Türkçe Bilgi logo TürkçeBilgi

Çokdeğişirli Normal Dağılım

Kısaca: Olasılık kuramı ve istatistik bilim kollarında, çokdeğişirli normal dağılım veya çokdeğişirli Gauss-tipi dağılım, tek değişirli bir dağılım olan normal dağılımın (veya Gauss-tipi dağılımın) çoklu değişirli hallere genelleştirilmesidir. ...devamı ☟

çokdeğişirli normal dağılım veya çokdeğişirli Gauss-tipi dağılım, tek değişirli bir dağılım olan normal dağılımın (veya Gauss-tipi dağılımın) çoklu değişirli hallere genelleştirilmesidir. Genel hal

Yığmalı dağılım fonksiyonu

Genel bir tanımla, F(X) olarak ifade edilen yığmalı dağılım fonksiyonu, bir rassal vektörun, x vektörüne eşit veya bu vektör değerlerden daha az olduğu zaman karşıtı olarak bulunan bütün olasılıkların toplamini ifade eden bir fonksiyondur. Çokdeğişirli normal dağılım için bir cebirsel kapalı eşitlik şeklinde bir F ifadesi bulunmamaktadır. Ancak bu fonksiyonun sayısal değerlerini tahmin etmek için birkaç algoritma bulunmaktadır. Bu algoritma kullanışına bir örnek için verilen referenslarda MVNDST adlı algoritmaya bakınız. ( veya ).

Bir karşıt örneğin

İki rassal değişken olan X ve Y tek tek normal dağılım gösterseler bile bu iki rassal değişkenin bileşik olarak (X, Y) bir çoklunormal dağılım göstereceği anlamına gelmez. Buna basit bir örnekte eğer |X| > 1 ise Y=X olması ve eğer |X| < 1 ise Y = -X olmasıdır. Bu gerçek ikiden fazla sayıda rassal değişken içinde doğrudur. Buna benzer bir karşıt örnegin için normal olarak dağılımlı olup ve korrelasyon olmaması bağımsızlık ifade etmez maddesine bakınız.

Normal dağılım gösterme ve bağımsızlık

Eğer X ve Y rassal değişkenleri tek tek normal dağılım gösterirlerse ve birbirlerinden istatistiksel olarak bağımsızlarsa, o halde bu iki rassal değişken bileşiği (yani rassal vektörü) ikideğişirli normal dağılım gösterir veya diğer bir ifade ile ortaklaşa normal dağılımlılardır. Ancak ortaklaşa normal dağılım gösteren her iki rassal değişkenin birbirinden bağımsız olduğu gerçek değildir. İki değişirli hal İki boyutlu singuler olmayan halde, ikideğişirli normal dağılım için (ortalamalar (0,0)da ise) yoğunluk fonksiyonu şöyle tanımlanır: : f(x,y) = \frac} \exp \left( -\frac \left( \frac + \frac - \frac \right) \right) Burada \rho terimi X ve Y arasındaki korelasyonu gösterir ve şu ifade kovaryans matrisi olur: : \Sigma = \begin \sigma_x^2 & \rho \sigma_x \sigma_y \\ \rho \sigma_x \sigma_y & \sigma_y^2 \end . Afin dönüşümü Geometrik açıklama Bir singuler olmayan çokdeğişirli normal dağılım için aynı yoğunluk gösteren kontur eğrileri elipsoitlerdir; yani ortalamada merkezleşmiş çok-boyutlu-kürelerin doğrusal dönüşümleridir. . Bu elipsoitlerin esas eksenlerinin yönleri kovaryans matrisinin özvektörleri (eigenvector) olarak verilmiştir. Esas eksenlerin orantılı uzunluklarının karesi bunlara karşit olan özdeğerler (eigenvalues) olurlar. Bu halde şu ifade ortaya çıkar: ::X\ \sim N(\mu, \Sigma) \iff X\ \sim \mu+U\Lambda^N(0, I) \iff X\ \sim \mu+UN(0, \Lambda). Bunun yanında, U bir rotasyon matrisi olarak seçilebilir; çünkü bu eksenin tersini alınca N(0, \Lambda) hiç etkilenmemektedir; buna karşıt olarak bir matris sütununun tersi alınırsa unun determinantının işaretleri değişir. N(\mu, \Sigma) ile özetlenen dağılım böylelikle N(0, I) ifadesinin \Lambda^ ile ölçeğinin değiştirilmesi, u ile rotasyon yapılması ve \mu ile çevrilmesi ile ortaya çıkar. Bunun aksine bakılırsa, \mu ve tam ranklı U matrisi ve pozitif çapraz girdiler olan \Lambda_i değerleri için yapılan herhangi bir seçim, bir singuler olmayan çokdeğişirli normal dağılım ortaya çıkartır. Eğer herhangi bir \Lambda_i sıfıra eşitse ve u kare matris ise, bunun sonucunda ortaya çıkan U\Lambda U^T kovaryans matrisi bir singuler matris olur. Geometrik olarak bunun açıklaması her kontur elipsoitin sonsuz olarak inceleşmesi ve n-boyutlu bir uzayda 0 bir hacim kapsamasıdır, çünkü en aşağı bir tane esas eksenin uzunluğu sıfır olmaktadır. Korelasyonlar ve bağımsızlık Genel olarak, rassal değişkenler birirleriyle çok yüksek derecede bağımlı olabilirler ama hiç korelasyon göstermiyebilirler. Ama, eğer bir rassal vektör çokdeğişirli normal dağılım gösterirse,o halde aralarında hiç korelasyon göstermeyen iki veya daha fazla sayıda vektör parçası istatistiksel olarak birbirinden bağımsızdır. Bundan da şu sonuc çıkartılabilir: eğer vektörün herhangi iki veya daha fazla parçası ikişer ikişer bağımsızlık gösteriyorsa, bu parçalar birbirinden bağımsızdırlar. Fakat ayrı ayrı olarak ve marjinal olarak, iki rassal değişken normal dağılım gösterirlerse ve aralarında hiç korelasyon bulunmazsa, o halde bu iki değişkenler birbirinden bağımsızdır. Normal dağılım gösteren iki rassal değişken, ortaklaşa normal dağılım göstermiyebilirler; yani bir parçası oldukları vektör bir çokdeğişkenli normal dağılım göstermiyebilir.İki korelasyon göstermeyen ama normal dağılım gösteren fakat bağımsız olmayan rassal değişken için örneğin normal dağılım gösterip hiç korelasyon göstermemek bağımsız olmak demek değildir maddesine bakınız. Daha yüksek momentler Genel olarak X için kinci derecede momentler şöyle tanımlanmaktadır: : \mu _(X)\ \stackrel}\ \mu _,\dots,r_}(X)\ \stackrel}\ E\left \prod\limits_^X_j^}\right Burada r_+r_+\cdots+r_=k. Merkezsel kinci derecede momentler şöyle verilir: (a)Eger k tek ise \mu _(X-\mu )=0 olur. (b)Eger k cift ise ve k=2\lambda, o halde : \mu _(X-\mu )=\sum \left( \sigma _\sigma _\cdots\sigma _\right) Burada toplam \left\ setinin \lambda (sıralanmamış) çiftler üzerine tahsis edilmelerinin hepsi birlikte alınmasıdır. Bu işlem sonucunda toplam içinde (2\lambda -1)!/(2^(\lambda -1)!) sayıda terim bulunur, Her bir terim \lambda tane kovaryansın çarpımıdır. Özellikle, 4-üncü derecedeki momentler şöyle verilirler: :E\left X_^\right = 3( \sigma _) ^ :E\left X_^X_\right = 3\sigma _\sigma _ :E\left X_^X_^\right = \sigma _\sigma _+2\left( \sigma _\right) ^ :E\left X_^X_X_\right = \sigma _\sigma _+2\sigma _\sigma _ :E\left X_X_X_X_\right = \sigma _\sigma _+\sigma _\sigma _+\sigma _\sigma _. Dört değişken halindeki dördüncü derece moment içinde üç tane terim bulunur. Altıncı-derecede moment içinde (3 × 5 =) 15 terim; sekizinci derecede momentler arasında (3 × 5 × 7) = 105 terim bulunur. Altıncı-derecedeki moment için ifade şöyle genişletilebilir: :\begin & E[1] \\ & = E[2]E[3]E[4]+E[5]E[6]E[7]+E[8]E[9]E[10] \\ & + E[11]E[12]E[13]+E[14]E[15]E[16]+E[17]E[18]E[19] \\ &+ E[20]E[21]E[22]+E[23]E[24]E[25]+E[26]E[27]E[28] \\ & + E[29]E[30]E[31]+E[32]E[33]E[34]+E[35]E[36]E[37] \\ &+E[38]E[39]E[40]+E[41]E[42]E[43]+E[44]E[45]E[46]. \end Koşullu dağılımlar Eğer \mu ve \Sigma şu şekilde kısımlara ayrılırlarsa: : \mu = \begin \mu_1 \\ \mu_2 \end \quad Büyüklüğü şu olur; \begin q \times 1 \\ (N-q) \times 1 \end : \Sigma = \begin \Sigma_ & \Sigma_ \\ \Sigma_ & \Sigma_ \end \quad Büyüklüğü şu olur: \begin q \times q & q \times (N-q) \\ (N-q) \times q & (N-q) \times (N-q) \end Bu halde x_2=a ifadesiyle koşullu olan x_1 şöyle özetlenen çokdeğişirli normal dağılım gösterir: :(X_1|X_2=a) \sim N(\bar, \overline) Burada : \bar = \mu_1 + \Sigma_ \Sigma_^ \left( a - \mu_2 \right) olur ve covaryans matrisi şöyle verilir: : \overline = \Sigma_ - \Sigma_ \Sigma_^ \Sigma_. Bu matris içinde } ifadesinin Schur tamamlayıcısı olur. Bundan dikkati çekmesi gereken şu sonuçlar çıkartılır: x_2 değerinin a olduğunu bilmek varyansı değiştirir. Daha şaşırtıcı olarak, ortalama değeri \Sigma_ \Sigma_^ \left(a - \mu_2 \right) ile kayma gösterir. Eğer a bilinmese idi, x_1 nin gösterecegi dağılım N_q \left(\mu_1, \Sigma_ \right) olurdu. \Sigma_ \Sigma_^ matrisi regresyon katsayıları olarak da bilinirler. Fisher'in enformasyon matrisi Bir normal dagilim icin

Fisher'in enformasyon matrisi

 bir ozel sekil alir. X \sim N(\mu(\theta), \Sigma(\theta)) icin

Fisher'in enformasyon matrisi

nin (m,n) elemani su olur: : \mathcal_ = \frac \Sigma^ \frac + \frac \mathrm \left( \Sigma^ \frac \Sigma^ \frac \right) Burada * \frac = \begin \frac & \frac & \cdots & \frac & \end * \frac = \left( \frac \right)^\top = \begin \frac \\ \\ \frac \\ \\ \vdots \\ \\ \frac \\ \\ \end * \frac = \begin \frac} & \frac} & \cdots & \frac} \\ \\ \frac} & \frac} & \cdots & \frac} \\ \\ \vdots & \vdots & \ddots & \vdots \\ \\ \frac} & \frac} & \cdots & \frac} \end * \mathrm trace fonksiyonu olur. Kullback-Leibler ayrılımı N0_N(\mu_0, \Sigma_0) den N1_N(\mu_1, \Sigma_1) dağılımına

Kullback-Leibler ayrılımı

 şöyle verilir: : D_\text(N0 \| N1) = \left( \log_e \left( \right) + \mathrm \left( \Sigma_1^ \Sigma_0 \right) + \left( \mu_1 - \mu_0\right)^\top \Sigma_1^ ( \mu_1 - \mu_0 ) - N \right). Parametrelerin kestrimi Cokdegisirli normal dagilimin kovaryansinin maksimum olabilirlik kestiriminin elde edilmesi sasirtici sekilde duzenli ve zekice yapilmistir. Kovaryans matrislerin kestirimi maddesine bakin. Bir N-boyutlu cokludegisirli normal dagilimin olasilik yogunluk fonksiyonu soyle verilir: :f(x)=(2 \pi)^ \det(\Sigma)^ \exp\left(- (x-\mu)^T \Sigma^ (x-\mu)\right) ve kovaryans matrisinin maksimum olabilirlik kestirimi soylr yazilir: :\widehat\Sigma = \sum_^n (X_i-\overline)(X_i-\overline)^T Bu basit olarak bir n buyuklugunde bir orneklem icin orneklem kovaryans matrisidir. Bu bir yanli kestirim olup beklenen degeri :E[47] = \Sigma. Oliur. Bir yansiz orneklem kovaryansi kestirmi sudur: :\widehat\Sigma = \sum_^n (X_i-\overline)(X_i-\overline)^T. Entropi Çokdeğişirli normal dağılım için diferansiyel entropi ifadesi şöyle verilir: :h\left(f\right)= -\int_^ \int_^\cdots\int_^f(x)\ln f(x)\,dx :=\frac12 \left(N+N\ln\left(2\pi\right)+\ln\left| \Sigma \right|\right)\! :=\frac\ln\ Burada \left| \Sigma \right| covaryans matrisi olan \Sigmanın determani olur: Çokdeğişirli normallik sınamaları Çokdeğişirli normallik sınamaları bir verilmiş veri seti için bir teorik çokdeğişirli normal dağılıma benzerlik olup olmadığını sınamak için hazırlanmıştır. Bu sınamalarda sıfır hipotez veri setinin çokdeğişirli normal dağılıma benzerlik gösterdiğidir. Eğer sınama ile bulunan p-değeri yeter derece küçük ise (yani genellikle 0,05 veya 0,01den daha küçük ise), sıfır hipotez rededilir ve verinin çokludeğişirli normal dağılım göstermediği kabul edilir. Bu çokludeğişirli normallik sınamaları arasında popüler olan Cox-Small sınamasıdır: . Smith ve Jain'in Friedman-Rafsky testini adaptasyonu için şu referansa bakın: Dağılımdan değerlerin bulunması \mu ortalama vektörü ve (simetrik ve pozitif kesin olması gereken) kovaryans matrisi \Sigma olan bir N-boyutlu çokdeğişirli normal dağılımdan bir rasgele vektör X çekmek için çok kullanılan bir yöntem şöyle uygulanır: # \Sigma icin (matris kare kökü olan) Çoleski dekompozisyonu hesap edilir. Yani A\,A^T = \Sigma koşuluna uyan tek bir alt ucgensel matris olan A bulunur. # Örneğin Box-Müller dönüşümü ile üretilip elde edilebilen N tane biribirine bağımsiz normal dağılım gösteren değişebilir parçalarından olusan bir vektör Z=(z_1,\dots,z_N)^T bulunur. # X, \mu + AZ ifadesine eşit olarak bulunur.

Notlar

Kaynak

*

Kaynaklar

Vikipedi

Bu konuda henüz görüş yok.
Görüş/mesaj gerekli.
Markdown kullanılabilir.

Matris normal dağılım
6 yıl önce

dalları içinde matris normal dağılımı tek değişebilirli normal dağılımının çok değişkenli olarak genelleştirilmesidir. Matris normal dağılım gösteren çoklu rassal...
Normal Dağılım
2 yıl önce

Normal dağılım, aynı zamanda Gauss dağılımı veya Gauss tipi dağılım olarak isimlendirilen, birçok alanda pratik uygulaması olan, çok önemli bir sürekli...

Normal Dağılım, Karl Friedrich Gauss, Rassal değişken, Yoğunluk fonksiyonu, Hipergeometrik dağılım, Pierre Simon Laplace, Abraham de Moivre
Olasılık dağılımı
2 yıl önce

olasılık dağılımı Balding-Nichols modeli Multinom dağılımı: Binom dağılımın bir genelleştirilmesi. Çokdeğişirli normal dağılım: Normal dağılımın bir genelleştirilmesi...
Log-normal dağılım
2 yıl önce

log-normal dağılım logaritması normal dağılım gösteren herhangi bir rassal değişken için tek-kuyruklu bir olasılık dağılımdır. Eğer Y normal dağılım gösteren...
Student'in t dağılımı
2 yıl önce

bilim dallarında t-dağılımı ya da Student'in t dağılımı genel olarak örneklem sayısı veya sayıları küçük ise ve anakütle normal dağılım gösterdiği varsayılırsa...

Student`in t dağılımı, Olasılık Dağılımları, Basıklık, Beklenen değer, Benford`un savı, Bernoulli dağılımı, Beta dağılımı, Binom dağılımı, Bozulmuş dağılım, Dirac delta fonksiyonu, Dublin
Binom dağılımı
2 yıl önce

elde edilen başarı sayısının ayrık olasılık dağılımı binom dağılım olarak tanımlanır. Bir binom dağılım sadece iki parametre ile, yani n ve p, ile tam...

Binom dağılımı, Olasılık Dağılımları, Aralıklı olasılık dağılımı, Basıklık, Beklenen değer, Benford`un savı, Bernoulli dağılımı, Beta dağılımı, Binom dağılım, Bozulmuş dağılım, Digital object identifier
Ki-kare dağılımı
2 yıl önce

ki-kare dağılım (x2 dağılımı) özellikle çıkarımsal istatistik analizde çok geniş bir pratik kullanım alanı bulmuştur. Bu dağılım, gamma dağılımından elde...

Ki-kare dağılımı, Matematik, Taslak
Tekdüze dağılım (ayrık)
6 yıl önce

Eğer ayrık tekdüze dağılımı özelliği olan bir rassal değişken için değerler reel ise, yığmalı dağılım fonksiyonu bozulmuş dağılım şeklinde ifade şöyle...