В статистике, то матрица нормального распределения или матрица распределения Gaussian является распределение вероятностей, что представляет собой обобщение многомерного нормального распределения для матричных случайных величин.
СОДЕРЖАНИЕ
- 1 Определение
- 2 свойства
- 2.1 Ожидаемые значения
- 2.2 Преобразование
- 3 Пример
- 4 Оценка параметра максимального правдоподобия
- 5 Получение значений из распределения
- 6 Отношение к другим дистрибутивам
- 7 См. Также
- 8 ссылки
Определение
Функция плотности вероятности для случайной матрицы X ( n × p ), которая следует нормальному распределению матрицы, имеет вид:
где обозначает след, а M - n × p, U - n × n, а V - p × p.
Нормаль матрицы связана с многомерным нормальным распределением следующим образом:
если и только если
где обозначает произведение Кронекера и обозначает векторизации из.
Доказательство
Эквивалентность между вышеуказанными матричными нормальными и многомерными нормальными функциями плотности может быть показана с использованием следующих свойств следа и произведения Кронекера. Начнем с аргумента экспоненты нормальной матрицы PDF:
который является аргументом экспоненты многомерной нормальной PDF. Доказательство завершается использованием детерминантного свойства:
Характеристики
Если, то у нас есть следующие свойства:
Ожидаемые значения
Среднее или ожидаемое значение :
и у нас есть следующие ожидания второго порядка:
где обозначает след.
В более общем смысле, для матриц A, B, C подходящего размера:
Трансформация
Транспонировать преобразование:
Линейное преобразование: пусть D ( r -by- n ) имеет полный ранг r ≤ n и C ( p -by- s ) имеет полный ранг s ≤ p, тогда:
Пример
Представим себе выборку из n независимых p -мерных случайных величин, одинаково распределенных согласно многомерному нормальному распределению :
- .
При определении матрицы размера n × p, для которой находится i- я строка, получаем:
где каждая строка равна, то есть, это п × п единичная матрица, то есть строки являются независимыми, и.
Оценка параметра максимального правдоподобия
Для обозначенных k матриц, каждая размером n × p, которые, как мы предполагаем, были выбраны iid из нормального распределения матриц, оценка максимального правдоподобия параметров может быть получена путем максимизации:
Решение для среднего имеет замкнутый вид, а именно
но параметры ковариации - нет. Однако эти параметры можно итеративно максимизировать путем обнуления их градиентов на:
а также
См., Например, и ссылки в нем. Параметры ковариации не идентифицируются в том смысле, что для любого масштабного коэффициента sgt; 0 мы имеем:
Получение значений из распределения
Выборка из матричного нормального распределения является частным случаем процедуры выборки для многомерного нормального распределения. Пусть будет n x p- матрицей np независимых выборок из стандартного нормального распределения, так что
Тогда пусть
чтобы
где A и B могут быть выбраны разложением Холецкого или аналогичной операцией извлечения квадратного корня из матрицы.
Отношение к другим дистрибутивам
Давид (1981) предоставляет обсуждение связи матричного нормального распределения с другими распределениями, включая распределение Уишарта, обратное распределение Уишарта и матричное t-распределение, но использует другие обозначения, чем используемые здесь.
Смотрите также
Рекомендации
- Давид, AP (1981). «Некоторая теория распределения с переменной матрицей: Обозначения и байесовское приложение». Биометрика. 68 (1): 265–274. DOI : 10.1093 / Biomet / 68.1.265. JSTOR 2335827. Руководство по ремонту 0614963.
- Dutilleul, P (1999). «Алгоритм MLE для матричного нормального распределения». Журнал статистических вычислений и моделирования. 64 (2): 105–123. DOI : 10.1080 / 00949659908811970.
- Арнольд, С.Ф. (1981), Теория линейных моделей и многомерный анализ, Нью-Йорк: John Wiley amp; Sons, ISBN 0471050652