . .dun.
Střední hodnotounáhodného vektoru X nazýváme vektor středních hodnot jeho složek
EX = (EX1, . . . ,EXn). (1.1)
Kovariancídvou náhodných veličin Xi, Xj, které mají konečné rozptyly, nazýváme
cov(Xi, Xj) = E[(Xi − EXi)(Xj − EXj)],
přičemž
cov(Xi, Xi) = varXi.
Kovarianční maticenáhodného vektoru X = (X1, . . . , Xn) je matice typu n × n
VarX =
varX1 cov(X1, X2) . . . cov(X1, Xn) cov(X2, X1) varX2 . . . cov(X2, Xn)
... ... ... ...
cov(Xn, X1) cov(Xn, X2) . . . varXn
. (1.2)
Kovarianci dvou normovaných náhodných veličin Xi, Xj s nenulovými rozptyly na- zýváme korelační koeficient
ρXi,Xj = cov(Xi, Xj) pvarXivarXj
. (1.3)
Korelační maticenáhodného vektoru X = (X1, . . . , Xn) je matice typu n × n
CorX =
1 ρX1,X2 . . . ρX1,Xn
ρX2,X1 1 . . . ρX2,Xn
... ... ... ...
ρXn,X1 ρXn,X2 . . . 1
. (1.4)
Označme µi střední hodnotu náhodné veličiny Xi, která je konečná. Existuje-li
µ(i)k = E(Xi − µi)k, k ≥ 2,
pak se µ(i)k nazývá k-tý centrální moment náhodné veličiny Xi. K-tý centrální momentový poměrzískáme jako podíl k-tého centrálního momentu a směrodatné odchylky (za předpokladu, že je kladná) umocněné na k
αk= µ(i)k q
(µ(i)2 )k, k ≥ 3.
Podmíněná hustota a podmíněná střední hodnota náhodné veličiny Xi za předpokladu, že náhodná veličina Xj nabyla hodnoty xj, je definována vztahem
fXi(xi|Xj = xj) = fXi,Xj(xi, xj)
fXj(xj) , (1.5)
a
E(Xi|Xj = xj) = Z
Di
xifXi(xi|Xj = xj) dxi, (1.6)
kde Di je obor hodnot náhodné veličiny Xi.
2 Jednorozměrné L-momenty
Za splnění jistých předpokladů lze mnohorozměrné L-momenty vyjádřit pomocí jednorozměrných L-momentů, proto je v následující kapitole stručně shrnuta teo- rie jednorozměrných L-momentů a je zde uveden přehled prvních čtyř teoretických L-momentů tří vybraných spojitých rozdělení.
K popisu pravděpodobnostních rozdělení se obvykle používají konvenční mo- menty, které charakterizují různé vlastnosti rozdělení. Alternativní způsob popisu pravděpodobnostního rozdělení náhodné veličiny X zavedl J. R. M. Hosking [5]
pomocí L-momentů, které definoval jako lineární kombinaci pořádkových statis- tik. Analogicky jako u konvenčních momentů rozlišujeme teoretické a výběrové L-momenty.
2.1 Teoretické L-momenty
Definice 1. Nechť X je náhodná veličina s distribuční funkcí F (x) a kvantilovou funkcí x(F ), X1:n≤ X2:n≤ · · · ≤ Xn:n jsou pořádkové statistiky náhodného výběru o velikosti n vybraného z pravděpodobnostního rozdělení náhodné veličiny X. K-tý teoretický L-momentnáhodné veličiny X je definován
λk = k−1
k−1
X
j=0
(−1)jk − 1 j
E Xk−j:k, k = 1, 2, . . . (2.1)
Písmenem L v pojmu L-moment chtěl Hosking [5] zdůraznit, že se jedná o lineární kombinaci pořádkových statistik, jak je dále vidět ze vztahů (2.3) až (2.6). Výraz (2.1) lze ekvivalentně zapsat ve tvaru
λk = Z1
0
x(F )Pk−1∗ (F (x)) dF , k = 1, 2, . . . (2.2)
kde Pk∗(F ) = Pk
i=0(−1)k−i ki k+i
i Fije k-tý posunutý Legendrův polynom1. Vyjádření (2.2) k-tého L-momentu je užitečné pro praktické výpočty; první čtyři teoretické L-momenty mají tvar
1Definice Legendrova polynomu je uvedena např. v TAYLOR, A. E. Úvod do funkcionální analýzy. Praha: Academia, 1973. 412 s.
λ1 = E (X1:1) = E X =
1
Z
0
x(F ) dF , (2.3)
λ2 = 1
2E(X2:2− X1:2) =
1
Z
0
x(F )(2F − 1) dF , (2.4)
λ3 = 1
3E(X3:3− 2X2:3+ X1:3) =
1
Z
0
x(F )(6F2− 6F + 1) dF , (2.5)
λ4 = 1
4E(X4:4− 3X3:4+ 3X2:4− X1:4) = Z1
0
x(F )(20F3− 30F2+ 12F − 1) dF . (2.6) Další možností, jak vyjádřit druhý a vyšší teoretický L-moment, je pomocí kovari- ance [14]
λk = cov (X, Pk−1∗ (F (X))), k ≥ 2. (2.7)
K zavedení L-momentů je požadována konečná střední hodnota náhodné veličiny X, jak uvádí následující věta [5].
Věta 1. 1. L-momenty λk, k=1, 2, . . . , náhodné veličiny X existují právě tehdy, když má náhodná veličina X konečnou střední hodnotu.
2. Pravděpodobnostní rozdělení s konečnou střední hodnotou lze charakterizovat jeho L-momenty.
Důkaz. Důkaz lze nalézt v [5, str. 108].
Existuje však zobecnění L-momentů takzvané useknuté L-momenty, které existují i pro rozdělení, jejichž střední hodnota není konečná nebo dokonce neexistuje.
L-momenty charakterizují základní vlastnosti pravděpodobnostních rozdělení:
veličiny λ1 až λ4 jsou po řadě mírami polohy, měřítka, šikmosti a špičatosti [5].
První dva L-momenty jsou pojmenované: λ1 je totožný se střední hodnotou a na- zývá se L-poloha, λ2 se nazývá L-rozptyl.
Dále se zavádí L-variační koeficient
τ = λ2/λ1
jako analogie variačního koeficientu (někteří autoři ho značí také τ2) a teoretické L-momentové poměry τk, které jsou bezrozměrnými verzemi teoretických L-momentů a jsou definovány jako podíl k-tého a druhého L-momentu
τk = λk/λ2, k = 3, 4, . . . (2.8)
Také třetí a čtvrtý L-momentový poměr jsou vhodnými měřítky šikmosti a špičatosti, proto se nazývají L-šikmost a L-špičatost.
Hosking [5] dává přednost L-momentům před konvenčními momenty vzhledem k tomu, že jsou lineární kombinací dat (přiřazují jednotlivým hodnotám pořádkových statistik jisté váhy), a jsou tedy méně citlivé na přítomnost odlehlých hodnot.
2.2 Výběrové L-momenty
Teoretické L-momenty jsou definovány pro pravděpodobnostní rozdělení, v praxi je však potřebujeme odhadnout z konečné množiny náhodných pozorování. Proto uvažujeme výběrové L-momenty, které jsou odhady teoretických L-momentů.
Definice 2. Nechť x1:n≤ x2:n ≤ · · · ≤ xn:n jsou pořádkové statistiky náhodných po- zorování o velikosti n vybraných z pravděpodobnostního rozdělení náhodné veličiny X. K-tý výběrový L-moment je definován
lk=n k
−1 X
1≤i1
X
<i2
· · · X
<ik≤n
k−1 Xk−1
j=0
(−1)jk − 1 j
xik−j:n, k = 1, 2, . . . , n.
První čtyři výběrové L-momenty mají tvar
l1 = 1 n
n
X
i=1
xi:n, (2.9)
l2 = 1 n(n − 1)
Xn−1 i1=1
n
X
i2=i1+1
(xi2:n− xi1:n), (2.10)
l3 = 2
n(n − 1)(n − 2)
n−2
X
i1=1 n−1
X
i2=i1+1 n
X
i3=i2+1
(xi3:n− 2xi2:n+ xi1:n), (2.11)
l4 = 6
n(n − 1)(n − 2)(n − 3)
n−3
X
i1=1 n−2
X
i2=i1+1 n−1
X
i3=i2+1 n
X
i4=i3+1
(xi4:n− 3xi3:n+
+ 3xi2:n− xi1:n). (2.12)
Ze vztahů (2.9) až (2.12) je opět vidět, že výběrové L-momenty jsou lineární kom- binací pořádkových statistik.
První výběrový L-moment (2.9) je totožný s výběrovým průměrem a nazývá se výběrový L-průměr. Druhý výběrový L-moment (2.10) vyjadřuje míru rozptylu, nazývá se proto výběrový L-rozptyl.
Analogicky se formuluje výběrový L-variační koeficient
t = l2/l1 (2.13)
a výběrové L-momentové poměry tk
tk= lk/l2, k= 3, 4, . . .
Třetí a čtvrtý výběrový L-momentový poměr jsou odhady odpovídajících teore- tických L-momentových poměrů. Vzhledem k tomu, že odhadují míry šikmosti a špičatosti, se nazývají výběrová L-šikmost a L-špičatost.
Ekvivalentní zápis k-tého výběrového L-momentu je
lk = n−1
n
X
r=1
w(k)r:nXr:n, k= 1, 2, . . . , n,
kde
w(k)r:n =
min{r−1,k−1}
X
j=0
(−1)k−j−1k − 1 j
k − 1 + j j
n − 1 j
−1
r − 1 j
. (2.14)
Výběrový L-moment je nevychýlený odhad, neboť teoretický L-moment lze také vyjádřit ve tvaru
λk= n−1
n
X
r=1
w(k)r:nEXr:n,
a proto
Elk= n−1
n
X
r=1
w(k)r:nEXr:n = λk.
Jak je vidět z výrazu (2.14), koeficienty w(k)r:n závisejí na rozsahu náhodného výběru.
K určení těchto koeficientů pro libovolný rozsah n lze použít implementovanou funkci statistického programu R balíku lmomco s názvem Lcomoment.Wk.
Výběrové L-momenty tedy odhadují základní charakteristiky pravděpodobnost- ních rozdělení a používají se pro odhad jejich parametrů, obdobně jako v případě konvenčních momentů a momentové metody.
2.3 Jednorozměrné L-momenty vybraných spojitých rozdě- lení
V následující části jsou uvedeny první čtyři L-momenty pro tři vybraná spojitá jed- norozměrná rozdělení: normální a Paretovo rozdělení typu I a II. K výpočtu jsou použity vztahy (2.3) až (2.6) a (2.8). Jak uvidíme dále, k výsledkům dosaženým v této části se vrátíme ve čtvrté kapitole a výhodně je použijeme k určení dvouroz- měrných L-momentů.
2.3.1 Jednorozměrné L-momenty normálního rozdělení
Nechť µ ∈ R je parametr polohy a σ2 >0 parametr měřítka. Normální rozdělení má hustotu
f(x) = 1
√2πσ e−(x−µ)22σ2 , x ∈ R,
a distribuční funkci
F(x) = Φ x − µ σ
, kde Φ(x) = Zx
−∞
ϕ(t) dt, ϕ(t) = 1
√2π e−t22.
Vzhledem k tomu, že neexistuje explicitní tvar distribuční funkce, tudíž ani kvanti- lové, je potřeba pro výpočet L-momentů zvolit aproximaci kvantilové funkce [3, str.
174]
x(F ) = 5.063 σ[F0.135− (1 − F )0.135] + µ. (2.15)
Obrázek 1: Hustota normálního rozdělení s parametry µ = 0, σ ∈ {0.5, 1, 2}
Věta 2. Nechť je dáno normální rozdělení s parametry µ ∈ R a σ2 >0 a kvantilovou funkcí (2.15). Pak platí
λ1 = µ, τ3 = 0, λ2 = π−12σ, τ4 = 0.1244.
Důkaz. Důkaz uveden v [15].
2.3.2 Jednorozměrné L-momenty Paretova rozdělení typu I
Nechť σ > 0 je parametr měřítka a α > 0 parametr tvaru. Paretovo rozdělení typu I má hustotu
f(x) =
ασαx−α−1 pro x ≥ σ, 0 pro x < σ,
distribuční funkci
F(x) =
1 − σαx−α pro x ≥ σ, 0 pro x < σ,
a kvantilovou funkci
x(F ) =
σ(1 − F )−α1 pro x ≥ σ, 0 pro x < σ.
(2.16)
Obrázek 2: Hustota Paretova rozdělení typu I s parametry σ = 1, α ∈ {0.5, 1.5, 2.5}
Věta 3. Nechť je dáno Paretovo rozdělení typu I s parametry σ > 0 a α > 1 a kvantilovou funkcí (2.16). Pak platí
λ1 = σα
α − 1, τ3 = α+ 1 3α − 1,
λ2 = σα
(α − 1)(2α − 1), τ4 = (α + 1)(2α + 1) (3α − 1)(4α − 1). Důkaz. Důkaz uveden v [15].
2.3.3 Jednorozměrné L-momenty Paretova rozdělení typu II
Nechť µ ∈ R je parametr polohy, σ > 0 parametr měřítka a α > 0 parametr tvaru.
Paretovo rozdělení typu II má hustotu
f(x) =
α
σ 1 + x−µσ −α−1
pro x > µ,
0 pro x ≤ µ,
distribuční funkci
F(x) =
1 − 1 + x−µσ −α
pro x > µ,
0 pro x ≤ µ,
a kvantilovou funkci
x(F ) =
µ+ σ[(1 − F )−1α−1] pro x > µ,
0 pro x ≤ µ.
(2.17)
Obrázek 3: Hustota Paretova rozdělení typu II s parametry µ = 0, σ = 0.5, α ∈ {0.5, 1, 1.5}
Věta 4. Nechť je dáno Paretovo rozdělení typu II s parametry µ ∈ R, σ > 0 a α > 1 a kvantilovou funkcí (2.17). Pak platí
λ1 = µ + σ
α − 1, τ3 = α+ 1 3α − 1,
λ2 = ασ
(α − 1)(2α − 1), τ4 = (α + 1)(2α + 1) (3α − 1)(4α − 1).
Důkaz. Přímá aplikace metody per partes vede k odvození jednotlivých L-momentů.
Tabulka 1: L-momenty a L-momentové poměry některých dalších pravděpodobnost- ních rozdělení
Rozdělení Kvantilová funkce L-momenty a L-momentové poměry Rovnoměrné x(F ) = α + (β − α)F λ1= 12(α + β)
λ2= 16(β − α) τ3= 0
τ4= 0 Exponenciální x(F ) = ξ − α ln(1 − F ) λ1= ξ + α
λ2= 12α τ3=13 τ4=16 Logistické x(F ) = ξ + α ln$1−F
F
λ1= ξ λ2= α τ3= 0 τ4=16 Zobecněné x(F ) = ξ + α1−(1−F )k k λ1= ξ +k+1α
Paretovo λ2= (k+1)(k+2)α
τ3=1−k3+k τ4=(k−1)(k−2)(k+3)(k+4) Zobecněné x(F ) = ξ + α1−(− ln F )k
k λ1= ξ +αk − αΓ(k)
extremních λ2= αΓ(k)(1 − 2−k)
hodnot τ3=2·3−k1−2+3·2−k−k−1
τ4=−5·4−k+10·31−2−k−k−6·2−k+1
3 L-komomenty
Mnohorozměrné L-momenty druhého a vyššího řádu definovali Serfling a Xiao [14]
maticově, přičemž prvky těchto matic tvoří L-komomenty. O L-komomentech mů- žeme hovořit jako o analogii k ne zcela známým centrálním komomentům, které charakterizují mnohorozměrné rozdělení a nyní je stručně představíme.
3.1 Centrální komomenty
Nechť (X1, X2) je dvourozměrný náhodný vektor, F1(x1) a F2(x2) jsou marginální distribuční funkce náhodných veličin X1 a X2 se středními hodnotami µ1, µ2 a ko- nečnými k-tými centrálními momenty µ(1)k , µ(2)k , k ≥ 2. K-tý centrální komoment náhodné veličiny X1 vzhledem k náhodné veličině X2 je definován vztahem
ξk[12]= cov(X1,(X2− µ2)k−1), k ≥ 2, (3.1)
analogicky k-tý centrální komoment náhodné veličiny X2 vzhledem k náhodné veli- čině X1 je definován vztahem
ξk[21]= cov(X2,(X1− µ1)k−1), k ≥ 2.
Pro k = 2 máme
ξ2[12] = cov(X1, X2− µ2) = E[(X1 − µ1)(X2− µ2− (µ2− µ2))] =
= cov(X1, X2) = σ12,
ξ2[21] = cov(X2, X1− µ1) = E[(X2 − µ2)(X1− µ1− (µ1− µ1))] =
= cov(X1, X2) = σ12,
tedy druhý centrální komoment je kovariance náhodných veličin X1, X2. Obecně však ξk[12] a ξk[21] nejsou totožné. Třetí a čtvrtý centrální komoment ξ3[12], ξ4[12] se nazývá košikmost a košpičatost náhodné veličiny X1vzhledem k náhodné veličině X2.
Podobně jako u jednorozměrných centrálních momentů uvažujeme i u centrálních komomentů jejich bezrozměrné verze
αk[12]= ξk[12]
q
µ(1)2 (µ(2)2 )k−1, k ≥ 2.
Speciálně pro k = 2 je druhý centrální komomentový poměr roven korelačnímu koeficientu náhodných veličin X1, X2
α2[12] = α2[21] = cov(X1, X2) q
µ(1)2 µ(2)2
= ρ12.
Třetí a čtvrtý centrální komomentový poměr α3[12], α4[12] se nazývá košikmostní a košpičatostní koeficient náhodné veličiny X1 vzhledem k náhodné veličině X2.
3.2 Definice a základní vlastnosti L-komomentů
Jak již bylo uvedeno, k popisu jednorozměrného pravděpodobnostního rozdělení se obvykle používají konvenční momenty. Existence a konečnost k-tého centrál- ního momentu však závisí na existenci a konečnosti příslušného obecného momentu EXk, k = 1, 2, . . . Naproti tomu lze pravděpodobnostní rozdělení charakterizovat pomocí jednorozměrných L-momentů všech řádů za mnohem slabšího předpokladu, kterým je pouze existence konečné střední hodnoty. Podobně je tomu v případě centrálních komomentů a L-komomentů: centrální komomenty jsou definovány za předpokladu konečných centrálních momentů uvažovaných náhodných veličin, proto Serfling a Xiao [14] zavedli L-komomenty, které popisují mnohorozměrné rozdělení, aniž by byl kladen předpoklad na konečnost druhých a vyšších momentů.
Serfling a Xiao [14] formulovali L-komomenty analogicky vzhledem k tvaru cen- trálního komomentu (3.1) a jednorozměrného L-momentu vyjádřeného pomocí ko- variance (2.7).
Definice 3. Mějme náhodný vektor (X1, X2) se sdruženou distribuční funkcí F (x1, x2).
Nechť F1(x1), resp. F2(x2), je marginální distribuční funkce náhodné veličiny X1, resp. náhodné veličiny X2, a nechť X1, X2 mají konečné střední hodnoty. K-tý L-komoment náhodné veličiny X1 vzhledem k náhodné veličině X2 je definován
λk[12] = cov(X1, Pk−1∗ (F2(X2))), k ≥ 2, (3.2)
a k-tý L-komoment náhodné veličiny X2vzhledem k náhodné veličině X1 je definován
λk[21] = cov(X2, Pk−1∗ (F1(X1))), k ≥ 2,
kde Pk∗(F ) je definováno na straně 16.
Opět λk[12] a λk[21] nemusí být nutně totožné. Máme-li X1 = X2, je
λk[11] = λ(1)k , λk[22] = λ(2)k ,
kde λ(1)k , resp. λ(2)k , je k-tý jednorozměrný L-moment náhodné veličiny X1, resp.
náhodné veličiny X2.
Nadále se budeme věnovat jen případu náhodné veličiny X1 vzhledem k náhodné veličině X2, jelikož opačný případ by byl analogický. Druhý až čtvrtý L-komoment náhodné veličiny X1 vzhledem k náhodné veličině X2 má tvar
λ2[12] = 2 cov
X1, F2(X2) −1 2
,
λ3[12] = 6 cov X1,
F2(X2) −1 2
2
− 1 12
! ,
λ4[12] = cov X1,20
F2(X2) −1 2
3
− 3
F2(X2) − 1 2
! ,
a lze je považovat za alternativy k centrálním komomentům definované vztahem (3.1), tedy kovarianci, košikmosti a košpičatosti, proto se po řadě nazývají L-kovariance, L-košikmost a L-košpičatost [14].
Bezrozměrné verze L-komomentů, takzvané L-komomentové koeficienty, au- toři [14] definovali vztahem
τk[12]= λk[12]
λ(1)2 pro k ≥ 2. (3.3)
Druhý L-komomentový koeficient τ2[12] je označován jako L-korelace ρ[12] náhodné veličiny X1 vzhledem k náhodné veličině X2 a je analogií korelačního koeficientu ρ12. Je-li X1 = X2, pak platí
τ2[11] = 1, τ2[22]= 1.
V článku [7] se však L-komomentové koeficienty objevují v následujícím tvaru, který nekoresponduje s definicí (3.3):
τ2[12]= λ2[12]
λ(1)1 a τk[12] = λk[12]
λ(1)2 pro k ≥ 3. (3.4) Uvažujme dvě stejné náhodné veličiny X1. Pak by podle (3.4) bylo
τ2[11] = λ2[11]
λ(1)1 = λ(1)2
λ(1)1 = τ(1),
což není obecně rovno 1. Zavedení (3.4) L-komomentových koeficientů pro k = 2 je proto v rozporu se základní vlastností korelačního koeficientu (1.3): korelační ko- eficient dvou stejných náhodných veličin je vždy roven 1. V dalším textu se proto budeme držet definice L-komomentových koeficientů ve tvaru (3.3). Další nesrovna- lost ohledně L-komomentových koeficientů, která může čtenáře zmást, se vyskytuje ve statistickém programu R. V průvodci funkcí k balíku lmomco je uveden výpočet L-komomentových koeficientů ve tvaru
τ2[12]= λ2[12]
λ1[12]
a τk[12] = λk[12]
λ2[12] pro k ≥ 3.
Ve skutečnosti však kód pro výpočet L-komomentových koeficientů používá definici (3.3), proto lze bez obav k výpočtu L-komomentových koeficientů použít implemen- tované funkce Lcomoment.coefficients a Lcomoment.correlation.
Jak již bylo v úvodu kapitoly zmíněno, za splnění určitých předpokladů, které jsou uvedeny v následujících dvou větách, lze L-komomenty vyjádřit v podstatně jednodušším tvaru a to pomocí jednorozměrných L-momentů. Pro potřeby násle- dujích dvou vět zavádějí Serfling a Xiao [14] tyto dva pojmy, které tvoří právě již zmiňované předpoklady:
Řekneme, že dvě náhodné veličiny Xi, Xj, i 6= j, mají sdružené rozdělení s lineární regresí Xi na Xj, jestliže platí
E(Xi|Xj) = a + bXj, kde a, b jsou konstanty. (3.5)
Řekneme, že marginální distribuční funkce Fi, Fj, i 6= j, jsou afinně ekvivalentní,
jestliže platí
Fj(x) = Fi x − θ η
, kde η 6= 0, θ jsou konstanty. (3.6)
Věta 5. Nechť náhodná veličina X1 má konečnou střední hodnotu a nechť náhodné veličiny X1, X2 mají sdružené rozdělení s lineární regresí X1 na X2. Pak pro k ≥ 2 platí
λk[12] = b λ(2)k . (3.7)
Je-li navíc k-tý centrální moment µ(2)k náhodné veličiny X2 konečný, pak platí
ξk[12] = b µ(2)k , k ≥ 2. (3.8)
Důkaz. Důkaz lze nalézt v [14, str. 15].
Výše uvedená věta tedy říká, že pro vyjádření druhého a vyššího L-komomentu náhodné veličiny X1 vzhledem k náhodné veličině X2 ve tvaru (3.7) postačí koneč- nost pouze střední hodnoty náhodné veličiny X1; avšak pro vyjádření druhého a vyššího centrálního komomentu náhodné veličiny X1 vzhledem k náhodné veličině X2 ve tvaru (3.8) je navíc zapotřebí konečnost odpovídajícího centrálního momentu náhodné veličiny X2.
Věta 6. Nechť náhodná veličina X1 má konečnou střední hodnotu a nechť náhodné veličiny X1, X2 mají sdružené rozdělení s lineární regresí X1 na X2. Nechť jsou dále marginální distribuční funkce F1(x1), F2(x2) afinně ekvivalentní. Pak platí
ρ[12] = b η = ρ12,
kde první rovnost platí za předpokladu konečných středních hodnot a druhá rovnost platí za předpokladu konečných druhých centrálních momentů. Dále platí
λk[12] = ρ[12]λ(1)k , k ≥ 2,
τk[12] = ρ[12]τk(1), k ≥ 3. (3.9)
platí
ξk[12] = b ηkµ(1)k , αk[12] = ρ[12]α(1)k .
Důkaz. Důkaz lze nalézt v [14, str. 16].
Za platnosti přepokladů uvedených ve Větě 6 tedy existuje L-korelace ρ[12], ja- kožto alternativa korelačního koeficientu ρ12, i v případě, že neexistují konečné druhé centrální momenty náhodných veličin (tj. za těchto podmínek neexistuje korelační koeficient ρ12).
Serfling a Xiao [14] uvádějí platnost rovnosti (3.9) i pro k = 2. Jelikož τ2[12] = ρ[12], bylo by
τ(1) = λ(1)2 λ(1)1 = 1, tedy λ(1)1 = λ(1)2 , což obecně není pravda.
Je známo, že korelační koeficient ρ12 (1.3) leží v intervalu h−1, 1i. Totéž platí i pro L-korelaci ρ[12]. Lze totiž ukázat [14], že
|λ2[12]| ≤ λ(1)2 ,
což není nic jiného než (uvědomíme-li si, že λ(1)2 >0)
λ2[12]
λ(1)2
= |ρ[12]| ≤ 1. (3.10)
Serfling a Xiao [14, str. 18] uvádějí nerovnosti, vyplývající z Věty 6 a nerovnosti (3.10),
|λk[12]| ≤ |λ(1)k |, k ≥ 2,
|τk[12]| ≤ |τk(1)| ≤ 1, k ≥ 2, (3.11)
|αk[12]| ≤ |α(1)k | ≤ ∞, k ≥ 2.
Zde se však opět dopustili nedopatření: uvádějí platnost nerovnosti (3.11) znovu i
pro k = 2, ačkoliv platí (3.9), a navíc uvádějí |τk(1)| ≤ 1 pro k ≥ 3, přestože Hosking [5] dokázal jen ostrou nerovnost, tj. |τk(1)| < 1 pro k ≥ 3. Místo (3.11) tedy má správně být
|τk[12]| ≤ |τk(1)| < 1, k ≥ 3. (3.12)
3.3 Odhady L-komomentů
Stejně jako u jednorozměrných L-momentů rozlišujeme teoretické a výběrové L-komomenty, tedy odhady L-komomentů definovaných v předchozí podkapitole.
Mějme dvourozměrný náhodný výběr {(Xi(1), Xi(2)), 1 ≤ i ≤ n} o rozsahu n z dvourozměrného pravděpodobnostního rozdělení se sdruženou distribuční funkcí F(x1, x2) a marginálními distribučními funkcemi F1(x1), F2(x2). Seřaďme nyní ná- hodný výběr {X(2)} do neklesající posloupnosti, tj. X1:n(2) ≤ X2:n(2) ≤ · · · ≤ Xn:n(2). Prvek náhodného výběru {X(1)}, který je spárován s r-tou pořádkovou statistikou Xr:n(2), je autory [14] nazýván jako konkomitant r-té pořádkové statistiky Xr:n(2) a je označen X[r:n](12).
Odhad k-tého L-komomentu náhodné veličiny X1 vzhledem k náhodné veličině X2 (3.2) je dán vztahem [14]
ˆλk[12]= n−1
n
X
r=1
w(k)r:nX[r:n](12), (3.13)
kde w(k)r:n je definováno v (2.14). Odhad (3.13) je nestranný, neboť k-tý L-komoment náhodné veličiny X1 vzhledem k náhodné veličině X2 (3.2) lze ekvivalentně zapsat ve tvaru [14]
λk[12] = n−1
n
X
r=1
wr:n(k)EX[r:n](12),
proto
Eˆλk[12]= n−1
n
X
r=1
w(k)r:nEX[r:n](12) = λk[12].
4 Mnohorozměrné L-momenty
Uvažujme n-rozměrný náhodný vektor X = (X1, X2, . . . , Xn). První mnohoroz- měrný L-moment náhodného vektoru X je definován jako střední hodnota náhod- ného vektoru X (1.1) [14]
λ1 = EX.
Mnohorozměrný L-moment k-tého řádu, k ≥ 2, má tvar matice, jak již bylo zmí- něno, o velikosti n × n, přičemž na pozici (i, j) se nachází k-tý L-komoment dvojice náhodných veličin Xi, Xj pro 1 ≤ i, j ≤ n, tedy
Λk = $λk[ij]
n×n. (4.1)
Druhý až čtvrtý mnohorozměrný L-moment je po řadě nazván L-kovarianční, L-košikmostnía L-košpičatostní matice, přičemž L-kovarianční matice je ana- logií kovarianční matice (1.2). Analogicky jako mnohorozměrný L-moment je defi- nována L-komomentová koeficientová matice typu n × n
Λ∗k= $τk[ij]
n×n,1 ≤ i, j ≤ n, k ≥ 2. (4.2) Λ∗2 se nazývá L-korelační matice a je analogií korelační matice (1.4). Je zřejmé, že na hlavní diagonále matice (4.1) se vyskytují odpovídající jednorozměrné L-momenty náhodné veličiny Xi,1 ≤ i ≤ n. Hlavní diagonálu matice (4.2) pro k = 2 tvoří jedničky a pro k ≥ 3 se zde vyskytují odpovídající L-momentové po- měry náhodné veličiny Xi,1 ≤ i ≤ n.
4.1 L-momenty vybraných spojitých dvourozměrných roz- dělení
Následující kapitola se věnuje výpočtu L-momentů tří vybraných dvourozměrných rozdělení: normálního a Paretova rozdělení typu I a II. L-komomenty některých z těchto rozdělení se vyskytují v článku [14], avšak bez patřičného odvození.
L-komomenty těchto rozdělení jsou určeny pomocí Věty 6, tj. využijeme dosažené výsledky z kapitoly 2.3.
4.1.1 L-momenty dvourozměrného normálního rozdělení
Mějme náhodný vektor (X, Y ), který má dvourozměrnou sdruženou hustotu
f(x, y) = 1
2πσ1σ2p1 − ρ2·
· exp (
− 1
2(1 − ρ2)
"
x − µ1
σ1
2
+ y − µ2
σ2
2
−
−2ρ(x − µ1)(y − µ2) σ1σ2
, (4.3)
kde µ1, µ2, σ1, σ2 jsou parametry a ρ je korelační koeficient náhodných veličin X, Y . Náhodná veličina X, resp. Y , má marginální hustotu
f1(x) = 1
√2πσ1
exp
−(x − µ1)2 2σ12
, x ∈ R, µ1 ∈ R, σ1 >0,
resp.
f2(y) = 1
√2πσ2
exp
−(y − µ2)2 2σ22
, y ∈ R, µ2 ∈ R, σ2 >0. (4.4)
Obrázek 4: Hustota dvourozměrného normálního rozdělení s parametry µ1 = 0, µ2 = 0.5, σ1 = 1, σ2 = 2, ρ = 0.5
Věta 7. Nechť má náhodný vektor (X, Y ) dvourozměrné normální rozdělení se sdru- ženou hustotou (4.3). Pak platí
λ1 = (µ1, µ2), Λ2 = π−12
σ1 ρ σ1 ρ σ2 σ2
,
Λ3 =
0 0 0 0
,
Λ4 = 0.0702
σ1 ρ σ1 ρ σ2 σ2
Λ∗2 =
1 ρ ρ 1
,
Λ∗3 =
0 0 0 0
,
Λ∗4 = 0.1244
1 ρ ρ 1
.
Důkaz. Je potřeba ověřit splnění předpokladů Věty 6. Pak lze druhý a vyšší L-komoment vyjádřit ve tvaru násobku L-korelace a jednorozměrného L-momentu.
Za prvé náhodné veličiny X, Y musejí mít sdružené rozdělení s lineární regresí ná- hodné veličiny X na Y . Podmíněnou hustotu určíme dosazením hustot (4.3) a (4.4) do vztahu (1.5), tedy
f(x|y) = 1
σ1p2π(1 − ρ2)exp( 1 2
y − µ2
σ2
2)
·
· exp (
− 1
2(1 − ρ2)
"
x − µ1 σ1
2
+ y − µ2 σ2
2
− 2ρ(x − µ1)(y − µ2) σ1σ2
#) .
Podmíněná střední hodnota náhodné veličiny X za podmínky, že náhodná veličina Y nabyde hodnoty y, je dána vztahem (1.6)
E(X|Y ) = Z∞
−∞
x 1
σ1p2π(1 − ρ2)exp( 1 2
y − µ2 σ2
2)
·
· exp (
− 1
2(1 − ρ2)
"
x − µ1
σ1
2
+ y − µ2
σ2
2
−
− 2ρ(x − µ1)(y − µ2) σ1σ2
dx =
= 1
σ1p2π(1 − ρ2)exp
( −ρ2 2(1 − ρ2)
y − µ2
σ2
2)
·
· Z∞
−∞
xexp (
− 1
2(1 − ρ2)
"
x − µ1
σ1
2
− 2ρ(x − µ1)(y − µ2) σ1σ2
#) dx.
Označme poslední integrál I. Po provedení substituce u = x−µσ 1
1 máme
I = Z∞
−∞
(σ1u+ µ1) exp
− 1
2(1 − ρ2)
u2− 2ρy − µ2 σ2
u
σ1du.
Nyní upravíme dvojčlen u2− 2ρy−µσ22u na čtverec
I = σ12exp
( ρ2 2(1 − ρ2)
y − µ2 σ2
2)
·
· Z∞
−∞
uexp (
− 1
2(1 − ρ2)
u − ρy − µ2
σ2
2) du+
+ σ1µ1exp
( ρ2 2(1 − ρ2)
y − µ2
σ2
2)
·
· Z∞
−∞
exp (
− 1
2(1 − ρ2)
u − ρy − µ2
σ2
2)
du. (4.5)
Označme první integrál v (4.5) I1 a druhý I2. Úpravami dostaneme
I1 = Z∞
−∞
uexp (
− 1
2(1 − ρ2)
u − ρy − µ2 σ2
2) du−
− ρy − µ2 σ2
Z∞
−∞
exp (
− 1
2(1 − ρ2)
u − ρy − µ2 σ2
2) du+
+ ρy − µ2 σ2
Z∞
−∞
exp (
− 1
2(1 − ρ2)
u − ρy − µ2 σ2
2) du =
= 1 2
Z∞
−∞
2
u − ρy − µ2 σ2
exp
(
− 1
2(1 − ρ2)
u − ρy − µ2 σ2
2) du +
+ ρy − µ2 σ2
Z∞
−∞
exp (
− 1
2(1 − ρ2)
u − ρy − µ2 σ2
2) du.
Provedeme-li v prvním integrálu substituci v =
u − ρy−µσ22
2
a v druhém w= √ 1
2(1−ρ2)
u − ρy−µσ22
, máme
I1 = 1 2
Z0
∞
exp
− v
2(1 − ρ2)
dv +1 2
Z∞
0
exp
− v
2(1 − ρ2)
dv +
+ 2ρy − µ2
σ2 p2(1 − ρ2) Z∞
0
exp −w2 dw =
= 2ρy − µ2
σ2 p2(1 − ρ2)
√π 2 =
= ρy − µ2
σ2 p2π(1 − ρ2).
Z předchozího výpočtu již víme, že
I2 =p2π(1 − ρ2).
Celkem tedy dostaneme
E(X|Y ) = 1
σ1p2π(1 − ρ2)exp
( −ρ2 2(1 − ρ2)
y − µ2
σ2
2)
·
·
"
σ12ρy − µ2
σ2 p2π(1 − ρ2) exp
( ρ2 2(1 − ρ2)
y − µ2
σ2
2) +
+σ1µ1p2π(1 − ρ2) exp
( ρ2 2(1 − ρ2)
y − µ2 σ2
2)#
=
= µ1− µ2
σ12
σ22 +σ12
σ22 y.
Vztah (3.5) je proto splněn s konstantami
a= µ1− µ2
σ12
σ22, b = σ12
σ22 .
Dále je potřeba ověřit, zda jsou marginální distribuční funkce F1(x), F2(y) afinně ekvivalentní. Máme
Φ x − µ1
σ1
= Φ y − µ2
σ2
,
tedy
y = −σ2 σ1
µ1 + µ2+σ2 σ1
x.
Vztah (3.6) platí pro konstanty
θ= −σ2
σ1
µ1+ µ2, η= σ2
σ1
.
V důsledku toho je ρ[12] = ρ. Druhý až čtvrtý L-komoment náhodné veličiny X vzhledem k náhodné veličině Y a naopak lze psát ve tvaru násobku L-korelace ρ a odpovídajícího jednorozměrného L-momentu uvedeného ve Větě 2
λ2[12] = ρ σ1
√π, λ2[21] = ρσ2
√π,
λ3[12] = 0, λ3[21] = 0,
λ4[12] = 0.0702 ρσ1, λ4[21] = 0.0702 ρσ2.
(4.6)
L-komomentové koeficienty získáme použitím vztahu (3.3)
τ2[12]= τ2[21] = ρ, τ3[12]= τ3[21] = 0,
τ4[12]= τ4[21] = 0.1244 ρ.
(4.7)
Dvourozměrné L-momenty a L-komomentové koeficientové matice pak získáme do- sazením hodnot uvedených ve Větě 2, (4.6) a (4.7) do vektoru (1.1) a matic (4.1) a (4.2).
4.1.2 L-momenty dvourozměrného Paretova rozdělení typu I Mějme náhodný vektor (X, Y ), který má dvourozměrnou sdruženou hustotu
f(x, y) = α(α + 1) σ1σ2
x σ1
+ y σ2 − 1
−α−2
, (4.8)
kde σ1, σ2, α jsou parametry. Náhodná veličina X, resp. Y , má marginální hustotu
f1(x) = ασα1x−α−1, x ≥ σ1 >0, α > 0,
resp.
f2(y) = ασ2αy−α−1, y ≥ σ2 >0, α > 0.
Obrázek 5: Hustota dvourozměrného Paretova rozdělení typu I s parametry σ1 = 0.5, σ2 = 0.5, α = 1.5
Věta 8. Nechť má náhodný vektor (X, Y ) dvourozměrné Paretovo rozdělení typu I se sdruženou hustotou (4.8). Pak pro α > 1 platí
λ1 =
σ1α
α − 1, σ2α α − 1
,