Escriurem tots els vectors en columna i per una matriu o vector
A
{\displaystyle {\boldsymbol {A}}}
, escriurem
A
′
{\displaystyle {\boldsymbol {A}}'}
per designar la seva transposada.
Siguin
Z
1
,
…
,
Z
p
{\displaystyle Z_{1},\dots ,Z_{p}}
variables aleatòries independents , totes amb distribució normal estàndard
N
(
0
,
1
)
{\displaystyle {\mathcal {N}}(0,1)}
, i sigui
Q
{\displaystyle Q}
una variable aleatòria amb distribució hki quadrat amb
ν
>
0
{\displaystyle \nu >0}
graus de llibertat,
Q
∼
χ
ν
2
{\displaystyle Q\sim \chi _{\nu }^{2}}
, independent de
Z
1
,
…
,
Z
p
{\displaystyle Z_{1},\dots ,Z_{p}}
. Definim el vector
T
=
(
T
1
,
…
,
T
p
)
′
=
1
Q
/
ν
(
Z
1
,
…
,
Z
p
)
′
.
{\displaystyle {\boldsymbol {T}}=(T_{1},\dots ,T_{p})^{\prime }={\frac {1}{\sqrt {Q/\nu }}}\,(Z_{1},\dots ,Z_{p})'.}
Es diu que
T
{\displaystyle {\boldsymbol {T}}}
té té una distribució
t
{\displaystyle t}
multivariable amb
ν
{\displaystyle \nu }
graus de llibertat.[2] Noteu que
T
j
=
Z
j
Q
/
ν
,
j
=
1
,
…
,
p
,
{\displaystyle T_{j}={\frac {Z_{j}}{\sqrt {Q/\nu }}},\ j=1,\dots ,p,}
tenen distribució
t
{\displaystyle t}
de Student amb
ν
{\displaystyle \nu }
graus de llibertat,
T
j
∼
t
(
ν
)
{\displaystyle T_{j}\sim t(\nu )}
, però no són independents ja que totes tenen el factor
Q
{\displaystyle Q}
.
En notació vectorial, si escrivim
Z
=
(
Z
1
,
…
,
Z
p
)
′
{\displaystyle {\boldsymbol {Z}}=(Z_{1},\dots ,Z_{p})^{\prime }}
, que és un vector normal mult ivariable
N
p
(
0
,
I
p
)
{\displaystyle {\mathcal {N}}_{p}({\boldsymbol {0}},{\boldsymbol {I}}_{p})}
, on
I
p
{\displaystyle {\boldsymbol {I}}_{p}}
és la matriu identitat de dimensió
p
{\displaystyle p}
, tenim
T
=
1
Q
/
ν
Z
.
(
1
)
{\displaystyle {\boldsymbol {T}}={\frac {1}{\sqrt {Q/\nu }}}\,{\boldsymbol {Z}}.\qquad \qquad (1)}
Notació : S'escriu
T
∼
t
p
(
ν
,
0
,
I
p
)
{\displaystyle {\boldsymbol {T}}\sim {\boldsymbol {t}}_{p}(\nu ,{\boldsymbol {0}},{\boldsymbol {I}}_{p})}
.
La funció de densitat de
T
{\displaystyle {\boldsymbol {T}}}
és [2]
f
T
(
x
1
,
…
,
x
p
)
=
Γ
[
(
ν
+
p
)
/
2
]
Γ
(
ν
/
2
)
ν
p
/
2
π
p
/
2
(
1
+
1
ν
∑
j
=
1
p
x
j
2
)
−
(
ν
+
p
)
/
2
.
(
2
)
{\displaystyle f_{\boldsymbol {T}}(x_{1},\dots ,x_{p})={\frac {\Gamma \left[(\nu +p)/2\right]}{\Gamma (\nu /2)\nu ^{p/2}\pi ^{p/2}}}\left(1+{\frac {1}{\nu }}\sum _{j=1}^{p}x_{j}^{2}\right)^{-(\nu +p)/2}.\qquad \qquad (2)}
Aquest densitat es troba exactament igual que la de la funció de densitat de la distribució
t
{\displaystyle t}
de Student, però fent el canvi de variables
(
Z
1
,
…
,
Z
p
,
Q
)
⟶
(
T
1
,
…
,
T
p
,
Q
)
{\displaystyle (Z_{1},\dots ,Z_{p},Q)\longrightarrow (T_{1},\dots ,T_{p},Q)}
i calculant la densitat marginal de
(
T
1
,
…
,
T
p
)
{\displaystyle (T_{1},\dots ,T_{p})}
.
Per a
p
=
1
{\displaystyle p=1}
, l'expressió (2) es redueix a la funció de densitat de la distribució
t
{\displaystyle t}
de Student amb
ν
{\displaystyle \nu }
graus de llibertat.
Estudiem el cas
p
=
2
{\displaystyle p=2}
. Tenim
f
T
1
,
T
2
(
x
1
,
x
2
)
=
Γ
[
(
ν
+
2
)
/
2
]
Γ
(
ν
/
2
)
ν
π
(
1
+
1
ν
(
x
1
2
+
x
2
2
)
)
−
(
ν
+
2
)
/
2
.
{\displaystyle f_{T_{1},T_{2}}(x_{1},x_{2})={\frac {\Gamma \left[(\nu +2)/2\right]}{\Gamma (\nu /2)\nu \,\pi }}\left(1+{\frac {1}{\nu }}(x_{1}^{2}+x_{2}^{2})\right)^{-(\nu +2)/2}.}
Per construcció, les densitats marginals de
T
1
{\displaystyle T_{1}}
i
T
2
{\displaystyle T_{2}}
són
f
T
1
(
x
)
=
f
T
2
(
x
)
=
Γ
(
(
ν
+
1
)
/
2
)
Γ
(
ν
/
2
)
π
ν
(
1
+
x
2
ν
)
−
(
ν
+
1
)
/
2
.
{\displaystyle f_{T_{1}}(x)=f_{T_{2}}(x)={\frac {\Gamma ((\nu +1)/2)}{\Gamma (\nu /2)\,{\sqrt {\pi \nu }}}}{\Big (}1+{\frac {x^{2}}{\nu }}{\Big )}^{-(\nu +1)/2}.}
Per tant,
f
T
1
(
x
1
)
f
T
2
(
x
2
)
≠
f
T
1
,
T
2
(
x
1
,
x
2
)
,
{\displaystyle f_{T_{1}}(x_{1})\,f_{T_{2}}(x_{2})\neq f_{T_{1},T_{2}}(x_{1},x_{2}),}
que és coherent amb el fet que
T
1
{\displaystyle T_{1}}
i
T
2
{\displaystyle T_{2}}
no són independents. Però també implica que si
S
1
{\displaystyle S_{1}}
i
S
2
{\displaystyle S_{2}}
són dues variables aleatòries independents ambdues amb distribució
t
ν
{\displaystyle t_{\nu }}
, llavors el vector
(
S
1
,
S
2
)
{\displaystyle (S_{1},S_{2})}
no té una distribució
t
{\displaystyle t}
bivariable, en contrast amb allò que passa amb les variables normals independents. Finalment, noteu que si
ν
>
2
{\displaystyle \nu >2}
, llavors
T
1
{\displaystyle T_{1}}
i
T
2
{\displaystyle T_{2}}
tindran moment de segon ordre i
E
[
T
1
]
=
E
[
T
2
]
=
0
,
{\displaystyle E[T_{1}]=E[T_{2}]=0,}
i
E
[
T
1
T
2
]
=
ν
E
[
1
Q
]
E
[
Z
1
]
E
[
Z
2
]
=
0
,
{\displaystyle E[T_{1}T_{2}]=\nu \,E{\Big [}{\frac {1}{Q}}{\Big ]}E[Z_{1}]\,E[Z_{2}]=0,}
amb la qual cosa
T
1
{\displaystyle T_{1}}
i
T
2
{\displaystyle T_{2}}
estan incorrelacionades
Sigui
Y
∼
N
p
(
0
,
Σ
)
{\displaystyle {\boldsymbol {Y}}\sim {\mathcal {N}}_{p}({\boldsymbol {0}},{\boldsymbol {\Sigma }})}
, on
Σ
{\displaystyle {\boldsymbol {\Sigma }}}
és una matriu definida positiva (en particular, simètrica i amb determinant diferent de 0) ,
μ
∈
R
p
{\displaystyle {\boldsymbol {\mu }}\in \mathbb {R} ^{p}}
, i
Q
∼
χ
ν
2
{\displaystyle Q\sim \chi _{\nu }^{2}}
, independent de
Y
{\displaystyle {\boldsymbol {Y}}}
. Aleshores el vector aleatori
X
=
1
Q
/
ν
Y
+
μ
(
3
)
{\displaystyle {\boldsymbol {X}}={\frac {1}{\sqrt {Q/\nu }}}\,{\boldsymbol {Y}}+{\boldsymbol {\mu }}\qquad \qquad (3)}
es diu que té una distribució
t
{\displaystyle t}
multivariable amb
ν
{\displaystyle \nu }
graus de llibertat, amb paràmetres
μ
{\displaystyle {\boldsymbol {\mu }}}
i
Σ
{\displaystyle {\boldsymbol {\Sigma }}}
(també es diu que
μ
{\displaystyle {\boldsymbol {\mu }}}
és el vector de posició i
Σ
{\displaystyle {\boldsymbol {\Sigma }}}
el paràmetre d'escala ), i s'escriu
X
∼
t
p
(
ν
,
μ
,
Σ
)
{\displaystyle {\boldsymbol {X}}\sim {\boldsymbol {t}}_{p}(\nu ,{\boldsymbol {\mu }},{\boldsymbol {\Sigma }})}
. La funció de densitat és [2]
f
X
(
x
)
=
Γ
[
(
ν
+
p
)
/
2
]
Γ
(
ν
/
2
)
ν
p
/
2
π
p
/
2
det
Σ
[
1
+
1
ν
(
x
−
μ
)
′
Σ
−
1
(
x
−
μ
)
]
−
(
ν
+
p
)
/
2
,
(
4
)
{\displaystyle f_{\boldsymbol {X}}({\boldsymbol {x}})={\frac {\Gamma \left[(\nu +p)/2\right]}{\Gamma (\nu /2)\nu ^{p/2}\pi ^{p/2}{\sqrt {{\text{det}}\,{\boldsymbol {\Sigma }}}}}}\left[1+{\frac {1}{\nu }}({\mathbf {x} }-{\boldsymbol {\mu }})'{\boldsymbol {\Sigma }}^{-1}({\mathbf {x} }-{\boldsymbol {\mu }})\right]^{-(\nu +p)/2},\qquad \qquad (4)}
on
det
Σ
{\displaystyle {\text{det}}\,{\boldsymbol {\Sigma }}}
és el determinant de la matriu
Σ
{\displaystyle {\boldsymbol {\Sigma }}}
. Quan
p
=
1
{\displaystyle p=1}
, llavors s'obté una distribució
t
{\displaystyle t}
amb tres paràmetres.
De les propietats de les distribucions normals multivariables
Y
=
Σ
1
/
2
Z
,
en distribució
,
{\displaystyle {\boldsymbol {Y}}={\boldsymbol {\Sigma }}^{1/2}\,{\boldsymbol {Z}},\ {\text{en distribució}},}
on
Σ
1
/
2
{\displaystyle {\boldsymbol {\Sigma }}^{1/2}}
és l'arrel quadrada de la matriu
Σ
{\displaystyle {\boldsymbol {\Sigma }}}
,[3] tindrem que
X
=
Σ
1
/
2
T
+
μ
,
en distribució
.
(
5
)
{\displaystyle {\boldsymbol {X}}={\boldsymbol {\Sigma }}^{1/2}{\boldsymbol {T}}+{\boldsymbol {\mu }},\ {\text{en distribució}}.\qquad \qquad (5)}
D'on es dedueix l'expressió de la densitat (4) a partir de (2) mitjançant la formula de canvi de variables per a vectors aleatoris.
Es important remarcar que aquesta distribució pertany a la família de les distribucions amb simetria el·líptica [4]
La distribució
t
{\displaystyle t}
multivariable comparteix amb la distribució normal multivariable diverses propietats importants.
Sigui
X
∼
t
p
(
ν
,
μ
,
Σ
)
{\displaystyle {\boldsymbol {X}}\sim {\boldsymbol {t}}_{p}(\nu ,{\boldsymbol {\mu }},{\boldsymbol {\Sigma }})}
. Aleshores qualsevol subvector també té una distribució
t
{\displaystyle t}
multivariable. Més concretament, per
q
=
1
,
…
,
p
−
1
{\displaystyle q=1,\dots ,p-1}
i (per simplificar les notacions) prenem
X
q
=
(
X
1
,
…
,
X
q
)
′
{\displaystyle {\boldsymbol {X}}_{q}=(X_{1},\dots ,X_{q})^{\prime }}
. Llavors
X
q
∼
t
q
(
ν
,
μ
q
,
Σ
q
q
)
{\displaystyle {\boldsymbol {X}}_{q}\sim {\boldsymbol {t}}_{q}(\nu ,{\boldsymbol {\mu }}_{q},{\boldsymbol {\Sigma }}_{qq})}
, on
μ
q
=
(
μ
1
,
…
,
μ
q
)
{\displaystyle {\boldsymbol {\mu }}_{q}=(\mu _{1},\dots ,\mu _{q})}
i
Σ
q
q
{\displaystyle {\boldsymbol {\Sigma }}_{qq}}
és la submatriu de
Σ
{\displaystyle {\boldsymbol {\Sigma }}}
obtinguda eliminant les files
q
+
1
,
…
,
p
{\displaystyle q+1,\dots ,p}
i les columnes
q
+
1
,
…
,
p
{\displaystyle q+1,\dots ,p}
. Aquesta propietat es dedueix de la representació (3) del vector
X
{\displaystyle {\boldsymbol {X}}}
.
Sigui
X
∼
t
p
(
ν
,
μ
,
Σ
)
{\displaystyle {\boldsymbol {X}}\sim {\boldsymbol {t}}_{p}(\nu ,{\boldsymbol {\mu }},{\boldsymbol {\Sigma }})}
,
B
{\displaystyle {\boldsymbol {B}}}
una matriu
p
×
p
{\displaystyle p\times p}
definida positiva (en particular, simètrica) i
b
∈
R
p
{\displaystyle {\boldsymbol {b}}\in \mathbb {R} ^{p}}
. Aleshores
B
X
+
b
∼
t
p
(
ν
,
B
μ
+
b
,
B
Σ
B
)
.
{\displaystyle {\boldsymbol {B}}{\boldsymbol {X}}+{\boldsymbol {b}}\sim {\boldsymbol {t}}_{p}(\nu ,{\boldsymbol {B}}{\boldsymbol {\mu }}+{\boldsymbol {b}},{\boldsymbol {B\Sigma B}}).}
Aquesta propietat es dedueix de la representació (3) i de les propietats dels vectors normals multivariables .
Combinacions lineals de les components
modifica
Sigui
X
∼
t
p
(
ν
,
μ
,
Σ
)
{\displaystyle {\boldsymbol {X}}\sim {\boldsymbol {t}}_{p}(\nu ,{\boldsymbol {\mu }},{\boldsymbol {\Sigma }})}
. Considerem una combinació lineal de les seves components
S
=
a
′
X
=
∑
j
=
1
p
a
j
X
j
,
{\displaystyle S={\boldsymbol {a}}'{\boldsymbol {X}}=\sum _{j=1}^{p}a_{j}X_{j},}
on
a
=
(
a
1
,
…
,
a
p
)
′
{\displaystyle {\boldsymbol {a}}=(a_{1},\dots ,a_{p})'}
. Aleshores
S
∼
t
(
ν
,
a
′
μ
,
a
Σ
a
′
)
,
{\displaystyle S\sim t(\nu ,{\boldsymbol {a}}'{\boldsymbol {\mu }},{\boldsymbol {a\Sigma }}{\boldsymbol {a}}'),}
on aquesta última és una distribució
t
{\displaystyle t}
de Student amb 3 paràmetres (graus de llibertat, paràmetre de posició i quadrat del paràmetre d'escala) .
Aquesta propietat també es demostra a partir de les propietats de la distribució normal multivariable .
Sigui
X
∼
t
p
(
ν
,
μ
,
Σ
)
{\displaystyle {\boldsymbol {X}}\sim {\boldsymbol {t}}_{p}(\nu ,{\boldsymbol {\mu }},{\boldsymbol {\Sigma }})}
i separem-lo en dues parts
X
1
{\displaystyle {\boldsymbol {X}}_{1}}
i
X
2
{\displaystyle {\boldsymbol {X}}_{2}}
de dimensions
p
1
{\displaystyle p_{1}}
i
p
2
{\displaystyle p_{2}}
respectivament, amb
p
1
+
p
2
=
p
{\displaystyle p_{1}+p_{2}=p}
,
X
=
(
X
1
X
2
)
{\displaystyle {\boldsymbol {X}}={\begin{pmatrix}{\boldsymbol {X}}_{1}\\{\boldsymbol {X}}_{2}\end{pmatrix}}}
Partim de la mateixa manera
μ
{\displaystyle {\boldsymbol {\mu }}}
,
μ
=
(
μ
1
μ
2
)
,
{\displaystyle {\boldsymbol {\mu }}={\begin{pmatrix}{\boldsymbol {\mu }}_{1}\\{\boldsymbol {\mu }}_{2}\end{pmatrix}},}
i la matriu
Σ
{\displaystyle {\boldsymbol {\Sigma }}}
de la forma
Σ
=
(
Σ
11
Σ
12
Σ
21
Σ
22
)
{\displaystyle {\boldsymbol {\Sigma }}={\begin{pmatrix}{\boldsymbol {\Sigma }}_{11}&{\boldsymbol {\Sigma }}_{12}\\{\boldsymbol {\Sigma }}_{21}&{\boldsymbol {\Sigma }}_{22}\end{pmatrix}}}
Aleshores la distribució de
X
2
{\displaystyle {\boldsymbol {X}}_{2}}
condicionada a
X
1
{\displaystyle {\boldsymbol {X}}_{1}}
és una distribució
t
{\displaystyle t}
multivariable:
X
2
|
X
1
∼
t
p
2
(
ν
+
p
1
,
μ
2
|
1
,
ν
+
d
1
ν
+
p
1
Σ
22
|
1
)
,
{\displaystyle {\boldsymbol {X}}_{2}\,\vert \,{\boldsymbol {X}}_{1}\sim {\boldsymbol {t}}_{p_{2}}{\Big (}\nu +p_{1},\,{\boldsymbol {\mu }}_{2|1},\,{\frac {\nu +d_{1}}{\nu +p_{1}}}\,{\boldsymbol {\Sigma }}_{22|1}{\Big )},}
on
d
1
=
(
X
1
−
μ
1
)
′
Σ
11
−
1
(
X
1
−
μ
1
)
{\displaystyle d_{1}=({\boldsymbol {X}}_{1}-{\boldsymbol {\mu }}_{1})^{\prime }{\boldsymbol {\Sigma }}_{11}^{-1}({\boldsymbol {X}}_{1}-{\boldsymbol {\mu }}_{1})}
és el quadrat de la distància de Mahalanobis de
X
1
{\displaystyle {\boldsymbol {X}}_{1}}
a
μ
1
{\displaystyle {\boldsymbol {\mu }}_{1}}
amb matriu d'escala
Σ
11
{\displaystyle {\boldsymbol {\Sigma }}_{11}}
.
Σ
22
|
1
=
Σ
22
−
Σ
21
Σ
11
−
1
Σ
12
{\displaystyle {\boldsymbol {\Sigma }}_{22|1}={\boldsymbol {\Sigma }}_{22}-{\boldsymbol {\Sigma }}_{21}{\boldsymbol {\Sigma }}_{11}^{-1}{\boldsymbol {\Sigma }}_{12}}
és el complement de Schur de la matriu
Σ
11
{\displaystyle {\boldsymbol {\Sigma }}_{11}}
en
Σ
{\displaystyle {\boldsymbol {\Sigma }}}
.
μ
2
|
1
=
μ
2
+
Σ
21
Σ
11
−
1
(
X
1
−
μ
1
)
{\displaystyle {\boldsymbol {\mu }}_{2|1}={\boldsymbol {\mu }}_{2}+{\boldsymbol {\Sigma }}_{21}{\boldsymbol {\Sigma }}_{11}^{-1}({\boldsymbol {X}}_{1}-{\boldsymbol {\mu }}_{1})}
és la regressió lineal de
X
2
{\displaystyle {\boldsymbol {X}}_{2}}
sobre
X
1
{\displaystyle {\boldsymbol {X}}_{1}}
.
Per a la demostració vegeu.[5]
Convergència a la distribució normal multivariable
modifica
Quan
ν
→
∞
{\displaystyle \nu \to \infty }
, la distribució
t
p
(
ν
,
μ
,
Σ
)
{\displaystyle {\boldsymbol {t}}_{p}(\nu ,{\boldsymbol {\mu }},{\boldsymbol {\Sigma }})}
s'aproxima a una distribució normal multivariable
N
(
μ
,
Σ
)
{\displaystyle {\mathcal {N}}({\boldsymbol {\mu }},{\boldsymbol {\Sigma }})}
. Concretament, si
X
ν
∼
t
p
(
ν
,
μ
,
Σ
)
{\displaystyle {\boldsymbol {X}}_{\nu }\sim {\boldsymbol {t}}_{p}(\nu ,{\boldsymbol {\mu }},{\boldsymbol {\Sigma }})}
(suposem
ν
{\displaystyle \nu }
un nombre natural), i
X
∼
N
(
μ
,
Σ
)
{\displaystyle {\boldsymbol {X}}\sim {\mathcal {N}}({\boldsymbol {\mu }},{\boldsymbol {\Sigma }})}
llavors
lim
ν
→
∞
X
ν
=
X
,
en distribució
.
{\displaystyle \lim _{\nu \to \infty }{\boldsymbol {X}}_{\nu }={\boldsymbol {X}},\quad {\text{en distribució}}.}
Aquesta propietat es demostra utilitzant la tècnica de Cramer-Wold , juntament amb la propietat que hem vist sobre les combinacions lineals de les components d'un vector amb distribució
t
{\displaystyle t}
multivariable i la convergència de la distribució
t
{\displaystyle t}
de Student a la distribució normal.
Sigui
X
∼
t
p
(
ν
,
μ
,
Σ
)
{\displaystyle {\boldsymbol {X}}\sim {\boldsymbol {t}}_{p}(\nu ,{\boldsymbol {\mu }},{\boldsymbol {\Sigma }})}
. Les següents dues propietats es demostren a partir de la representació (3).
Esperança
Si
ν
>
1
{\displaystyle \nu >1}
, llavors el vector
X
{\displaystyle {\boldsymbol {X}}}
té esperança i
E
[
X
]
=
μ
.
{\displaystyle E[{\boldsymbol {X}}]={\boldsymbol {\mu }}.}
Matriu de variàncies-covariàncies.
Si
ν
>
2
{\displaystyle \nu >2}
, aleshores la matriu de variàncies-covariàncies del vector
X
{\displaystyle {\boldsymbol {X}}}
és:
V
(
X
)
=
ν
ν
−
2
Σ
.
{\displaystyle {\boldsymbol {V}}({\boldsymbol {X}})={\frac {\nu }{\nu -2}}\,{\boldsymbol {\Sigma }}.}
Moments d'ordre superior. [4]
Ens restringirem al cas que
μ
=
0
{\displaystyle {\boldsymbol {\mu }}={\boldsymbol {0}}}
i
Σ
=
I
p
{\displaystyle {\boldsymbol {\Sigma }}={\boldsymbol {I}}_{p}}
. Sigui
T
∼
t
p
(
ν
,
0
,
I
p
)
{\displaystyle {\boldsymbol {T}}\sim {\boldsymbol {t}}_{p}(\nu ,{\boldsymbol {0}},{\boldsymbol {I}}_{p})}
i
n
1
≥
0
,
…
,
n
p
≥
0
{\displaystyle n_{1}\geq 0,\dots ,n_{p}\geq 0}
nombres naturals tals que
n
1
+
⋯
+
n
p
=
n
<
ν
{\displaystyle n_{1}+\cdots +n_{p}=n<\nu }
. Aleshores
E
[
|
T
1
n
1
⋯
T
p
n
p
|
]
<
∞
{\displaystyle E{\big [}{\big \vert }T_{1}^{n_{1}}\cdots T_{p}^{n_{p}}{\big |}{\big ]}<\infty }
i si
n
1
,
…
,
n
p
{\displaystyle n_{1},\dots ,n_{p}}
són parells, aleshores
E
[
T
1
n
1
⋯
T
p
n
p
]
=
ν
n
/
2
Γ
(
ν
−
n
2
)
2
n
/
2
Γ
(
ν
2
)
∏
j
=
1
p
n
j
!
2
n
j
/
2
(
n
j
/
2
)
!
.
{\displaystyle E{\big [}T_{1}^{n_{1}}\cdots T_{p}^{n_{p}}{\big ]}=\nu ^{n/2}{\frac {\Gamma {\big (}{\frac {\nu -n}{2}}{\big )}}{2^{n/2}\Gamma {\big (}{\frac {\nu }{2}}{\big )}}}\prod _{j=1}^{p}{\frac {n_{j}!}{2^{n_{j}/2}\,(n_{j}/2)!}}.}
Si algun dels
n
1
,
…
,
n
p
{\displaystyle n_{1},\dots ,n_{p}}
és senar, aleshores l'esperança anterior és 0.
Aquesta propietat es demostra a partir de la representació (1), de la independència de
Z
1
,
…
,
Z
p
{\displaystyle Z_{1},\dots ,Z_{p}}
i
Q
{\displaystyle Q}
, i les fórmules per als moments d'una distribució
N
(
0
,
1
)
{\displaystyle {\mathcal {N}}(0,1)}
i dels d'una distribució khi quadrat.
La funció característica no té una expressió senzilla. Vegeu [1] o.[6] [7]
La definició constructiva d'una distribució t multivariant serveix simultàniament com a algorisme de mostreig:
Generar
u
∼
χ
ν
2
{\displaystyle u\sim \chi _{\nu }^{2}}
i
y
∼
N
(
0
,
Σ
)
{\displaystyle \mathbf {y} \sim N(\mathbf {0} ,{\boldsymbol {\Sigma }})}
, independentment.
Calcular
x
←
ν
/
u
y
+
μ
{\displaystyle \mathbf {x} \gets {\sqrt {\nu /u}}\mathbf {y} +{\boldsymbol {\mu }}}
.
Aquesta formulació dóna lloc a la representació jeràrquica d'una distribució t multivariant com una mixtura d'escala de normals: Si
u
∼
G
a
(
ν
/
2
,
ν
/
2
)
{\displaystyle u\sim \mathrm {Ga} (\nu /2,\nu /2)}
on
G
a
(
a
,
b
)
{\displaystyle \mathrm {Ga} (a,b)}
indica una distribució gamma amb densitat proporcional a
x
a
−
1
e
−
b
x
{\displaystyle x^{a-1}e^{-bx}}
, i
x
∣
u
{\displaystyle \mathbf {x} \mid u}
condicionalment segueix
N
(
μ
,
u
−
1
Σ
)
{\displaystyle N({\boldsymbol {\mu }},u^{-1}{\boldsymbol {\Sigma }})}
.