Традиционная интерпретация 20-го века
Полиномиа́льное распределе́ние' в теории вероятностей — это обобщение биномиального распределения одной случайной величины на случай независимых испытаний случайного эксперимента с несколькими возможными исходами.
Определение
Пусть
X
1
,
…
,
X
n
{\displaystyle X_1,\ldots ,X_n}
- независимые одинаково распределённые случайные величины , такие, что их распределение задаётся функцией вероятности :
P
(
X
i
=
j
)
=
p
j
,
j
=
1
,
…
,
k
{\displaystyle \mathbb{P}(X_i = j) = p_j,\; j=1,\ldots, k}
.
Интуитивно событие
{
X
i
=
j
}
{\displaystyle \{X_i = j\}}
означает, что испытание с номером
i
{\displaystyle i}
привело к исходу
j
{\displaystyle j}
. Пусть случайная величина
Y
j
{\displaystyle Y_j}
равна количеству испытаний, приведших к исходу
j
{\displaystyle j}
:
Y
j
=
∑
i
=
1
n
1
{
X
i
=
j
}
,
j
=
1
,
…
,
k
{\displaystyle Y_j = \sum_{i=1}^n \mathbf{1}_{\{X_i = j\}},\; j = 1,\ldots, k}
.
Тогда распределение вектора
Y
=
(
Y
1
,
…
,
Y
k
)
⊤
{\displaystyle \mathbf{Y} = (Y_1,\ldots,Y_k)^{\top}}
имеет функцию вероятности
p
Y
(
y
)
=
{
(
n
y
1
…
y
k
)
p
1
y
1
…
p
k
y
k
,
∑
j
=
1
k
y
i
=
n
0
,
∑
j
=
1
k
y
i
≠
n
,
y
=
(
y
1
,
…
,
y
k
)
⊤
∈
N
0
k
{\displaystyle p_{\mathbf{Y}}(\mathbf{y}) = \left\{
\begin{matrix}
{n \choose {y_1 \ldots y_k}} p_1^{y_1}\ldots p_k^{y_k}, & \sum\limits_{j=1}^k y_i = n \\
0, & \sum\limits_{j=1}^k y_i \not= n
\end{matrix}
\right., \quad \mathbf{y} = (y_1,\ldots, y_k)^{\top} \in \mathbb{N}^k_0}
,
где
(
n
y
1
…
y
k
)
≡
n
!
y
1
!
…
y
k
!
{\displaystyle {n \choose {y_1 \ldots y_k}} \equiv \frac{n!}{y_1! \ldots y_k!}}
— полиномиальный коэффициент .
Вектор средних и матрица ковариации
Математическое ожидание случайной величины
Y
j
{\displaystyle Y_j}
имеет вид:
E
[
Y
j
]
=
n
p
j
{\displaystyle \mathbb{E}[Y_j] = np_j}
.
Диагональные элементы матрицы ковариации
Σ
=
(
σ
i
j
)
{\displaystyle \Sigma = (\sigma_{ij})}
являются дисперсиями биномиальных случайных величин, а следовательно
σ
j
j
=
D
[
Y
j
]
=
n
p
j
(
1
−
p
j
)
,
j
=
1
,
…
,
k
{\displaystyle \sigma_{jj}=\mathrm{D}[Y_j] = np_j(1-p_j),\; j =1,\ldots, k}
.
Для остальных элементов имеем
σ
i
j
=
c
o
v
(
Y
i
,
Y
j
)
=
−
n
p
i
p
j
,
i
≠
j
{\displaystyle \sigma_{ij} = \mathrm{cov}(Y_i,Y_j) = -np_ip_j,\; i \not= j}
.
Ранг матрицы ковариации полиномиального распределения равен
k
−
1
{\displaystyle k - 1}
.