WikiDer > Распределение Уишарта

Wishart

Обозначение	Икс ~ Wп(V, п)
Параметры	п > п − 1 степени свободы (настоящий) V > 0 масштабная матрица (п × п поз. def)
Поддержка	Икс(п × п) положительно определенная матрица
PDF	${ displaystyle f _ { mathbf {X}} ( mathbf {x}) = { frac {| mathbf {x} | ^ {(np-1) / 2} e ^ {- operatorname {tr} ( mathbf {V} ^ {- 1} mathbf {x}) / 2}} {2 ^ { frac {np} {2}} | { mathbf {V}} | ^ {n / 2} Gamma _ {p} ({ frac {n} {2}})}}}$ Γп это многомерная гамма-функция tr это след функция
Значить	${ Displaystyle OperatorName {E} [X] = п { mathbf {V}}}$
Режим	(п − п − 1)V для п ≥ п + 1
Дисперсия	${ displaystyle operatorname {Var} ( mathbf {X} _ {ij}) = n left (v_ {ij} ^ {2} + v_ {ii} v_ {jj} right)}$
Энтропия	см. ниже
CF	${ displaystyle Theta mapsto left | { mathbf {I}} -2i , { mathbf { Theta}} { mathbf {V}} right | ^ {- { frac {n} {2 }}}}$

В статистика, то Распределение Уишарта является обобщением нескольких измерений гамма-распределение. Назван в честь Джон Уишарт, который первым сформулировал распределение в 1928 году.^[1][2]

Это семья распределения вероятностей определяется над симметричным, неотрицательно-определенный матрица-значен случайные переменные («Случайные матрицы»). Эти распределения имеют большое значение в оценка ковариационных матриц в многомерная статистика. В Байесовская статистика, распределение Уишарта - это сопряженный предшествующий из обратный ковариационная матрица из многомерный нормальный случайный вектор.^[3]

Определение

Предположим г это п × п матрица, каждый столбец которой независимо взят из п-вариантное нормальное распределение с нулевым средним:

${ displaystyle G_ {i} = (g_ {i} ^ {1}, dots, g_ {i} ^ {p}) ^ {T} sim N_ {p} (0, V).}$

Тогда распределение Уишарта - это распределение вероятностей из п × п случайная матрица ^[4]

${ Displaystyle S = GG ^ {T} = sum _ {i = 1} ^ {n} G_ {i} G_ {i} ^ {T}}$

известный как матрица рассеяния. Один указывает, что S имеет это распределение вероятностей, написав

${ displaystyle S sim W_ {p} (V, n).}$

Положительное целое число п это количество степени свободы. Иногда это пишут W(V, п, п). Для п ≥ п матрица S обратима с вероятностью 1 если V обратимо.

Если п = V = 1 то это распределение является распределение хи-квадрат с участием п степени свободы.

Вхождение

Распределение Уишарта возникает как распределение выборочной ковариационной матрицы для выборки из многомерное нормальное распределение. Часто встречается в тесты отношения правдоподобия в многомерном статистическом анализе. Он также возникает в спектральной теории случайные матрицы^{[нужна цитата]} и в многомерном байесовском анализе.^[5] Он также встречается в беспроводной связи, при анализе производительности Замирание Рэлея MIMO беспроводные каналы.^[6]

Функция плотности вероятности

Распределение Уишарта можно характеризует своим функция плотности вероятности следующим образом:

Позволять Икс быть п × п симметричная матрица случайных величин, которая положительно определенный. Позволять V - (фиксированная) симметричная положительно определенная матрица размера п × п.

Тогда, если п ≥ п, Икс имеет распределение Уишарта с п степени свободы, если он имеет функция плотности вероятности

${ displaystyle f _ { mathbf {X}} ( mathbf {x}) = { frac {1} {2 ^ {np / 2} left | { mathbf {V}} right | ^ {n / 2} Gamma _ {p} left ({ frac {n} {2}} right)}} { left | mathbf {x} right |} ^ {(np-1) / 2} e ^ {- (1/2) operatorname {tr} ({ mathbf {V}} ^ {- 1} mathbf {x})}}$

где ${ displaystyle left | { mathbf {x}} right |}$ это детерминант из ${ displaystyle mathbf {x}}$ и Γ_п это многомерная гамма-функция определяется как

${ displaystyle Gamma _ {p} left ({ frac {n} {2}} right) = pi ^ {p (p-1) / 4} prod _ {j = 1} ^ {p } Gamma left ({ frac {n} {2}} - { frac {j-1} {2}} right).}$

Плотность выше не является совместной плотностью всех ${ displaystyle p ^ {2}}$ элементы случайной матрицы Икс (такой ${ displaystyle p ^ {2}}$-размерный плотности не существует из-за ограничений симметрии ${ displaystyle X_ {ij} = X_ {ji}}$), это скорее совместная плотность ${ displaystyle p (p + 1) / 2}$ элементы ${ displaystyle X_ {ij}}$ для ${ displaystyle i leq j}$ (^[1], стр.38). Кроме того, приведенная выше формула плотности применима только к положительно определенным матрицам ${ Displaystyle mathbf {x};}$ для остальных матриц плотность равна нулю.

Совместная плотность собственных значений для собственных значений ${ displaystyle lambda _ {1}, dots lambda _ {p} geq 0}$ случайной матрицы ${ Displaystyle mathbf {X} sim W_ {p} ( mathbf {I}, n)}$ является ^[7], ^[8]

${ displaystyle c_ {n, p} e ^ {- { frac {1} {2}} sum _ {i} lambda _ {i}} prod lambda _ {i} ^ {(np-1 ) / 2} prod _ {i$

где ${ displaystyle c_ {n, p}}$является константой.

Фактически, приведенное выше определение можно распространить на любые реальные п > п − 1. Если п ≤ п − 1, то Wishart больше не имеет плотности - вместо этого оно представляет собой сингулярное распределение, которое принимает значения в подпространстве более низкой размерности пространства п × п матрицы.^[9]

Использование в байесовской статистике

В Байесовская статистика, в контексте многомерное нормальное распределение, распределение Уишарта является сопряженным до матрицы точности Ω = Σ⁻¹, где Σ - ковариационная матрица.^[10]:135

Выбор параметров

Наименее информативный, правильный априор Уишарта получается путем установки п = п.^{[нужна цитата]}

Предыдущее среднее значение W_п(V, п) является пV, предполагая, что разумный выбор для V было бы п⁻¹Σ₀⁻¹, где Σ₀ является предварительным предположением для ковариационной матрицы.

Свойства

Лог-ожидание

Следующая формула играет роль в вариационный байесовский выводы для Байесовские сетис участием распределения Уишарта: ^[10]:693

${ Displaystyle OperatorName {E} [, ln left | mathbf {X} right | ,] = psi _ {p} left ({ frac {n} {2}} right) + р , ln (2) + ln | mathbf {V} |}$

где ${ displaystyle psi _ {p}}$ - многомерная дигамма-функция (производная от логарифма многомерная гамма-функция).

Логарифмическая дисперсия

Следующее вычисление дисперсии может помочь в байесовской статистике:

${ displaystyle operatorname {Var} left [, ln left | mathbf {X} right | , right] = sum _ {i = 1} ^ {p} psi _ {1} left ({ frac {n + 1-i} {2}} right)}$

где ${ displaystyle psi _ {1}}$ - это тригамма-функция. Это возникает при вычислении информации Фишера случайной величины Уишарта.

Энтропия

В информационная энтропия распределения имеет следующую формулу:^[10]:693

${ Displaystyle OperatorName {H} left [, mathbf {X} , right] = - ln left (B ( mathbf {V}, n) right) - { frac {np- 1} {2}} operatorname {E} left [, ln left | mathbf {X} right | , right] + { frac {np} {2}}}$

где B(V, п) это нормализующая константа распределения:

${ Displaystyle B ( mathbf {V}, n) = { frac {1} { left | mathbf {V} right | ^ {n / 2} 2 ^ {np / 2} Gamma _ {p } left ({ frac {n} {2}} right)}}.}$

Это можно расширить следующим образом:

${ Displaystyle { begin {выровнено} OperatorName {H} left [, mathbf {X} , right] & = { frac {n} {2}} ln left | mathbf {V } right | + { frac {np} {2}} ln 2+ ln Gamma _ {p} left ({ frac {n} {2}} right) - { frac {np- 1} {2}} operatorname {E} left [, ln left | mathbf {X} right | , right] + { frac {np} {2}} [8pt] & = { frac {n} {2}} ln left | mathbf {V} right | + { frac {np} {2}} ln 2+ ln Gamma _ {p} left ({ frac {n} {2}} right) - { frac {np-1} {2}} left ( psi _ {p} left ({ frac {n} {2}} right) + p ln 2+ ln left | mathbf {V} right | right) + { frac {np} {2}} [8pt] & = { frac {n} {2 }} ln left | mathbf {V} right | + { frac {np} {2}} ln 2+ ln Gamma _ {p} left ({ frac {n} {2} } right) - { frac {np-1} {2}} psi _ {p} left ({ frac {n} {2}} right) - { frac {np-1} {2 }} left (p ln 2+ ln left | mathbf {V} right | right) + { frac {np} {2}} [8pt] & = { frac {p + 1} {2}} ln left | mathbf {V} right | + { frac {1} {2}} p (p + 1) ln 2+ ln Gamma _ {p} left ({ frac {n} {2}} right) - { frac {np-1} {2}} psi _ {p} left ({ frac {n} {2}} right) + { frac {np} {2}} end {выравнивается}}}$

Кросс-энтропия

В перекрестная энтропия двух распределений Уишарта ${ displaystyle p_ {0}}$ с параметрами ${ displaystyle n_ {0}, V_ {0}}$ и ${ displaystyle p_ {1}}$ с параметрами ${ displaystyle n_ {1}, V_ {1}}$ является

${ displaystyle { begin {align} H (p_ {0}, p_ {1}) & = operatorname {E} _ {p_ {0}} [, - log p_ {1} ,] [8pt] & = operatorname {E} _ {p_ {0}} left [, - log { frac { left | mathbf {X} right | ^ {(n_ {1} -p_ { 1} -1) / 2} e ^ {- operatorname {tr} ( mathbf {V} _ {1} ^ {- 1} mathbf {X}) / 2}} {2 ^ {n_ {1} p_ {1} / 2} left | mathbf {V} _ {1} right | ^ {n_ {1} / 2} Gamma _ {p_ {1}} left ({ tfrac {n_ {1 }} {2}} right)}} right] [8pt] & = { tfrac {n_ {1} p_ {1}} {2}} log 2 + { tfrac {n_ {1} } {2}} log left | mathbf {V} _ {1} right | + log Gamma _ {p_ {1}} ({ tfrac {n_ {1}} {2}}) - { tfrac {n_ {1} -p_ {1} -1} {2}} operatorname {E} _ {p_ {0}} left [, log left | mathbf {X} right | , right] + { tfrac {1} {2}} operatorname {E} _ {p_ {0}} left [, operatorname {tr} left (, mathbf {V} _ { 1} ^ {- 1} mathbf {X} , right) , right] [8pt] & = { tfrac {n_ {1} p_ {1}} {2}} log 2+ { tfrac {n_ {1}} {2}} log left | mathbf {V} _ {1} right | + log Gamma _ {p_ {1}} ({ tfrac {n_ {1 }} {2}}) - { tfrac {n_ {1} -p_ {1} -1} {2}} left ( psi _ {p_ {0}} ({ tfrac {n_ {0}} {2}}) + p_ {0} log 2+ log left | mathbf {V} _ {0} right | right) + { tfrac {1} { 2}} operatorname {tr} left (, mathbf {V} _ {1} ^ {- 1} n_ {0} mathbf {V} _ {0} , right) [8pt] & = - { tfrac {n_ {1}} {2}} log left | , mathbf {V} _ {1} ^ {- 1} mathbf {V} _ {0} , right | + { tfrac {p_ {1} +1} {2}} log left | mathbf {V} _ {0} right | + { tfrac {n_ {0}} {2}} operatorname {tr} left (, mathbf {V} _ {1} ^ {- 1} mathbf {V} _ {0} right) + log Gamma _ {p_ {1}} left ({ tfrac {n_ {1}} {2}} right) - { tfrac {n_ {1} -p_ {1} -1} {2}} psi _ {p_ {0}} ({ tfrac { n_ {0}} {2}}) + { tfrac {n_ {1} (p_ {1} -p_ {0}) + p_ {0} (p_ {1} +1)} {2}} log 2 конец {выровнено}}}$

Обратите внимание, что когда ${ displaystyle p_ {0} = p_ {1}}$ и ${ displaystyle n_ {0} = n_ {1}}$мы восстанавливаем энтропию.

KL-дивергенция

В Дивергенция Кульбака – Лейблера из ${ displaystyle p_ {1}}$ от ${ displaystyle p_ {0}}$ является

${ displaystyle { begin {align} D_ {KL} (p_ {0} | p_ {1}) & = H (p_ {0}, p_ {1}) - H (p_ {0}) [ 6pt] & = - { frac {n_ {1}} {2}} log | mathbf {V} _ {1} ^ {- 1} mathbf {V} _ {0} | + { frac { n_ {0}} {2}} ( operatorname {tr} ( mathbf {V} _ {1} ^ {- 1} mathbf {V} _ {0}) - p) + log { frac { Gamma _ {p} left ({ frac {n_ {1}} {2}} right)} { Gamma _ {p} left ({ frac {n_ {0}} {2}} right)}} + { tfrac {n_ {0} -n_ {1}} {2}} psi _ {p} left ({ frac {n_ {0}} {2}} right) end {выровнено}}}$

Характеристическая функция

В характеристическая функция распределения Уишарта составляет

${ displaystyle Theta mapsto left | , { mathbf {I}} -2i , { mathbf { Theta}} , { mathbf {V}} , right | ^ {- n / 2}.}$

Другими словами,

${ Displaystyle Theta mapsto OperatorName {E} left [, exp left (, я Operatorname {tr} left (, mathbf {X} { mathbf { Theta}} , right) , right) , right] = left | , { mathbf {I}} -2i , { mathbf { Theta}} , { mathbf {V}} , вправо | ^ {- n / 2}}$

где E [⋅] обозначает ожидание. (Вот Θ и я матрицы того же размера, что и V(я это единичная матрица); и я является квадратным корнем из −1).^[8]

Поскольку диапазон определителя содержит замкнутую линию через начало координат для размеров матрицы больше двух, приведенная выше формула верна только для малых значений переменной Фурье. (увидеть arXiv:1901.09347)

Теорема

Если п × п случайная матрица Икс имеет распределение Уишарта с м матрица степеней свободы и дисперсии V - записывать ${ displaystyle mathbf {X} sim { mathcal {W}} _ {p} ({ mathbf {V}}, m)}$ - и C это q × п матрица ранг q, тогда ^[11]

${ displaystyle mathbf {C} mathbf {X} { mathbf {C}} ^ {T} sim { mathcal {W}} _ {q} left ({ mathbf {C}} { mathbf {V}} { mathbf {C}} ^ {T}, m right).}$

Следствие 1.

Если z ненулевой п × 1 постоянный вектор, тогда:^[11]

${ displaystyle { mathbf {z}} ^ {T} mathbf {X} { mathbf {z}} sim sigma _ {z} ^ {2} chi _ {m} ^ {2}.}$

В таком случае, ${ Displaystyle чи _ {м} ^ {2}}$ это распределение хи-квадрат и ${ Displaystyle sigma _ {z} ^ {2} = { mathbf {z}} ^ {T} { mathbf {V}} { mathbf {z}}}$ (Обратите внимание, что ${ displaystyle sigma _ {z} ^ {2}}$ постоянная; это положительно, потому что V положительно определен).

Следствие 2.

Рассмотрим случай, когда z^Т = (0, ..., 0, 1, 0, ..., 0) (это j-й элемент равен единице, а все остальные - нулю). Тогда следствие 1 показывает, что

${ displaystyle w_ {jj} sim sigma _ {jj} chi _ {m} ^ {2}}$

дает предельное распределение каждого из элементов на диагонали матрицы.

Джордж Себер указывает, что распределение Уишарта не называется «многомерным распределением хи-квадрат», потому что маргинальное распределение недиагональные элементы не является хи-квадрат. Себер предпочитает оставить срок многомерный для случая, когда все одномерные маргиналы принадлежат к одному семейству.^[12]

Оценщик многомерного нормального распределения

Распределение Уишарта - это выборочное распределение из оценщик максимального правдоподобия (MLE) ковариационная матрица из многомерное нормальное распределение.^[13] А вывод MLE использует спектральная теорема.

Разложение Бартлетта

В Разложение Бартлетта матрицы Икс из п-вариантное распределение Уишарта с масштабной матрицей V и п степеней свободы - это факторизация:

${ displaystyle mathbf {X} = { textbf {L}} { textbf {A}} { textbf {A}} ^ {T} { textbf {L}} ^ {T},}$

где L это Фактор холецкого из V, и:

${ displaystyle mathbf {A} = { begin {pmatrix} c_ {1} & 0 & 0 & cdots & 0 n_ {21} & c_ {2} & 0 & cdots & 0 n_ {31} & n_ {32} & c_ {3 } & cdots & 0 vdots & vdots & vdots & ddots & vdots n_ {p1} & n_ {p2} & n_ {p3} & cdots & c_ {p} end {pmatrix}}}$

где ${ Displaystyle с_ {я} ^ {2} сим чи _ {п-я + 1} ^ {2}}$ и п_ij ~ N(0, 1) независимо.^[14] Это обеспечивает полезный метод получения случайных выборок из распределения Уишарта.^[15]

Предельное распределение матричных элементов

Позволять V быть 2 × 2 матрица дисперсии, характеризующаяся коэффициент корреляции −1 < ρ < 1 и L его нижний фактор Холецкого:

${ Displaystyle mathbf {V} = { begin {pmatrix} sigma _ {1} ^ {2} & rho sigma _ {1} sigma _ {2} rho sigma _ {1} sigma _ {2} & sigma _ {2} ^ {2} end {pmatrix}}, qquad mathbf {L} = { begin {pmatrix} sigma _ {1} & 0 rho сигма _ {2} & { sqrt {1- rho ^ {2}}} sigma _ {2} end {pmatrix}}}$

Умножая на разложение Бартлетта выше, мы обнаруживаем, что случайная выборка из 2 × 2 Распределение Уишарта

${ displaystyle mathbf {X} = { begin {pmatrix} sigma _ {1} ^ {2} c_ {1} ^ {2} & sigma _ {1} sigma _ {2} left ( rho c_ {1} ^ {2} + { sqrt {1- rho ^ {2}}} c_ {1} n_ {21} right) sigma _ {1} sigma _ {2} left ( rho c_ {1} ^ {2} + { sqrt {1- rho ^ {2}}} c_ {1} n_ {21} right) & sigma _ {2} ^ {2} left ( left (1- rho ^ {2} right) c_ {2} ^ {2} + left ({ sqrt {1- rho ^ {2}}} n_ {21} + rho c_ {1} right) ^ {2} right) end {pmatrix}}}$

Диагональные элементы, наиболее очевидно в первом элементе, следуют за χ² распространение с п степени свободы (в масштабе σ²) как и ожидалось. Недиагональный элемент менее знаком, но может быть идентифицирован как нормальная смесь средних дисперсий где плотность смешения χ² распространение. Следовательно, соответствующая предельная плотность вероятности для недиагонального элемента равна дисперсионно-гамма-распределение

${ displaystyle f (x_ {12}) = { frac { left | x_ {12} right | ^ { frac {n-1} {2}}} { Gamma left ({ frac {n } {2}} right) { sqrt {2 ^ {n-1} pi left (1- rho ^ {2} right) left ( sigma _ {1} sigma _ {2} right) ^ {n + 1}}}}} cdot K _ { frac {n-1} {2}} left ({ frac { left | x_ {12} right |} { sigma _ {1} sigma _ {2} left (1- rho ^ {2} right)}} right) exp { left ({ frac { rho x_ {12}} { sigma _ { 1} sigma _ {2} (1- rho ^ {2})}} right)}}$

где K_ν(z) это модифицированная функция Бесселя второго рода.^[16] Подобные результаты могут быть получены для более высоких измерений, но взаимозависимость недиагональных корреляций становится все более сложной. Также можно записать момент-производящая функция даже в нецентральный случай (по сути п-я сила Крейга (1936)^[17] уравнение 10), хотя плотность вероятности становится бесконечной суммой функций Бесселя.

Диапазон параметра формы

Это можно показать ^[18] что распределение Уишарта можно определить тогда и только тогда, когда параметр формы п принадлежит набору

${ displaystyle Lambda _ {p}: = {0, ldots, p-1 } cup left (p-1, infty right).}$

Этот набор назван в честь представившего его Гиндикина.^[19] в семидесятые годы в контексте гамма-распределений на однородных конусах. Однако для новых параметров в дискретном спектре ансамбля Гиндикина, а именно:

${ displaystyle Lambda _ {p} ^ {*}: = {0, ldots, p-1 },}$

соответствующее распределение Уишарта не имеет плотности Лебега.

Связь с другими дистрибутивами

• Распределение Уишарта связано с обратное распределение Вишарта, обозначаемый ${ Displaystyle W_ {p} ^ {- 1}}$, следующим образом: Если Икс ~ W_п(V, п) и если мы сделаем замену переменных C = Икс⁻¹, тогда ${ displaystyle mathbf {C} sim W_ {p} ^ {- 1} ( mathbf {V} ^ {- 1}, n)}$. Это соотношение можно вывести, отметив, что абсолютное значение Определитель якобиана этой замены переменных |C|^п+1см., например, уравнение (15.15) в.^[20]
• В Байесовская статистика, распределение Уишарта является сопряженный предшествующий для параметр точности из многомерное нормальное распределение, когда известен средний параметр.^[10]
• Обобщением является многомерное гамма-распределение.
• Другой тип обобщения - это нормальное распределение Вишарта, по сути, продукт многомерное нормальное распределение с распределением Уишарта.

Смотрите также

использованная литература

внешние ссылки

• Библиотека C ++ для генератора случайных матриц