Liste multivariater und matrixvariater Wahrscheinlichkeitsverteilungen

Diese Liste multivariater und matrixvariater Wahrscheinlichkeitsverteilungen enthält multivariate Wahrscheinlichkeitsverteilungen und matrixvariate Wahrscheinlichkeitsverteilungen, unterteilt in diskrete multivariate Verteilungen, absolutstetige multivariate Verteilungen und matrixvariate Verteilungen.

Notation

Es gelten folgende Konventionen:

• Ist ${\displaystyle x\in \mathbb {R} ^{n}}$, so ist ${\displaystyle x>0}$ und ${\displaystyle x\geq 0}$ komponentenweise zu verstehen, also ${\displaystyle x\geq 0}$ genau dann, wenn ${\displaystyle x_{i}\geq 0}$ für alle ${\displaystyle i}$
• Ist ${\displaystyle X\in \mathbb {R} ^{n\times n}}$, so bezeichnen die Ordnungssymbole die Loewner-Halbordnung, also ${\displaystyle X>0}$ genau dann wenn ${\displaystyle X}$ positiv definit ist und ${\displaystyle X>Y}$ genau dann, wenn ${\displaystyle X-Y>0}$
• ${\displaystyle \mathbf {1} _{k}}$ bezeichnet den Einsvektor der Länge ${\displaystyle k}$ und ${\displaystyle \mathbf {1} _{k\times k}}$ die ${\displaystyle k\times k}$-Einheitsmatrix.

Abkürzend wird verwendet

${\displaystyle a_{1}+a_{2}+\dots +a_{k}=\mathbf {1} _{k}^{T}a}$, wobei ${\displaystyle a=(a_{1},a_{2},\dots ,a_{k})}$ ist.

${\displaystyle \operatorname {etr} (A)=\exp(\operatorname {spur} (A))}$.

für ein ${\displaystyle A\in \mathbb {R} ^{n\times n}}$. ${\displaystyle \operatorname {spur} (A)}$ bezeichnet hier die Spur der Matrix ${\displaystyle A}$.

Diskret Multivariat

Name	Träger	Parameter	Wahrscheinlichkeitsfunktion	Bemerkung
Multinomial-Verteilung, Polynomial-Verteilung	${\displaystyle x\in \mathbb {N} _{0}^{k}}$, ${\displaystyle \mathbf {1} _{k}^{T}x=n}$	${\displaystyle p}$ stochastischer Vektor aus ${\displaystyle \mathbb {R} ^{k}}$	${\displaystyle f(x)={n \choose x}\;\prod _{i=1}^{k}p_{i}^{x_{i}}}$	Verallgemeinerung der Binomial-Verteilung, ${\displaystyle {n \choose x}}$ ist der Multinomialkoeffizient
Negativmultinomial-Verteilung,[1] Negative Multinomial-Verteilung, Negative Polynomial-Verteilung	${\displaystyle x\in \mathbb {N} _{0}^{k}}$	${\displaystyle p\in \mathbb {R} ^{k}}$, ${\displaystyle p_{i}\in (0,1)}$, ${\displaystyle \mathbf {1} _{k}^{T}p\leq 1}$, ${\displaystyle \alpha \in (0,+\infty )}$	:${\displaystyle f(x)={\frac {\Gamma (\alpha +\mathbf {1} _{k}^{T}x)(1-\mathbf {1} _{k}^{T}p)^{\alpha }}{\Gamma (\alpha )\prod _{i=1}^{k}x_{i}!}}\prod _{i=1}^{k}p_{i}^{x_{i}}}$	Verallgemeinerung der negativen Binomialverteilung
Multivariate hypergeometrische Verteilung, allgemeine hypergeometrische Verteilung[2]	${\displaystyle x\in \mathbb {N} _{0}^{k}}$, ${\displaystyle x_{1}+\dots +x_{k}=n}$	${\displaystyle B\in \mathbb {N} _{0}^{k}}$, ${\displaystyle \mathbf {1} _{k}^{T}B=N}$, ${\displaystyle n,N\in \mathbb {N} }$, ${\displaystyle n\leq N}$	${\displaystyle f(x)={\binom {N}{n}}^{-1}\prod _{i=1}^{k}{\binom {B_{i}}{x_{i}}}}$	Verallgemeinerung der hypergeometrischen Verteilung
Polyhypergeometrische Verteilung[1]	${\displaystyle x\in \mathbb {N} _{0}^{k}}$, ${\displaystyle \mathbf {1} _{k}^{T}x\leq n}$	${\displaystyle n,N\in \mathbb {N} }$, ${\displaystyle n\leq N}$, ${\displaystyle K\in \{1,\dots ,N-1\}^{k}}$, ${\displaystyle \mathbf {1} _{k}^{T}K\leq N}$	${\displaystyle f(x)={\binom {n}{M}}^{-1}{\binom {1-\mathbf {1} _{k}^{T}K}{n-\mathbf {1} _{k}^{T}x}}\prod _{i=1}^{k}{\binom {K_{i}}{x_{i}}}}$	Verallgemeinerung der multivariaten hypergeometrischen Verteilung
Multivariate Poisson-Verteilung[1]	${\displaystyle \mathbb {N} _{0}^{k}}$	${\displaystyle \alpha \in \mathbb {R} ^{k}}$, ${\displaystyle \alpha >0}$	${\displaystyle f(x):=\prod _{i=1}^{k}e^{-\alpha _{i}}{\frac {\alpha _{i}^{x_{i}}}{x_{i}!}}}$	-
Pólya/Eggenberger-Verteilung[1]	${\displaystyle x\in \mathbb {N} _{0}^{k}}$, ${\displaystyle \mathbf {1} _{k}^{T}x\leq n}$	${\displaystyle n\in \mathbb {N} }$, ${\displaystyle a\in (0,+\infty )}$, ${\displaystyle b\in \mathbb {R} ^{k}}$, ${\displaystyle b>0}$, ${\displaystyle \mathbf {1} _{k}^{T}b\leq a}$	${\displaystyle f(x)={\frac {{\binom {a+n-1-\mathbf {1} _{k}^{T}(b-x)}{n+\mathbf {1} _{k}^{T}x}}\prod _{i=1}^{k}{\binom {b_{i}+x_{i}-1}{x_{i}}}}{\binom {a+n-1}{n}}}}$	-

Absolutstetig Multivariat

Name	Träger	Parameter	Wahrscheinlichkeitsdichtefunktion	Bemerkung
Mehrdimensionale Normalverteilung, multivariate Normalverteilung[3]	${\displaystyle \mathbb {R} ^{n}}$	${\displaystyle \mu \in \mathbb {R} ^{n}}$, ${\displaystyle \Sigma \in \mathbb {R} ^{n\times n}}$, ${\displaystyle \Sigma >0}$.	:${\displaystyle f(x)={\frac {1}{\sqrt {(2\pi )^{n}\det(\Sigma )}}}\exp \left(-{\frac {1}{2}}(x-\mu )^{T}\Sigma ^{-1}(x-\mu )\right)}$	Verallgemeinerung der Normalverteilung
Dirichlet-Verteilung (der Ordnung ${\displaystyle K}$)[4]	${\displaystyle x\in \mathbb {R} ^{K}}$, ${\displaystyle \mathbf {1} _{K}^{T}x=1}$, ${\displaystyle x\geq 0}$	${\displaystyle \alpha \in \mathbb {R} ^{n}}$, ${\displaystyle \alpha >0}$	${\displaystyle f(x)={\frac {\Gamma \left(\sum _{i=1}^{K}\alpha _{i}\right)}{\prod _{i=1}^{K}\Gamma (\alpha _{i})}}\prod _{i=1}^{K}x_{i}^{\alpha _{i}-1}}$	-

Matrixvariat

Name	Träger	Parameter	Wahrscheinlichkeitsdichtefunktion	Bemerkung
Matrixvariate Normalverteilung (englisch matrix variate normal distribution)[5]	${\displaystyle \mathbb {R} ^{n\times p}}$	${\displaystyle M\in \mathbb {R} ^{n\times p}}$, ${\displaystyle U\in \mathbb {R} ^{n\times n}}$, ${\displaystyle V\in \mathbb {R} ^{p\times p}}$, ${\displaystyle U>0}$, ${\displaystyle V>0}$	${\displaystyle f(X)={\frac {\operatorname {etr} \left(-{\frac {1}{2}}\left[V^{-1}(X-M)^{T}U^{-1}(X-M)\right]\right)}{(2\pi )^{np/2}\det(V)^{n/2}\det(U)^{p/2}}}}$	Verallgemeinerung der Normalverteilung
Wishart-Verteilung[5]	${\displaystyle \mathbb {R} ^{p\times p}}$	${\displaystyle V\in \mathbb {R} ^{p\times p}}$, ${\displaystyle V>0}$, Freiheitsgrad ${\displaystyle n\geq p}$	${\displaystyle f(X)={\frac {\det(X)^{\tfrac {n-p-1}{2}}\operatorname {etr} \left(-{\tfrac {1}{2}}V^{-1}X\right)}{2^{\tfrac {np}{2}}\det(V)^{\tfrac {n}{2}}\Gamma _{p}({\tfrac {n}{2}})}}}$	Hierbei bezeichnet ${\displaystyle \Gamma _{p}(\cdot )}$ die Multivariate Gamma-Funktion. Die Wishart-Verteilung ist die matrixvariate Verallgemeinerung der Chi-Quadrat-Verteilung.
Matrixvariate Studentsche t-Verteilung (englisch matrix variate t-distribution)[5]	${\displaystyle \mathbb {R} ^{n\times p}}$	${\displaystyle M\in \mathbb {R} ^{n\times p}}$, ${\displaystyle \Omega \in \mathbb {R} ^{p\times p}}$, ${\displaystyle \Sigma \in \mathbb {R} ^{n\times n}}$, ${\displaystyle \Omega >0,\Sigma >0}$, Freiheitsgrad ${\displaystyle \nu }$	${\displaystyle f(X)={\frac {\Gamma _{p}\left({\tfrac {\nu +n+p-1}{2}}\right)}{(\pi )^{\tfrac {np}{2}}\Gamma _{p}\left({\frac {\nu +p-1}{2}}\right)}}\det(\Omega )^{-{\tfrac {n}{2}}}\det(\Sigma )^{-{\tfrac {p}{2}}}}$ ${\displaystyle \cdot \det \left(\mathbb {1} _{n\times n}+\Sigma ^{-1}(X-M)\Omega ^{-1}(X-M)^{T}\right)^{-{\frac {\nu +n+p-1}{2}}}}$	Verallgemeinerung der studentschen t-Verteilung
Matrixvariate Beta-Verteilung (englisch matrix variate beta-type-I distribution)[5]	${\displaystyle X\in \mathbb {R} ^{p\times p}}$, ${\displaystyle 0<X<\mathbb {1} _{p\times p}}$	${\displaystyle a>{\tfrac {1}{2}}(p-1),\,b>{\tfrac {1}{2}}(p-1)}$	${\displaystyle f(X)={\frac {1}{\beta _{p}(a,b)}}\det(X)^{a-(p+1)/2}\det(\mathbb {1} _{p\times p}+X)^{b-(p+1)/2}}$	Verallgemeinerung der Beta-Verteilung
Matrixvariate inverse Beta-Verteilung (englisch matrix variate beta-type-II distribution)[5]	${\displaystyle X\in \mathbb {R} ^{p\times p}}$, ${\displaystyle 0<X}$	${\displaystyle a>{\tfrac {1}{2}}(p-1),\,b>{\tfrac {1}{2}}(p-1)}$	${\displaystyle f(X)={\frac {1}{\beta _{p}(a,b)}}\det(X)^{a-(p+1)/2}\det(\mathbb {1} _{p\times p}+X)^{-(a+b)}}$	Verallgemeinerung der inversen Beta-Verteilung

Siehe auch

• Liste univariater Wahrscheinlichkeitsverteilungen