Многоме́рное норма́льное распределе́ние (или многоме́рное га́уссовское распределе́ние ) в теории вероятностей — это обобщение одномерного нормального распределения .
Определения [ ]
Случайный вектор
X
=
(
X
1
,
…
,
X
n
)
⊤
:
Ω
→
R
n
{\displaystyle \mathbf{X} = (X_1,\ldots, X_n)^{\top}: \Omega \to \mathbb{R}^n}
имеет многомерное нормальное распределение, если выполняется одно из следующих эквивалентных условий:
Произвольная линейная комбинация компонентов вектора
∑
i
=
1
n
a
i
X
i
{\displaystyle \sum\limits_{i=1}^n a_i X_i}
имеет нормальное распределение.
Существует вектор независимых стандартных нормальных случайных величин
Z
=
(
Z
1
,
…
,
Z
m
)
⊤
{\displaystyle \mathbf{Z}=(Z_1,\ldots, Z_m)^{\top}}
, вещественный вектор
μ
=
(
μ
1
,
…
,
μ
m
)
⊤
{\displaystyle \mathbf{\mu} = (\mu_1,\ldots, \mu_m)^{\top}}
и матрица
A
{\displaystyle \mathbf{A}}
размерности
n
×
m
{\displaystyle n \times m}
, такие что:
X
=
A
Z
+
μ
{\displaystyle \mathbf{X} = \mathbf{A} \mathbf{Z} + \mathbf{\mu}}
.
Существует вектор
μ
∈
R
n
{\displaystyle \mathbf{\mu} \in \mathbb{R}^n}
и неотрицательно определённая симметричная матрица
Σ
{\displaystyle \mathbf{\Sigma}}
размерности
n
×
n
{\displaystyle n \times n}
, такие что плотность вероятности вектора
X
{\displaystyle \mathbf{X}}
имеет вид:
f
X
(
x
)
=
1
(
2
π
)
n
/
2
|
Σ
|
1
/
2
e
−
1
2
(
x
−
μ
)
⊤
Σ
−
1
(
x
−
μ
)
,
x
∈
R
n
{\displaystyle f_{\mathbf{X}}(\mathbf{x}) = \frac{1}{(2\pi )^{n/2} \vert \Sigma \vert^{1/2}} e^{-\frac{1}{2}(\mathbf{x} - \mathbf{\mu})^{\top} \Sigma^{-1} (\mathbf{x} - \mathbf{\mu})},\; \mathbf{x} \in \mathbb{R}^n}
,
где
|
Σ
|
{\displaystyle \vert \Sigma\vert }
— определитель матрицы
Σ
{\displaystyle \Sigma}
, а
Σ
−
1
{\displaystyle \Sigma^{-1}}
— матрица обратная к
Σ
{\displaystyle \Sigma}
.
Существует вектор
μ
∈
R
n
{\displaystyle \mathbf{\mu} \in \mathbb{R}^n}
и неотрицательно определённая симметричная матрица
Σ
{\displaystyle \mathbf{\Sigma}}
размерности
n
×
n
{\displaystyle n \times n}
, такие что характеристическая функция вектора
X
{\displaystyle \mathbf{X}}
имеет вид:
ϕ
X
(
u
)
=
e
i
μ
⊤
u
−
1
2
u
⊤
Σ
u
,
u
∈
R
n
{\displaystyle \phi_{\mathbf{X}}(\mathbf{u}) = e^{i \mathbf{\mu}^{\top} \mathbf{u} - \frac{1}{2}\mathbf{u}^{\top} \Sigma \mathbf{u}},\; \mathbf{u} \in \mathbb{R}^n}
.
Замечания [ ]
Если одно из приведённых выше определений принято в качестве основного, то другие выводятся в качестве теорем .
Вектор
μ
{\displaystyle \mathbf{\mu}}
является вектором средних значений
X
{\displaystyle \mathbf{X}}
, а
Σ
{\displaystyle \Sigma}
— его ковариационная матрица .
В случае
n
=
1
{\displaystyle n=1}
, многомерное нормальное распределение сводится к обычному нормальному распределению.
Если случайный вектор
X
{\displaystyle \mathbf{X}}
имеет многомерное нормальное распределение, то пишут
X
∼
N
(
μ
,
Σ
)
{\displaystyle \mathbf{X} \sim \mathrm{N}(\mathbf{\mu},\Sigma)}
.
Свойства многомерного нормального распределения [ ]
Если вектор
X
=
(
X
1
,
…
,
X
n
)
⊤
{\displaystyle \mathbf{X} = (X_1,\ldots, X_n)^{\top}}
имеет многомерное нормальное распределение, то его компоненты
X
i
,
i
=
1
,
…
,
n
,
{\displaystyle X_i, i=1,\ldots, n,}
имеют одномерное нормальное распределение. Обратное, вообще говоря, неверно!
Если случайные величины
X
1
,
…
,
X
n
{\displaystyle X_1,\ldots ,X_n}
имеют одномерное нормальное распределение и совместно независимы , то случайный вектор
X
=
(
X
1
,
…
,
X
n
)
⊤
{\displaystyle \mathbf{X} = (X_1,\ldots, X_n)^{\top}}
имеет многомерное нормальное распределение. Матрица ковариаций
Σ
{\displaystyle \Sigma}
такого вектора диагональна.
Если
X
=
(
X
1
,
…
,
X
n
)
⊤
{\displaystyle \mathbf{X} = (X_1,\ldots, X_n)^{\top}}
имеет многомерное нормальное распределение, и его компоненты попарно некоррелированы , то они независимы. Однако, если только компоненты
X
i
,
i
=
1
,
…
,
n
{\displaystyle X_i,\; i = 1 , \ldots, n}
имеют одномерное нормальное распределение и попарно не коррелируют, то отсюда не следует, что они независимы.
Контрпример. Пусть
X
∼
N
(
0
,
1
)
{\displaystyle X \sim \mathrm{N}(0,1)}
, а
α
=
±
1
{\displaystyle \alpha = \pm 1}
с равными вероятностями. Тогда
Y
=
α
X
∼
N
(
0
,
1
)
{\displaystyle Y = \alpha X \sim \mathrm{N}(0,1)}
, и корреляция
X
{\displaystyle X}
и
Y
{\displaystyle Y}
равна нулю. Однако, эти случайные величины зависимы.
Многомерное нормальное распределение устойчиво относительно линейных преобразований . Если
X
∼
N
(
μ
,
Σ
)
{\displaystyle \mathbf{X} \sim \mathrm{N}(\mathbf{\mu},\Sigma)}
, а
A
{\displaystyle \mathbf{A}}
— произвольная матрица размерности
m
×
n
{\displaystyle m \times n}
, то
A
X
∼
N
(
A
μ
,
A
Σ
A
⊤
)
{\displaystyle \mathbf{A}\mathbf{X} \sim \mathrm{N}\left(\mathbf{A}\mathbf{\mu},\mathbf{A}\Sigma \mathbf{A}^{\top}\right)}
.
Эта страница использует содержимое раздела Википедии на русском языке . Оригинальная статья находится по адресу: Многомерное нормальное распределение . Список первоначальных авторов статьи можно посмотреть в истории правок . Эта статья так же, как и статья, размещённая в Википедии, доступна на условиях CC-BY-SA .