КУСП — понятие теории вероятностей и статистики¶
КУСП — это понятие теории вероятностей и математической статистики, обозначающее совокупность случайных величин, рассматриваемых совместно (вектор случайных величин). Каждый элемент купса — это случайная величина, а сам купс описывается совокупным распределением вероятностей, которое учитывает не только индивидуальные распределения составляющих, но и их взаимосвязи (корреляции, ковариации).
¶Определение и формальное описание
Пусть дано конечное или счётное множество случайных величин $\xi_1, \xi_2, \dots, \xi_n$, определённых на одном вероятностном пространстве $(\Omega, \mathcal{F}, P)$. Тогда купс $\boldsymbol{\xi} = (\xi_1, \xi_2, \dots, \xi_n)$ — это случайный вектор, то есть отображение $\boldsymbol{\xi}: \Omega \to \mathbb{R}^n$, такое, что для любого борелевского множества $B \in \mathcal{B}(\mathbb{R}^n)$ событие $\{\omega \in \Omega : \boldsymbol{\xi}(\omega) \in B\}$ является измеримым.
Полное описание купса задаётся его совокупной функцией распределения:
$$F(x_1, \dots, x_n) = P(\xi_1 \le x_1, \dots, \xi_n \le x_n).$$
Если купс имеет плотность распределения $f(x_1, \dots, x_n)$, то совокупная функция распределения вычисляется как интеграл по соответствующей области.
¶Моменты и характеристики
¶Математическое ожидание
Математическое ожидание купса — это вектор, составленный из математических ожиданий компонент:
$$\mathbf{m} = E[\boldsymbol{\xi}] = (E[\xi_1], \dots, E[\xi_n]).$$
¶Ковариационная матрица
Ковариационная матрица (матрица ковариаций) купса $\boldsymbol{\xi}$ — это матрица $\Sigma$ размера $n \times n$, элементы которой определяются формулой:
$$\sigma_{ij} = \text{Cov}(\xi_i, \xi_j) = E[(\xi_i - m_i)(\xi_j - m_j)].$$
Диагональные элементы $\sigma_{ii}$ равны дисперсиям соответствующих случайных величин, а недиагональные — ковариациям между ними. Ковариационная матрица является симметричной и положительно полуопределённой.
¶Корреляционная матрица
Корреляционная матрица $R$ получается из ковариационной нормировкой на стандартные отклонения:
$$\rho_{ij} = \frac{\sigma_{ij}}{\sigma_i \sigma_j},$$
где $\rho_{ij}$ — коэффициент корреляции между $\xi_i$ и $\xi_j$, причём $\rho_{ii} = 1$.
¶Независимость компонент
Компоненты купса называются независимыми, если совокупная функция распределения является произведением маргинальных функций распределения:
$$F(x_1, \dots, x_n) = F_1(x_1) \cdot F_2(x_2) \cdots F_n(x_n).$$
В случае независимости ковариационная матрица является диагональной. Обратное утверждение, как правило, неверно: диагональность ковариационной матрицы не гарантирует независимости (за исключением случая нормального распределения).
¶Многомерное нормальное распределение
Наиболее важным примером купса является многомерное нормальное (гауссово) распределение. Купс $\boldsymbol{\xi} \sim N(\mathbf{m}, \Sigma)$ имеет плотность:
$$f(\mathbf{x}) = \frac{1}{(2\pi)^{n/2} |\Sigma|^{1/2}} \exp\left(-\frac{1}{2}(\mathbf{x} - \mathbf{m})^T \Sigma^{-1} (\mathbf{x} - \mathbf{m})\right).$$
Свойства многомерного нормального распределения:
- любая линейная комбинация компонент купса также имеет нормальное распределение;
- некоррелированность компонент эквивалентна их независимости;
- маргинальные распределения компонент также являются нормальными;
- условные распределения компонент при заданных значениях остальных также нормальны.
¶Применение
Понятие купса широко используется в различных областях:
- Статистика и теория выборок — многомерные выборки рассматриваются как реализации купса случайных величин;
- Эконометрика и финансы — моделирование доходности портфелей ценных бумаг, где купс соответствует вектору доходностей активов;
- Обработка сигналов — анализ многомерных случайных процессов;
- Машинное обучение — методы главных компонент (PCA), кластеризация, генеративные модели;
- Теория управления — моделирование многомерных динамических систем с случайными возмущениями;
- Физика — статистическая механика, теория флуктуаций.
¶Смежные понятия
С купсом тесно связано понятие случайного процесса (стохастического процесса), который можно рассматривать как купс случайных величин, индексированных непрерывным или дискретным параметром времени. Понятие купса также лежит в основе многомерного статистического вывода, включая оценку параметров методом максимального правдоподобия для купсов, проверку статистических гипотез о векторе средних и ковариационной матрице.
¶Историческая справка
Понятие купса в теории вероятностей развивалось в XX веке в связи с работами по многомерному анализу. Существенный вклад внесли А. Н. Колмогоров, чья монография «Основания теории вероятностей» (1936) заложила аксиоматическую базу, а также работы по многомерному нормальному распределению и корреляционному анализу.
¶Источники
- Колмогоров А. Н. Основания теории вероятностей. — М.: Наука, 1974.
- Болшев Л. Н., Смирнов Н. В. Таблицы математической статистики. — М.: Наука, 1983.
- Феллер В. Введение в теорию вероятностей и её приложения. — М.: Мир, 1986.
- Ширяев А. Н. Вероятность. — М.: Наука, 1989.
- Мюнцнер Ю. Н. Математическая статистика. — М.: Высшая школа, 1983.
