학생 t 분포의 다변량 일반화
다변량 t표기법 t ν ( μ , Σ ) {\displaystyle t_{\nu }({\boldsymbol {\mu }},{\boldsymbol {\Sigma }})} 매개변수 μ = [ μ 1 , … , μ p ] T {\ displaystyle {\boldsymbol {\mu }}=[\mu _{1},\dots,\mu _{p}]^ {T} 위치 (real p × 1 {\displaystyle p\times 1} 벡터 ) σ {\ displaystyle {\boldsymbol {\Sigma }} 척도 행렬(양-확정성 실제 p × p {\displaystyle p\times p} 행렬 ) ν {\displaystyle \nu} 은 (는) 자유도 지원 x ∈ R p {\displaystyle \mathbf {x} \in \mathb {R} ^{p}\!} PDF Γ [ ( ν + p ) / 2 ] Γ ( ν / 2 ) ν p / 2 π p / 2 Σ 1 / 2 [ 1 + 1 ν ( x − μ ) T Σ − 1 ( x − μ ) ] − ( ν + p ) / 2 {\displaystyle {\frac {\Gamma \left[(\nu +p)/2\right]}{\Gamma (\nu /2)\nu ^{p/2}\pi ^{p/2}\left {\boldsymbol {\Sigma }}\right ^{1/2}}}\left[1+{\frac {1}{\nu }}({\mathbf {x} }-{\boldsymbol {\mu }})^{\rm {T}}{\boldsymbol {\Sigma }}^{-1}({\mathbf {x} }-{\boldsymbol {\mu }})\right]^{-(\nu +p)/2}} CDF 분석 표현식은 없지만 텍스트에서 근사치를 참조하십시오. 평균 μ {\ displaystyle {\ displaysymbol {\ mu{\mu }}, 그 밖 의 정의되지 않은 경우중앙값 μ {\displaystyle {\\mu }} 모드 μ {\displaystyle {\\mu }} 분산 ν - - 2 σ {\ frac {\nu }{\nu -2}}:{\\boldsymbol {\Sigma }}}, ν > 2 {\displaystyle \nu >2}, 기타 정의되지 않은 경우왜도 0
통계 에서 다변량 t-분포 (또는 다변량 학생 분포 )는 다변량 확률 분포 다.학생 t-분포 의 무작위 벡터 에 대한 일반화인데, 이는 일변량 랜덤 변수에 적용할 수 있는 분포다.무작위 행렬 의 경우는 이 구조 내에서 처리될 수 있지만, 행렬 t-분포 는 구별되며 행렬 구조를 특별히 이용한다.null
정의 One common method of construction of a multivariate t -distribution, for the case of p {\displaystyle p} dimensions, is based on the observation that if y {\displaystyle \mathbf {y} } and u {\displaystyle u} are independent and distributed as N ( 0 , Σ ) {\displaystyle N({\mathbf {0} },{\boldsymbol {\Sigma }})} and χ ν 2 {\displaystyle \chi _{\nu }^{2}} (i.e. multivariate normal and chi-squared distributions ) respectively, the matrix Σ {\displaystyle \mathbf {\Sigma } \,} is a p × p matrix, and y / u / ν = x − μ {\displaystyle {\mathbf {y} }/{\sqrt {u/\nu }}={\mathbf {x} }-{\boldsymbol {\mu }}} , then x {\ displaystyle {\mathbf {x}}} 의 밀도가 있음
Γ [ ( ν + p ) / 2 ] Γ ( ν / 2 ) ν p / 2 π p / 2 Σ 1 / 2 [ 1 + 1 ν ( x − μ ) T Σ − 1 ( x − μ ) ] − ( ν + p ) / 2 {\displaystyle {\frac {\Gamma \left[(\nu +p)/2\right]}{\Gamma (\nu /2)\nu ^{p/2}\pi ^{p/2}\left {\boldsymbol {\Sigma }}\right ^{1/2}}}\left[1+{\frac {1}{\nu }}({\mathbf {x} }-{\boldsymbol {\mu }})^{ T}{{\boldsymbol {\Sigma }^{-1}({\mathbf {x}-{\boldsymbol{\mu}}}}\right]^{-(\nu +p)/2}} and is said to be distributed as a multivariate t -distribution with parameters Σ , μ , ν {\displaystyle {\boldsymbol {\Sigma }},{\boldsymbol {\mu }},\nu } . Note that Σ {\displaystyle \mathbf {\Sigma } } is not the covariance matrix since the covariance is given by ν / ( ν − 2 ) Σ {\displaystyle \nu /(\nu -2)\mathbf { \ Sigma }}( ( > 2 {\displaystyle \nu >2 }의 경우).null
다변량 t 분포의 건설적인 정의는 동시에 샘플링 알고리즘으로 작용한다.
u ~ χ 2 2 {\ displaystyle u\sim \chi _{\nu }^{2}} 및 y ~ N (0 , σ ) {\displaystyle \mathbf {y} \simbf {0},{\boldsymbol{\}}}}} 을 독립적으로 생성하십시오. 계산 x ← u / ν y + μ {\ displaystyle \mathbf {x} \gets {\sqrt {u/\nu}}\mathbf {y} +{\boldsymbol {\mu }}}}. This formulation gives rise to the hierarchical representation of a multivariate t -distribution as a scale-mixture of normals: u ∼ G a ( ν / 2 , ν / 2 ) {\displaystyle u\sim \mathrm {Ga} (\nu /2,\nu /2)} where G a ( a , b ) {\displaystyle \mathrm {Ga} (a,b)} indicates a gamma distribution with density proportional to x a - 1 e - b x {\ displaystyle x^{a-1}e^{-bx }, x ∣ u {\displaystyle \mathbf {x} \mid u } 이( 가) 조건부로 N(μ , μ, u ) 을 따른다.
특별한 경우 ν = 1 {\displaystyle \nu =1} 의 경우 분포는 다변량 Cauchy 분포 다. null
파생 학생 t 분포 의 다변량 일반화에는 사실 많은 지원자들이 있다.이 분야에 대한 광범위한 조사는 코츠와 나다라야(2004)에 의해 이루어졌다. 본질적인 문제는 일변량 사례에 대한 공식의 적절한 일반화인 여러 변수의 확률밀도함수를 정의하는 것이다. 1차원(p = 1 {\displaystyle p=1 } ) 에서 t = x - μ {\displaystyle t=x-\mu } 및 σ = 1 {\displaystyle \Sigma =1 }, 확률밀도 함수 를 갖는다.
f ( t ) = Γ [ ( ν + 1 ) / 2 ] ν π Γ [ ν / 2 ] ( 1 + t 2 / ν ) − ( ν + 1 ) / 2 {\displaystyle f(t)={\frac {\Gamma [(\nu +1)/2] }}{{\sqrt {\nu \pi \,}\Gamma [\nu /2}}](1+t^{2}/\nu )^{-(\nu +1)/2}}: 그리고 한 가지 접근방법은 여러 변수의 해당 함수를 적는 것이다. 이것은 타원 분포 이론의 기본 개념으로, t 2 {\ displaystyle t ^{2 }}을 모든 t i {\ displaystyle t^{i} 의 2차 함수로 대체하는 p {\ displaystytle t_{ i}}} 의 해당 함수를 적는 것으로, 이는 오직 이치에 맞는다는 것은 분명하다. 모든 한계 분포의 자유도 가 같을 때 \{\displaystyle \nu }. A = 1 - 1 {\displaystyle \mathbf {A} ={\boldsymbol {\Sigma }^{-1}, 다변량 밀도 함수를 간단하게 선택할 수 있다.
f ( t ) = Γ ( ( ν + p ) / 2 ) A 1 / 2 ν p π p Γ ( ν / 2 ) ( 1 + ∑ i , j = 1 p , p A i j t i t j / ν ) − ( ν + p ) / 2 {\displaystyle f(\mathbf {t})={\frac {\Gamma((\nu +p)/2) \left \mathbf {A} \right ^{1/2}}{{\sqrt {\nu ^{p}\pi ^{p}\,}}\,\Gamma (\nu /2)}}\left(1+\sum _{i,j=1}^{p,p}A_{ij}t_{i}t_{j}/\nu \right)^{-(\nu +p)/2}} 표준이지만 유일한 선택은 아니다. null
중요한 특별한 경우는 표준 이바리산 t-분포 p = 2:
f ( t 1 , t 2 ) = A 1 / 2 2 π ( 1 + ∑ i , j = 1 2 , 2 A i j t i t j / ν ) − ( ν + 2 ) / 2 {\displaystyle f(t_{1},t_{2})={\frac {\left \mathbf {A} \right ^{1/2}}{2\pi }}\left(1+\sum _{i,j=1}^{2,2}A_{ij}t_{i}t_{j}/\nu \right)^{-(\nu +2)/2}} γ ( ν + 2 ) π ν ν ν ν ( ( ( ( = = = = = = = = = = { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { { {}}}={\frac{1}{2\pi }}.
이제 A {\ displaystyle \mathbf {A}} 이(가) ID 행렬이면 밀도는
f ( t 1 , t 2 ) = 1 2 π ( 1 + ( t 1 2 + t 2 2 ) / ν ) − ( ν + 2 ) / 2 . {\displaystyle f(t_{1},t_{2})={\frac {1}{1}{2\pi }}\좌측(1+(t_{1}^{2}+t_{2}) }^{2}/\nu \right)^{-(\nu +2)/2}. } 표준표현의 난이도는 한계 1차원 분포의 산물로 고려되지 않는 이 공식에 의해 드러난다. σ {\displaystyle \Sigma }이( 가) 대각선인 경우 표준 표현은 상관관계 가 없음을 나타낼 수 있지만 한계 분포 는 통계적 독립성 과 일치하지 않는다.null
누적분포함수 한 차원에서의 누적분포함수 (cdf)의 정의는 다음과 같은 확률을 정의하여 다차원까지 확장할 수 있다(여기서 x {\ displaystyle \mathbf {x} } 는 실제 벡터임).null
F ( x ) = P ( X ≤ x ) , 어디에 X ∼ t ν ( μ , Σ ) . {\displaystyle F(\mathbf {x} )=\mathbb {P} (\mathbf {X} \leq \mathbf {x} ),\quad {\textrm {where}}\;\;\mathbf {X} \sim t_{\nu }({\boldsymbol {\mu }},{\boldsymbol {\Sigma }}). } F ( x ) {\displaystyle F(\mathbf {x} )} 에 대한 간단한 공식은 없지만, 몬테카를로 통합을 통해 숫자로 근사할 수 있다.[1] [2] null
다변량 t 에 기초한 코풀라 이러한 분포의 사용은 수학 금융 의 응용 , 특히 학생 t 코풀라 의 사용으로 인해 새로운 관심을 받고 있다.[citation needed ] null
관련개념 일변량 통계에서 학생의 t-검정 은 학생의 t-분포 를 이용한다. Hoteling의 T-제곱 분포 는 다변량 통계량에서 발생하는 분포다.행렬 t-분포 는 행렬 구조로 배열된 랜덤 변수에 대한 분포다.null
참고 항목 참조
문학 Kotz, Samuel; Nadarajah, Saralees (2004). Multivariate t Distributions and Their Applications . Cambridge University Press. ISBN 978-0521826549 . Cherubini, Umberto; Luciano, Elisa; Vecchiato, Walter (2004). Copula methods in finance . John Wiley & Sons. ISBN 978-0470863442 . 외부 링크
이산형 일변도의
연속 일변도의
의 지지를 받고 있는. 경계 간격 의 지지를 받고 있는. 반무한 간격을 두고 지지의 대체로 실선 지지하여 누구의 타입이 다른가.
혼합 일변도의
다변량 (공동) 방향 퇴보하다 그리고 단수 가족들