Dirichlet dağılımı tanımlayan bir çok değişkenli olasılık dağılımıdır değişkenler , her şekilde, x i ∈ ( 0 , 1 ) ve Σ K i = 1X 1 , … , X k α = ( α 1 , … , α k )k ≥ 2X1, … , Xkxben∈ ( 0 , 1 ) ve bir vektör tarafından parametrelenmişse, pozitif değerli parametreler. Parametrelertamsayı olmakzorunda değildir, sadece pozitif gerçek sayılar olması gerekir. Herhangi bir şekilde "normalize" değiller, bu dağılımın parametreleri.ΣN-i = 1xben= 1α=(α1,…,αk)
Dirichlet dağılımı, beta dağılımının birden fazla boyutta genelleştirilmesidir , böylece beta dağılımı hakkında bilgi edinerek başlayabilirsiniz. Beta, ve parametreleri tarafından parametrelendirilen rasgele değişkeninin tek değişkenli bir dağılımıdır . Güzel bir sezgi, bunun bir ve olduğunu hatırlarsanız gelir.α β α β p p α ′ = α + başarı sayısı β ′ = β + başarısızlık sayısı α βX∈(0,1)αβ eşlenik önsel için binom dağılımı ve bir beta varsayarsak önce parametreli ve binom dağıtımın olasılık parametresi için , daha sonra arka dağıtım de olduğu tarafından tanımlanan beta dağılımıαβppα′=α+number of successesβ′=β+number of failures . Aklınıza gelebilecek Yani ve itibariyle pseudocounts başarı ve başarısızlıkları (ayrıca çek (bunlar tamsayılar olmak gerekmez) Konuyu ).αβ
Dirichlet dağılımı durumunda , multinom dağılımından önce bir konjugattır . Binom dağılımı durumunda biz urn değiştirilmesi ile beyaz ve siyah topları çizim açısından düşünmek, o zaman multinomial dağılım durumunda biz yedek ile çizim topları görünenk p 1 , … , p k p 1 , … , p k α 1 , … , α k α 1 , … , α k α 1 + n 1 , … , α k + n kNk renklerinde Topların olasılıkları . Dirichlet dağılımı için bir konjüge önce olduğu olasılıkları ve olarak düşünülebilir parametreleri pseudocounts her renk topları kabul önselp1,…,pkp1,…,pkα1,…,αk(ama aynı zamanda böyle bir akıl yürütmenin tuzaklarını da okumalısınız ). Dirichlet-multinomial model , her kategorideki gözlemlenen sayıları toplayarak güncellenir: , beta-binom modelinde olduğu gibi.α1,…,αkα1+n1,…,αk+nk
Daha yüksek bir değer , daha fazla "ağırlık" toplam "kütle" daha fazla miktarı, kendisine atanmış olan (toplam olması gerektiğini hatırlama ). Tüm eşitse, dağılım simetriktir. Eğer , anti-ağırlık olarak düşünülebilir uzağa iterX i x 1 + ⋯ + x k = 1αiXix1+⋯+xk=1α i < 1 x i x i α 1 = ⋯ = α k = 1αiαi<1xi yüksek olduğunda, çeker iken aşırı doğru, anlamda merkezi bazı merkezi değere (doğru tüm noktalar etrafında, konsantre olması değil de simetrik olarak merkezi olduğunu hissetmek). Eğer , noktalar düzgün olarak dağıtılırlar.xiα1=⋯=αk=1
Bu, aşağıdaki değişkenlerde görülebilir, burada üç değişken Dirichlet dağılımlarını görebilirsiniz (ne yazık ki, yalnızca (en fazla üç boyutta makul alanlar üretebiliriz) (a) , (b) , (c) , (d) .α 1 = α 2 = α 3 = 10 α 1 = 1 , α 2 = 10 , α 3 = 5 α 1 = α 2 = α 3 = 0.2α1=α2=α3=1α1=α2=α3=10α1=1,α2=10,α3=5α1=α2=α3=0.2
Dirichlet dağılımına bazen “dağılımların dağılımı” denir , çünkü olasılıkların kendileri olarak da düşünülebilir. Her ve , o zaman birinci ve ikinci olasılık aksiyomları ile tutarlı olduğuna dikkat edin . Böylece, Dirichlet dağılımını kategorik veya multinom gibi dağılımlarla tanımlanan ayrık olaylar için olasılıkların bir dağılımı olarak kullanabilirsiniz . Öyle değil∑ k i = 1 x i = 1xi∈(0,1)∑ki=1xi=1 kxiHerhangi bir dağılımın üzerinde bir dağıtım olduğu için, örneğin sürekli rastgele değişkenlerin olasılıkları veya hatta bazı ayrı olanlar olasılıklarıyla ilgili değildir (örneğin Poisson dağıtılmış rastgele bir değişken, herhangi bir doğal sayı olan değerleri gözlemleme ihtimalini açıklar; Dirichlet olasılıkları üzerindeki dağılımı, sonsuz sayıda rastgele değişkene ihtiyacınız olacaktır ).k