Wielowymiarowe rozkłady prawdopodobieństwa w R
Surajit Ray
Professor, University of Glasgow
| Rozkład | Parametr lokalizacji | Parametr skali |
|---|---|---|
| Normalny | mean |
sigma |
| t | delta |
sigma |
| Skośno-normalny | xi |
Omega |
| Skośno-t | xi |
Omega |
| Rozkład | Parametr lokalizacji | Parametr skali | Stopnie swobody |
|---|---|---|---|
| Normalny | mean |
sigma |
Nie |
| t | delta |
sigma |
Tak |
| Skośno-normalny | xi |
Omega |
Nie |
| Skośno-t | xi |
Omega |
Tak |
Porównanie
Standardowy normalny
t z różnymi wartościami df

Cięższe ogony dla tego samego progu
$P(X< - 1.96 \text{ or } X > 1.96)$
| Rozkład | Prawdopodobieństwo |
|---|---|
| Normalny | 0.05 |
| t(df=1) | 0.3 |
| t(df=8) | 0.0857 |
| t(df=20) | 0.0641 |
| t(df=30) | 0.0593 |

Uogólnienie jednozmiennego rozkładu t-Studenta
$$t_{df}(\delta, \Sigma ) $$
${\mu}=\delta={\begin{pmatrix} 1 \\ 2 \end{pmatrix}},\quad { \Sigma }={\begin{pmatrix} 1 & 0.5 \\ 0.5 & 2 \end{pmatrix}}$
Kontury rozkładu t dla df = 3

${\begin{matrix} ~ \\ ~ \end{matrix}}$
Kontury dwuwymiarowego rozkładu normalnego

rmvt(n, delta, sigma, df)dmvt(x, delta, sigma, df)qmvt(p, delta, sigma, df)pmvt(upper, lower, delta, sigma, df)Generowanie próbek losowych
Generuj próbki z 3-wymiarowego rozkładu t dla $ \delta= \begin{pmatrix} 1 \\ 2 \\ -5 \end{pmatrix} ,~~\Sigma={\begin{pmatrix} 1 & 1 & 0 \\ 1 & 2 & 0 \\ 0 & 0 & 5 \end{pmatrix}}, ~~df = 4.$
# Specify delta and sigma
delta <- c(1, 2, -5)
sigma <- matrix(c(1, 1, 0,
1, 2, 0,
0, 0, 5), 3, 3)
# Generate samples
t.sample <- rmvt(n = 2000, delta = delta, sigma = sigma, df = 4)
head(t.sample,4)
[,1] [,2] [,3]
[1,] -1.256 -1.518 -12.340
[2,] 1.479 1.908 -7.647
[3,] -0.152 1.357 -9.011
[4,] 1.938 2.531 -4.534
Rozkład t z 4 stopniami swobody

Rozkład normalny

Rozkład t z 10 stopniami swobody

Rozkład normalny

Wielowymiarowe rozkłady prawdopodobieństwa w R