Multivariate Verteilung

Die Wahrscheinlichkeitsverteilung einer mehrdimensionalen Zufallsvariable nennt man multivariate Verteilung oder auch mehrdimensionale Verteilung.

Einführendes Beispiel

Wir betrachten zwei Zufallsexperimente.

Das erste besteht aus einem zweimaligem Würfeln mit einem idealen Würfel. Dies ist äquivalent zu einem Urnenexperiment mit sechs Kugeln, wobei zweimal mit Zurücklegen gezogen wird. Es gibt 36 mögliche Ergebnispaare (da wir die Reihenfolge des Würfeln bzw. der Ziehung berücksichtigen), und alle 36 Möglichkeiten sind gleichwahrscheinlich, haben also Wahrscheinlichkeit 1/36.

Das zweite Experiment soll nun ein ähnliches Urnenexperiment sein, aber ohne Zurücklegen. In diesem Fall kommen die Ergebnisse (1,1),(2,2),...,(6,6) nicht vor, da die i-te Kugel beim zweiten Ziehen nicht vorkommen kann, wenn sie bereits bei der ersten Ziehung herausgenommen wurde. Die übrigen 30 Paare sind gleichwahrscheinlich und haben daher Wahrscheinlichkeit 1/30.

Diese beiden Experimente ergeben nun zweidimensionale diskrete Zufallsvariablen Z₁ und Z₂, welche die gleichen Randverteilungen haben (jede Zahl von 1 bis 6 ist bei beiden Experimenten in beiden Ziehungen gleichwahrscheinlich und tritt mit Wahrscheinlichkeit 1/6 auf).

Jedoch sind die beiden Ziehungen im ersten Experiment unabhängig, da die gezogene Kugel zurückgelegt wird, während sie im zweiten Experiment nicht unabhängig sind. Das wird am deutlichsten, wenn man sich klarmacht, dass die Paare (1,1),(2,2),...,(6,6) bei einem unabhängigen Experiment jeweils mit Wahrscheinlichkeit 1/36 vorkommen müssen (Produkt der Randwahrscheinlichkeiten 1/6), sie aber beim zweiten Experiment überhaupt nicht auftreten können (Wahrscheinlichkeit 0 haben), da die Kugel nicht zurückgelegt wird.

Die Verteilungen von Z₁ und Z₂ sind daher verschieden; es handelt sich also um ein Beispiel zweier unterschiedlicher diskreter multivariater Verteilungen mit gleichen Randverteilungen.

Zweidimensionale Verteilungsfunktion

10000 Stichproben einer mit der Clayton-Copula modellierten Verteilung (mit α = 2.88), bei der die Randverteilungen 1-dimensionale Standardnormalverteilungen sind.

Die Verteilungsfunktion einer zweidimensionalen Zufallsvariablen Z=(X,Y) ist folgendermaßen definiert:

$F_Z(x,y)=P(X \le x, Y \le y) .$

Falls die betrachtete Zufallsvariable Z eine (zweidimensionale) Dichte f_X,Y besitzt, dann ist die Verteilungsfunktion

$F_Z\left( x,y\right)= \int_{-\infty}^{x}\int_{-\infty}^{y} f_{X,Y}\left(u,v\right) \mathrm{d} u \, \mathrm{d}v$.

Wenn die Zufallsvariable diskret ist, dann kann man die gemeinsame Verteilung mit Hilfe bedingter Wahrscheinlichkeiten so schreiben:

$\begin{align} \mathrm{P}(X=x\ \mathrm{und}\ Y=y) & {} = \mathrm{P}(Y=y \mid X=x) \cdot \mathrm{P}(X=x) \\ & {} = \mathrm{P}(X=x \mid Y=y) \cdot \mathrm{P}(Y=y) \end{align}$

und im stetigen Fall entsprechend

$f_{X,Y}(x,y) = f_{Y|X}(y|x)f_X(x) = f_{X|Y}(x|y)f_Y(y)\;$

Hier sind f_Y|X(y|x) und f_X|Y(x|y) die bedingten Dichten (Y unter der Bedingung X = x, bzw. von X unter der Bedingung Y = y) und f_X(x), f_Y(y) die Dichten der Randverteilungen von X und Y.

In der Abbildung ist ein Beispiel für die Modellierung der Abhängigkeitsstruktur mit Hilfe von Copulas gezeigt. Insbesondere ist das ein Beispiel dafür, dass eine bivariate Zufallsvariable mit normalen Randverteilungen nicht bivariat normalverteilt sein muss.

Der allgemeine mehrdimensionale Fall

Besitzt die n-dimensionale Zufallsvariable $Z=(X_1,\dots,X_n)$ eine Dichte, dann ist die Verteilungsfunktion analog zum zweidimensionalen Fall

$F_Z \left(x_1,\dots,x_n\right) = \int_{-\infty}^{x_1} \dots \int_{-\infty}^{x_n} f_{X_1,\dots,X_n}\left(u_1,\dots,u_n\right) \mathrm{d} u_1 \dots \mathrm{d} u_n$.

Es gibt für Randverteilungen mehr Möglichkeiten als im zweidimensionalen Fall, da nun Randverteilungen für jede niedrigere Dimension $1\le k<n$ existieren und man ${n \choose k}$ Möglichkeiten hat, den Unterraum auszuwählen. Beispielsweise gibt es im dreidimensionalen Fall 3 eindimensionale und 3 zweidimensionale Randverteilungen.

Gemeinsame Verteilung von unabhängigen Zufallsvariablen

Wenn für diskrete Zufallsvariablen $\ P(X = x \ \mbox{und} \ Y = y ) = P( X = x) \cdot P( Y = y)$ für alle x und y gilt, oder aber für stetige Zufallsvariablen $\ f_{X,Y}(x,y) = f_X(x) \cdot f_Y(y)$ für alle x und y, dann sind X und Y unabhängig.

Siehe auch

• mehrdimensionale Normalverteilung
• Hotelling t-Verteilung als multivariate t-Verteilung,
• Wishart-Verteilung als multivariate Chi-Quadrat-Verteilung.

Literatur

• Mardia, KV, Kent, JT, Bibby, JM: Multivariate Analysis, New York 1979
• Fahrmeir, Ludwig, Hamerle, Alfred, Tutz, Gerhard (Hrsg): Multivariate statistische Verfahren, New York 1996
• Hartung, Joachim, Elpelt, Bärbel: Multivariate Statistik, München, Wien 1999

Diskrete univariate Verteilungen

Diskrete univariate Verteilungen für endliche Mengen:
Benford | Bernoulli | beta-binomial | binomial | kategorial | hypergeometrisch | Rademacher | Zipf | Zipf-Mandelbrot

Diskrete univariate Verteilungen für unendliche Mengen:
Boltzmann | Conway-Maxwell-Poisson | negativ binomial | erweitert negativ binomial | Compound-Poisson | diskret uniform | discrete-Phase-Type | Gauss-Kuzmin | geometrisch | logarithmisch | parabolisch-fraktal | Poisson | Poisson-Gamma | Skellam | Yule-Simon | Zeta