Мультиномиальное распределение независимых случайных величин

Материал из MachineLearning.

Версия от 09:21, 31 октября 2013; Vitsemgol (Обсуждение | вклад)

(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)

ПРЕДУПРЕЖДЕНИЕ: Этот материал не верен и взят из Википедии (См. также).

Мультиномиа́льное (полиномиа́льное) распределе́ние в теории вероятностей — это обобщение биномиального распределения на случай независимых испытаний случайного эксперимента с несколькими возможными исходами.

Определение

Пусть $X_1,\ldots, X_n$ - независимые одинаково распределённые случайные величины, такие, что их распределение задаётся функцией вероятности:

$\mathbb{P}(X_i = j) = p_j,\; j=1,\ldots, k$ .

Интуитивно событие $\{X_i = j\}$ означает, что испытание с номером $i$ привело к исходу $j$ . Пусть случайная величина $Y_j$ равна количеству испытаний, приведших к исходу $j$ :

$Y_j = \sum_{i=1}^n \mathbf{1}_{\{X_i = j\}},\; j = 1,\ldots, k$ .

Тогда распределение вектора $\mathbf{Y} = (Y_1,\ldots,Y_k)^{\top}$ имеет функцию вероятности $p_{\mathbf{Y}}(\mathbf{y}) = \left\{\begin{matrix} {n \choose {y_1 \ldots y_k}} p_1^{y_1}\ldots p_k^{y_k}, & \sum\limits_{j=1}^k y_i = n \\ 0, & \sum\limits_{j=1}^k y_i \not= n \end{matrix} \right., \quad \mathbf{y} = (y_1,\ldots, y_k)^{\top} \in \mathbb{N}^k_0$ ,где

${n \choose {y_1 \ldots y_k}} \equiv \frac{n!}{y_1! \ldots y_k!}$ — мультиномиальный коэффициент (полиномиальный коэффициент).

Вектор средних и матрица ковариации

Математическое ожидание случайной величины $Y_j$ имеет вид: $\mathbb{E}[Y_j] = np_j$ . Диагональные элементы матрицы ковариации $\Sigma = (\sigma_{ij})$ являются дисперсиями биномиальных случайных величин, а следовательно