Открыть сервисСервис

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.
Заметили ошибку или не согласны с информацией в статье? Напишите нам support@bfometr.ru