En teoría de probabilidad y estadística , la distribución gamma inversa normal (o distribución gamma inversa gaussiana ) es una familia de cuatro parámetros de distribuciones de probabilidad continuas multivariadas . Es la distribución conjugada previa de una distribución normal con media y varianza desconocidas .
Definición
Suponer
tiene una distribución normal con media y varianza , donde
tiene una distribución gamma inversa . Entonces
tiene una distribución gamma inversa normal, denotada como
( también se utiliza en lugar de )
La distribución normal-inversa-Wishart es una generalización de la distribución normal-inversa-gamma que se define sobre variables aleatorias multivariadas.
Caracterización
Función de densidad de probabilidad
Para la forma multivariada donde es un vector aleatorio,
donde es el determinante de la matriz . Nótese cómo esta última ecuación se reduce a la primera forma si es así que son escalares .
Parametrización alternativa
También es posible dejarlo en cuyo caso el pdf se convierte en
En la forma multivariada, el cambio correspondiente sería considerar la matriz de covarianza en lugar de su inversa como parámetro.
Función de distribución acumulativa
Propiedades
Distribuciones marginales
Dado lo anterior, por sí solo se sigue una distribución gamma inversa :
mientras que sigue una distribución t con grados de libertad. [1]
Prueba dePara la función de densidad de probabilidad es
La distribución marginal sobre es
A excepción del factor de normalización, la expresión bajo la integral coincide con la distribución gamma inversa
con , , .
Desde , y
Sustituyendo esta expresión y factorizando la dependencia de ,
La forma de la distribución t de Student generalizada es
.
La distribución marginal sigue una distribución t con grados de libertad
.
En el caso multivariado, la distribución marginal de es una distribución t multivariada :
Suma
Escalada
Suponer
Entonces para ,
Demostración: Para demostrar esto, supongamos y fijemos . Definiendo , observemos que la PDF de la variable aleatoria evaluada en está dada por multiplicada por la PDF de una variable aleatoria evaluada en . Por lo tanto, la PDF de evaluada en está dada por :
La expresión de la derecha es la PDF para una variable aleatoria evaluada en , que completa la prueba.
Familia exponencial
Las distribuciones normal-inversa-gamma forman una familia exponencial con parámetros naturales , , , y y estadísticas suficientes , , , y .
Entropía de la información
Divergencia de Kullback-Leibler
Mide la diferencia entre dos distribuciones.
Estimación de máxima verosimilitud
Distribución posterior de los parámetros
Consulte los artículos sobre distribución normal-gamma y prior conjugado .
Interpretación de los parámetros
Consulte los artículos sobre distribución normal-gamma y prior conjugado .
Generación de variables aleatorias normales-inversas-gamma
La generación de variables aleatorias es sencilla:
- Muestra de una distribución gamma inversa con parámetros y
- Muestra de una distribución normal con media y varianza
Distribuciones relacionadas
- La distribución normal-gamma es la misma distribución parametrizada por la precisión en lugar de la varianza.
- Una generalización de esta distribución que permite una media multivariada y una matriz de covarianza positiva definida completamente desconocida (mientras que en la distribución multivariada inversa-gamma la matriz de covarianza se considera conocida hasta el factor de escala ) es la distribución normal-inversa-Wishart .
Véase también
Referencias
- ^ Ramírez-Hassan, Andrés. 4.2 Familia conjugada previa a la exponencial | Introducción a la econometría bayesiana.
- Denison, David GT; Holmes, Christopher C.; Mallick, Bani K.; Smith, Adrian FM (2002) Métodos bayesianos para clasificación y regresión no lineales , Wiley. ISBN 0471490369
- Koch, Karl-Rudolf (2007) Introducción a la estadística bayesiana (2.ª edición), Springer. ISBN 354072723X