Olasılık kuramı ve istatistik bilim dalları içinde matris normal dağılımı tek değişebilirli normal dağılımının çok değişkenli olarak genelleştirilmesidir.[1]
Matris normal dağılım gösteren çoklu rassal değişkenler matrisi, (rassal matris) X (n × p) için olasılık yoğunluk fonksiyonu matris terimleriyle şu şekli almaktadır:
![{\displaystyle p(\mathbf {X} |\mathbf {M} ,{\boldsymbol {\Omega }},{\boldsymbol {\Sigma }})=(2\pi )^{-np/2}|{\boldsymbol {\Omega }}|^{-n/2}|{\boldsymbol {\Sigma }}|^{-p/2}\exp \left(-{\frac {1}{2}}{\mbox{tr}}\left[{\boldsymbol {\Omega }}^{-1}(\mathbf {X} -\mathbf {M} )^{T}{\boldsymbol {\Sigma }}^{-1}(\mathbf {X} -\mathbf {M} )\right]\right).}](https://wikimedia.org/api/rest_v1/media/math/render/svg/e08248888a5da910d3da2faeb26d264765606831)
Burada M matrisi n × p, Ω matris p × p ve Σ matrisi n × n.
İki kovaryans matrisini tanımlamak için çeşitli alternatifler bulunmaktadır. Bir alternatif şöyle ifade edilir:
![{\displaystyle {\boldsymbol {\Sigma }}=E[(\mathbf {X} -\mathbf {M} )(\mathbf {X} -\mathbf {M} )^{T}]\;,\;\;\;\;{\boldsymbol {\Omega }}=E[(\mathbf {X} -\mathbf {M} )^{T}(\mathbf {X} -\mathbf {M} )]/c,}](https://wikimedia.org/api/rest_v1/media/math/render/svg/fa278f8edd6763ebd81ee4672bf3c5b2371daeea)
Burada c bir sabit olup Σ matrisine bağımlıdır ve uygun bir güç normalleştirme işleminin yapılmasını sağlamak için kullanılmaktadır.
Matris normal dağılımın şu şekilde çokdeğişirli normal dağılım ile bağlantısı bulunmaktadır: Eğer mutlaka
![{\displaystyle \mathrm {vec} \;\mathbf {X} \sim N_{np}(\mathrm {vec} \;\mathbf {M} ,{\boldsymbol {\Omega }}\otimes {\boldsymbol {\Sigma }}),}](https://wikimedia.org/api/rest_v1/media/math/render/svg/9d8a78036dc2d21cc39aa5fd8890680589b5ca2c)
ifadesi geçerli ise
![{\displaystyle \mathbf {X} \sim MN_{n\times p}(\mathbf {M} ,{\boldsymbol {\Omega }},{\boldsymbol {\Sigma }})}](https://wikimedia.org/api/rest_v1/media/math/render/svg/c9a5402096da434017279e3380992f67fd496fb3)
olur. Burada
Kronecker çarpımıdır ve
de
ifadesinin vektörleştirilmesini gösterir.
Ayrıca bakınız
Kaynakça
- ^ Tong, Y. L. (1990). The Multivariate Normal Distribution. New York, NY: Springer New York. ISBN 978-1-4613-9655-0. OCLC 852788661.
|
---|
Ayrık tek değişkenli ve sonlu destekli | |
---|
Ayrık tek değişkenli ve sonsuzluk destekli | |
---|
Sürekli tek değişkenli ve [0,1] gibi bir sınırlı aralıkta destekli | Beta · Irwin-Hall · Kumaraswamy · Kabartılmış kosinus · Üçgensel · U-kuadratik · Sürekli tekdüze · Wigner yarımdaire |
---|
Sürekli tek değişkenli ve genellikle (0,∞) yarı-sonsuz aralığında destekli | Beta prime · Bose–Einstein · Burr · Ki-kare · Coxian · Erlang · Üstel · F-dağılımı · Fermi-Dirac · Katlanmış normal · Fréchet · Gamma · Genelleştirilmiş uçsal değer · Genelleştirilmiş ters Gauss-tipi · Yarı-logistik · Yarı-normal · Hotelling'in T-kare · Hiper-üstel · Hipo-üstel · Ters ki-kare (Ölçeklenmiş ters ki-kare) · Ters Gauss-tipi · Ters gamma · Lévy · Log-normal · Log-logistik · Maxwell-Boltzmann · Maxwell hız · Nakagami · Merkezsel olmayan ki-kare · Pareto · Faz-tipi · Rayleigh · Relativistik Breit–Wigner · Rice · Rosin–Rammler · Kaydırılmış Gompertz · Kesilmiş normal · 2.tip Gumbel · Weibull · Wilks'in lambda |
---|
Sürekli tek değişkenli ve (-∞,∞) arasındaki tüm reel doğru üzerinde destekli | Cauchy · Uçsal değer · Üstel güç · Fisher'in z · Genelleştirilmiş hiperbolik · Gumbel · Hiperbolik sekant · Landau · Laplace · Lévy çarpık alfa-durağan · Logistik · Normal (Gauss tipi) · Normal ters Gauss-tipi · Çarpık normal · Student'in t · 1.tip Gumbel · Varyans-Gamma · Voigt |
---|
Çok değişkenli (birleşik) | Ayrık: Ewens · Beta-binom · Multinom · Çokdeğişirli Polya Sürekli: Dirichlet · Genelleştirilmiş Dirichlet · Çokdeğişirli normal · Çokdeğişirli Student · normal-ölçeklenmiş ters gamma · Normal-gamma Matris-değerli: Ters-Wishart · Matris normal · Wishart |
---|
Yönsel, Bozulmuş ve singuler | |
---|
Aileler | Üstel · Doğasal üstel · Konum-ölçekli · Maksimum entropi · Pearson · Tweedie |
---|