Wyprowadzenie dwuwymiarowego rozkładu Poissona


14

Niedawno spotkałem dwuwymiarowy rozkład Poissona, ale jestem trochę zdezorientowany, jak można go uzyskać.

Rozkład podaje:

P.(X=x,Y=y)=mi-(θ1+θ2)+θ0)θ1xx!θ2)yy!ja=0mjan(x,y)(xja)(yja)ja!(θ0θ1θ2))ja

Z tego, co mogę zebrać, pojęcie θ0 jest miarą korelacji między X i Y ; stąd, gdy X i Y są niezależne, θ0=0 a rozkład staje się po prostu iloczynem dwóch jednowymiarowych rozkładów Poissona.

Mając to na uwadze, mój zamieszanie opiera się na określenie sumy - Zakładam, że termin ten wyjaśnia zależność między X i Y .

Wydaje mi się, że summand stanowi pewnego rodzaju iloczyn dwumianowych skumulowanych funkcji rozkładu, w których prawdopodobieństwo „sukcesu” jest określone przez (θ0θ1θ2))a prawdopodobieństwo „awarii” podajeja!1mjan(x,y)-ja , ponieważ(ja!1mjan(x,y)-ja!)(mjan(x,y)-ja)=ja!, ale mogę być z tym daleko.

Czy ktoś mógłby pomóc w uzyskaniu tego rozkładu? Ponadto, gdyby można było włączyć do jakiejkolwiek odpowiedzi, w jaki sposób model ten mógłby zostać rozszerzony na scenariusz wielowymiarowy (powiedzmy trzy lub więcej zmiennych losowych), byłoby świetnie!

(Na koniec zauważyłem, że wcześniej było podobne pytanie ( Zrozumienie dwuwymiarowego rozkładu Poissona ), ale tak naprawdę nie zbadano pochodnej).


2
Czy pierwszy termin z wykładnikiem nie powinien być zamiast e θ 1 + θ 2 + θ 0 ? mi-(θ1+θ2)+θ0)miθ1+θ2)+θ0
Gilles

1
@Giles Niestety, na początku źle odczytałem twój komentarz - tak, masz rację; termin powinien brzmieć . Dzięki za złapanie tego! mi-(θ1+θ2)+θ0)
user9171,

3
Zasadniczo nie jest to „wielka zmienna” dla wersji jednowymiarowych z kilkoma konwencjonalnymi wyjątkami (na przykład „normalna wielowymiarowa”). Istnieje wiele sposobów uzyskania rozszerzeń wielowymiarowych, w zależności od tego, które funkcje są najważniejsze. Różni autorzy mogą mieć różne wielowymiarowe wersje wspólnych rozkładów jednowymiarowych. Tak ogólnie, można powiedzieć coś w stylu „ o wieloczynnikowej Poisson”, lub „tak a tak'S dwuwymiarowym Poissona” Ten jest całkiem naturalny, ale nie jedynym..
Glen_b -Reinstate Monica

2
(ctd) ... np. niektórzy autorzy szukają wielowymiarowej dystrybucji zdolnej do negatywnej zależności, której nie posiada.
Glen_b

Odpowiedzi:


18

W prezentacji slajdów Karlis i Ntzoufras definiują dwuwymiarową Poissona jako rozkład gdzie X i niezależnie mają rozkłady Poissona θ i . Przypomnij sobie, że taki podział oznacza(X,Y)=(X1+X0,X2)+X0)Xjaθja

Par(Xja=k)=mi-θjaθjakk!

dla k=0,1,2),.

Zdarzenie jest rozłącznym połączeniem zdarzeń(X,Y)=(x,y)

(X0,X1,X2))=(ja,x-ja,y-ja)

dla wszystkich które sprawiają, że wszystkie trzy składowe są nieujemnymi liczbami całkowitymi, z których możemy wywnioskować, że 0 i min ( x , y ) . Ponieważ X i są niezależne, ich prawdopodobieństwa się mnożą, skądja0jamin(x,y)Xja

fa(θ0,θ1,θ2))(x,y)=Par((X,Y)=(x,y))=ja=0min(x,y)Par(X0=ja)Par(X1=x-ja)Par(X2)=y-ja).

To jest wzór; skończyliśmy. Ale aby zobaczyć, że jest to równoważne ze wzorem w pytaniu, użyj definicji rozkładu Poissona, aby zapisać te prawdopodobieństwa w kategoriach parametrów i (zakładając, że żadne z θ 1 , θ 2 nie jest zerowe) przerób je algebraicznie wyglądać jak najbardziej jak produkt Pr ( X 1 = x ) Pr ( X 2 = y ) :θjaθ1,θ2)Par(X1=x)Par(X2)=y)

fa(θ0,θ1,θ2))(x,y)=ja=0min(x,y)(mi-θ0θ0jaja!)(mi-θ1θ1x-ja(x-ja)!)(mi-θ2)θ2)y-ja(y-ja)!)=mi-(θ1+θ2))θ1xx!θ2)yy!(mi-θ0ja=0min(x,y)θ0jaja!x!θ1-ja(x-ja)!y!θ2)-ja(y-ja)!).

Jeśli naprawdę chcesz - jest to nieco sugestywne - możesz ponownie wyrazić wyrażenia w sumie przy użyciu współczynników dwumianowych i ( y(xja)=x!/((x-ja)!ja!) poddając się(yja)

fa(θ0,θ1,θ2))(x,y)=mi-(θ0+θ1+θ2))θ1xx!θ2)yy!ja=0min(x,y)ja!(xja)(yja)(θ0θ1θ2))ja,

dokładnie jak w pytaniu.


Uogólnienie na scenariusze wielowymiarowe może przebiegać na kilka sposobów, w zależności od potrzebnej elastyczności. Najprostszym byłoby rozważenie dystrybucji

(X1+X0,X2)+X0,,Xre+X0)

dla niezależnych zmiennych rozkładu Poissona . Dla większej elastyczności można wprowadzić dodatkowe zmienne. Na przykład użyj niezależnych zmiennych Poissona η i Y 1 , , Y d i rozważ wielowymiarowy rozkład X i + ( Y i + Y i + 1 + + Y d ) , i = 1 , 2X0,X1,,XreηjaY1,,YreXja+(Yja+Yja+1++Yre)ja=1,2),,re.


1
kudos! Przy okazji, czy drugie w dużym nawiasie przed ostatnim krokiem nie powinno być e - θ 2 ? mi-θ0mi-θ2)
Gilles

1
@Gilles Dziękujemy za złapanie literówki - naprawiłem to. Początkowy wykładnik musiał wynosić θ 1 + θ 2 ; e - θ 0 w nawiasach jest poprawne. θ0+θ1θ1+θ2)mi-θ0
whuber

@whuber Dzięki milion! To idealna odpowiedź!
user9171,

@whuber Świetna odpowiedź! Nadal nie rozumiem, dlaczego zdarzenie powinno być rozłącznym połączeniem zdarzeń ( X 0 , X 1 , X 2 ) = ( i , x - i , y - i ) . Myślę, że jest to prawdą tylko dla i = 0 . Być może miałeś na myśli ( X , Y ) ( x , y )(X,Y)=(x,y)(X0,X1,X2))=(ja,x-ja,y-ja)ja=0(X,Y)(x,y)(pod względem komponentów)? Ale czy to wystarczy do scharakteryzowania funkcji dystrybucji?
vanguard2k

@ vanguard2k Nie rozumiem twojego komentarza. Czy twierdzisz, że te wydarzenia nie są rozłączne? (Ale muszą być, ponieważ mają wyraźne wartości ). A może twierdzisz, że nie są wyczerpujące? (Jeśli tak, to wartość (y) ( X , Y ) myślisz, nie zostały włączone?)X0(X,Y)
whuber

4

Oto sposób na uzyskanie dwuwymiarowego rozkładu Poissona.

Niech będą niezależnymi zmiennymi losowymi poissona o parametrach θ 0 , θ 1 , θ 2 . Następnie definiujemy Y 1 = X 0 + X 1 , Y 2 = X 0 + X 2 . Zmienna X 0 , wspólna dla obu Y 1 i Y 2 , powoduje parę ( Y 1 , Y 2X0,X1,X2)θ0,θ1,θ2)Y1=X0+X1,Y2)=X0+X2)X0Y1Y2) do skorelowania. Następnie musimy obliczyć funkcję masy prawdopodobieństwa:(Y1,Y2))

Mam nadzieję, że to pomoże!

P.(Y1=y1,Y2)=y2))=P.(X0+X1=y1,X0+X2)=y2))=x0=0min(y1,y2))P.(X0=x0)P.(X1=y1-x0)P.(X2)=y2)-y0)=x0=0min(y1,y2))mi-θ0θ0x0x0!mi-θ1θ1y1-x0(y1-x0)!mi-θ2)θ2)y2)-x0(y2)-x0)!=mi-θ0-θ1-θ2)θ1y1θ2)y2)x0=0min(y1,y2))(θ0θ1θ2))x0x0!(y1x0)(y2)x0)


1
T.miX

1
whuber: Zacząłem pisać swoją odpowiedź, zanim opublikowałem twoją odpowiedź! inaczej nie napisałbym tego.
kjetil b halvorsen
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.