Багатовимірний нормальний розподіл

Багатовимірний нормальний розподіл (чи багатовимірний гаусів розподіл) у теорії ймовірностей — це узагальнення одновимірного нормального розподілу для випадку із багатьма вимірами. Відповідно до одного із визначень стверджують, що вектор випадкових величин має k-варіативний нормальний розподіл якщо кожна лінійна комбінація його k компонент має одновимірний нормальний розподіл. В основному його важливість випливає із узагальнення центральної граничної теореми для багатьох вимірів. Багатовимірний нормальний розподіл часто використовують аби описати, принаймні наближено, будь-яку множину (можливо) корельованих випадкових величин із дійсними значенням, кожна з яких скупчується довкола середнього значення.

Багатовимірний нормальний розподіл

Множина точок, що представляють елементарні події багатовимірного нормального розподілу із і , разом з якими показано еліпс розміром в 3-сігми, два маргінальні розподіли і дві 1-вимірні гістограми.
Параметри μRkкоефіцієнт зсуву
ΣRk×kковаріаційна матриця (додатноозначена матриця)
Носій функції xμ + span(Σ) ⊆ Rk
Розподіл імовірностей
існує лише за умови, що Σ є додатньоозначена матриця
Функція розподілу ймовірностей (cdf) (не має аналітичного виразу)
Середнє μ
Мода μ
Дисперсія Σ
Ентропія
Твірна функція моментів (mgf)
Характеристична функція

Позначення і параметризація

Багатовимірний нормальний розподіл k-вимірного вектору випадкових величин X = [X1, X2, …, Xk]T може записуватися у формі наступної нотації:

або із метою явно зазначити, що X є k-вимірним:

із k-вимірним вектором середніх значень

і матрицею коваріацій

Визначення

Випадковий вектор має багатомірний нормальний розподіл, якщо виконується одне з наступних еквівалентних умов:

  • Довільна лінійна комбінація компонентів вектора має нормальний розподіл є константою.
  • Існує вектор незалежних стандартних нормальних випадкових величин , дійсний вектор і матриця розмірності , такі що:
.
.

Зауваження

  • Якщо розглядати тільки розподілу з невиродженою коваріаційною матрицею, то еквівалентним буде також наступне визначення:
Існує вектор і додатно визначена симетрична матриця розмірності , такі що щільність ймовірності вектора має вид:
,
де визначник матриці , а — матриця зворотна до


  • Вектор є вектором середніх значень , а — його коваріаційна матриця
  • У випадку , багатовимірний нормальний розподіл зводиться до звичайного нормального розподілу.
  • Якщо випадковий вектор має багатовимірний нормальний розподіл, то пишуть .

Властивості

  • Якщо вектор має багатовимірний нормальний розподіл, то його компоненти мають одновимірний нормальний розподіл. Зворотне, узагалі говорячи, невірно (див. приклад )!
  • Якщо випадкові величини мають одномірний нормальний розподіл і спільно незалежні, те випадковий вектор має багатомірний нормальний розподіл. Матриця коваріацій такого вектора діагональна.
  • Якщо має багатомірний нормальний розподіл, і його компоненти попарно некорельовані, то вони незалежні. Однак, якщо тільки компоненти мають одномірний нормальний розподіл і попарно не корелюють, те звідси не випливає, що вони незалежні.
Контрприклад. Нехай , а з рівними ймовірностями. Тоді якщо , те кореляція і дорівнює нулю. Однак, ці випадкові величини залежні.
  • Багатомірний нормальний розподіл стійко щодо лінійних перетворень. Якщо , а — довільна матриця розмірності , то
.

Функція густини

Спільна функція густини біваріативного нормального розподілу

Не вироджений випадок

Багатовимірний нормальний розподіл називають "не виродженим" коли його симетрична матриця коваріацій є додатньоозначеною. В такому випадку розподіл має функцію густини:[1]

де це k-вимірний вектор стовпець дійсних чисел і це детермінант для . Вищенаведене рівняння спрощується до аналогічного рівняння, що відповідає одновимірному нормальному розподілу якщо є матрицею розміром (тобто єдиним дійсним числом).

Циркулярно-симетрична версія комплексного нормального розподілу має дещо відмінну форму.

Кожен окіл ізо-густиниокіл точок в k-вимірному просторі, в кожній з яких буде деяке стале значення густини є еліпсом або його узагальненням для більших вимірів; оскільки багатовимірний нормальний розподіл є особливим випадком еліптичних розподілів.

В описовій статистиці відомо як відстань Махаланобіса, яка задає відстань обраної точки від середнього . Зауважте, що у випадку коли , розподіл зводиться до одновимірного нормального розподілу, і відстань Махаланобіса зводиться до абсолютного значення стандартної оцінки.

Біваріативний випадок

У 2-вимірному несингулярному випадку (k = rank(Σ) = 2), функція густини імовірності для вектору [X Y]′ є наступною:

де ρ кореляція між X і Y і де і . В такому випадку,

У біваріативному випадку, перша еквівалентна умова встановлення нормальності багатовимірного розподілу може бути менш сувора: для того, щоб зробити висновок чи є вектор [X Y]′ біваріативно нормальним достатньо перевірити чи зліченно велика кількість відмінних лінійних комбінацій X і Y є нормально розподілені.[2]

Біваріативні околи ізо-густини на площині x,y є еліпсами. Із збільшенням абсолютного значення коефіцієнту кореляції ρ, ці околи будуть сплющуватися до наступної прямої :

Це пояснюється тим, що якщо в даному виразі sgn(ρ) замінити на ρ, воно є найкращим лінійним незміщеним передбаченням для Y, що задане значенням X.[3]

Багатомірна центральна гранична теорема

Нехай  — послідовність незалежних і однаково розподілених випадкових векторів, кожний з який має середнє і невироджену матрицю коваріацій . Позначимо через вектор часткових сум. Тоді при має місце збіжність розподілів векторів , де має розподіл . В умовах багатовимірної центральної граничної теореми розподіл будь-яких неперервних функцій збігається до розподілу . Як нам буде потрібна тільки .

Наслідок

В умовах багатовимірної центральної граничної теореми має місце збіжність .

Примітки

  1. UIUC, Lecture 21. The Multivariate Normal Distribution, 21.5:"Finding the Density".
  2. Hamedani, G. G.; Tata, M. N. (1975). On the determination of the bivariate normal distribution from distributions of linear combinations of the variables. The American Mathematical Monthly 82 (9): 913–915. doi:10.2307/2318494.
  3. Wyatt, John. Linear least mean-squared error estimation. Lecture notes course on applied probability. Процитовано 23 січня 2012.


This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.