В теории вероятностей и статистике сложное распределение вероятностей (также известное как смешанное распределение или заразительное распределение ) — это распределение вероятностей , возникающее в результате предположения, что случайная величина распределяется в соответствии с некоторым параметризованным распределением с (некоторыми) параметрами этого распределения. сами по себе являются случайными величинами. Если параметр является параметром масштаба , полученную смесь также называют смесью масштабов .
Составное распределение («безусловное распределение») является результатом маргинализации (интегрирования) скрытой случайной величины (-ов), представляющей параметр (-ы) параметризованного распределения («условное распределение»).
Определение
Составное распределение вероятностей — это распределение вероятностей, которое возникает в результате предположения, что случайная величина распределяется в соответствии с некоторым параметризованным распределением с неизвестным параметром , который снова распределяется в соответствии с некоторым другим распределением . Результирующее распределение называется распределением, полученным в результате сложения с . Распределение параметра также называется распределением смешивания или скрытым распределением . Технически, безусловное распределение является результатом маргинализации по , то есть интегрирования неизвестного параметра(ов) . Его функция плотности вероятности определяется следующим образом:![{\displaystyle X}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle F}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ displaystyle \ theta }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle G}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle H}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle F}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle G}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle G}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle H}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle G}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ displaystyle \ theta }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle p_{H}(x)={\displaystyle \int \limits p_{F}(x|\theta)\,p_{G}(\theta)\operatorname {d} \!\theta }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Та же самая формула применяется аналогично, если некоторые или все переменные являются векторами.
Из приведенной выше формулы можно видеть, что сложное распределение по сути является частным случаем маргинального распределения : Совместное распределение и определяется как , а сложное распределение является его маргинальным распределением: . Если область определения дискретна, то распределение снова является частным случаем смешанного распределения .![{\displaystyle х}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ displaystyle \ theta }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ displaystyle p (x, \ theta) = p (x | \ theta) p (\ theta)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\textstyle p(x)=\int p(x,\theta)\operatorname {d} \!\theta }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ displaystyle \ theta }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Характеристики
Общий
Составное распределение будет зависеть от конкретного выражения каждого распределения, а также от того, какой параметр распределяется в соответствии с распределением , и параметры будут включать в себя любые параметры, которые не изолированы или не интегрированы. Поддержка такая же, как и у , и если последнее представляет собой двухпараметрическое распределение, параметризованное средним значением и дисперсией, существуют некоторые общие свойства.![{\displaystyle H}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle F}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle G}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle H}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle G}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle H}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle F}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Среднее и дисперсия
Первые два момента сложного распределения определяются законом полного ожидания и законом полной дисперсии :
![{\displaystyle \operatorname {E} _{H}[X]=\operatorname {E} _{G}{\bigl [}\operatorname {E} _{F}[X|\theta ]{\bigr ]} }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \operatorname {Var} _{H}(X)=\operatorname {E} _{G}{\bigl [}\operatorname {Var} _{F}(X|\theta ){\bigr ]} +\operatorname {Var} _{G}{\bigl (}\operatorname {E} _{F}[X|\theta ]{\bigr )}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Если среднее значение распределено как , которое, в свою очередь, имеет среднее значение и дисперсию , приведенные выше выражения подразумевают и , где – дисперсия .![{\displaystyle F}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle G}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mu }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \sigma ^{2}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \operatorname {E} _{H}[X]=\operatorname {E} _{G}[\theta ]=\mu }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \operatorname {Var} _{H}(X)=\operatorname {Var} _{F}(X|\theta)+\operatorname {Var} _{G}(Y)=\tau ^{2 }+\сигма ^{2}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \тау ^{2}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle F}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Доказательство
пусть и будут распределениями вероятностей, параметризованными средней дисперсией как![{\displaystyle F}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle G}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\begin{aligned}x&\sim {\mathcal {F}}(\theta,\tau ^{2})\\\theta &\sim {\mathcal {G}}(\mu,\sigma ^{2})\end{aligned}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ displaystyle f (x | \ theta) = p_ {F} (x | \ theta)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ displaystyle g (\ theta) = p_ {G} (\ theta)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ displaystyle h (x)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle H}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\begin{aligned}\operatorname {E} _{H}[X]=\int _{F}xh(x)dx&=\int _{F}x\int _{G}f(x |\theta )g(\theta )d\theta dx\\&=\int _{G}\int _{F}xf(x|\theta )dx\ g(\theta )d\theta \\&= \int _{G}\operatorname {E} _{F}[X|\theta ]g(\theta )d\theta \end{aligned}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\mathcal {F}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\mathcal {G}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\begin{aligned}\operatorname {E} _{F}[X|\theta ]&=\int _{F}xf(x|\theta )dx=\theta \\\operatorname {E} _{G}[\theta ]&=\int _{G}\theta g(\theta )d\theta =\mu \end{aligned}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \operatorname {E} _{H}[X]=\mu }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Дисперсия определяется выражением , и![{\displaystyle H}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \operatorname {E} _{H}[X^{2}]-(\operatorname {E} _{H}[X])^{2}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\begin{aligned}\operatorname {E} _{H}[X^{2}]=\int _{F}x^{2}h(x)dx&=\int _{F}x ^{2}\int _{G}f(x|\theta )g(\theta )d\theta dx\\&=\int _{G}g(\theta )\int _{F}x^{ 2}f(x|\theta )dx\ d\theta \\&=\int _{G}g(\theta )(\tau ^{2}+\theta ^{2})d\theta \\& =\tau ^{2}\int _{G}g(\theta )d\theta +\int _{G}g(\theta )\theta ^{2}d\theta \\&=\tau ^{ 2}+(\sigma ^{2}+\mu ^{2}),\end{aligned}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \int _{F}x^{2}f(x\mid \theta)dx=\operatorname {E} _{F}[X^{2}\mid \theta ]=\operatorname {Var} _{F}(X\mid \theta )+(\operatorname {E} _{F}[X\mid \theta ])^{2}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \int _{G}\theta ^{2}g(\theta)d\theta =\operatorname {E} _{G}[\theta ^{2}]=\operatorname {Var} _{G }(\theta )+(\operatorname {E} _{G}[\theta ])^{2}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\begin{aligned}\operatorname {Var} _{H}(X)&=\operatorname {E} _{H}[X^{2}]-(\operatorname {E} _{H} [X])^{2}\\&=\tau ^{2}+\sigma ^{2}\end{aligned}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Приложения
Тестирование
Распределения общей статистики теста представляют собой составные распределения при нулевой гипотезе, например, в t-критерии Стьюдента (где статистика теста представляет собой соотношение нормальной и случайной величины хи-квадрат ) или в F-тесте (где статистика теста представляет собой отношение двух случайных величин хи-квадрат ).
Моделирование сверхдисперсии
Сложные распределения полезны для моделирования результатов, демонстрирующих чрезмерную дисперсию , т. е. большую изменчивость, чем можно было бы ожидать в рамках определенной модели. Например, данные подсчета обычно моделируются с использованием распределения Пуассона , дисперсия которого равна его среднему значению. Распределение можно обобщить, допустив изменчивость его параметра скорости , реализованную через гамма-распределение , что приводит к предельному отрицательному биномиальному распределению . Это распределение по форме похоже на распределение Пуассона, но допускает большие дисперсии. Аналогичным образом, биномиальное распределение можно обобщить, чтобы обеспечить дополнительную вариативность, объединив его с бета-распределением для параметра вероятности успеха, что приводит к бета-биномиальному распределению .
Байесовский вывод
Помимо повсеместных маргинальных распределений, которые можно рассматривать как частные случаи составных распределений, в байесовском выводе сложные распределения возникают, когда в приведенных выше обозначениях F представляет распределение будущих наблюдений, а G — апостериорное распределение параметров F с учетом информацию в наборе наблюдаемых данных. Это дает апостериорное прогнозируемое распределение . Соответственно, для априорного прогнозируемого распределения F — это распределение новой точки данных, а G — априорное распределение параметров.
Свертка
Свертку распределений вероятностей (для получения распределения вероятностей сумм случайных величин) также можно рассматривать как частный случай наложения процентов; здесь распределение суммы по существу является результатом рассмотрения одного слагаемого как параметра случайного местоположения для другого слагаемого. [1]
Вычисление
Сложные распределения, полученные из экспоненциальных семейных распределений, часто имеют замкнутую форму. Если аналитическое интегрирование невозможно, могут потребоваться численные методы.
Распределение соединений можно относительно легко исследовать с помощью методов Монте-Карло , т. е. путем создания случайных выборок. Зачастую легко сгенерировать случайные числа из распределений, а затем использовать их для выполнения свернутой выборки Гиббса для создания выборок из .![{\ displaystyle p (\ theta)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ displaystyle p (x | \ theta)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ displaystyle p (x)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Сложное распределение обычно также может быть в достаточной степени аппроксимировано распределением смеси с использованием конечного числа компонентов смеси, что позволяет получить приблизительную плотность, функцию распределения и т. д. [1]
Оценка параметров ( оценка максимального правдоподобия или максимальная апостериорная оценка) в рамках составной модели распределения иногда может быть упрощена за счет использования EM-алгоритма . [2]
Примеры
- Смеси гауссовского масштаба : [3] [4]
- Соединение нормального распределения с дисперсией , распределенной в соответствии с обратным гамма-распределением (или, что то же самое, с точностью, распределенной как гамма-распределение ), дает нестандартизованное t-распределение Стьюдента . [5] Это распределение имеет ту же симметричную форму, что и нормальное распределение с той же центральной точкой, но имеет большую дисперсию и тяжелые хвосты .
- Соединение гауссова (или нормального) распределения с дисперсией, распределенной в соответствии с экспоненциальным распределением (или со стандартным отклонением в соответствии с распределением Рэлея ), дает распределение Лапласа . В более общем смысле, объединение гауссова (или нормального) распределения с дисперсией, распределенной в соответствии с гамма-распределением, дает гамма-распределение дисперсии .
- Соединение гауссова распределения с дисперсией, распределенной в соответствии с экспоненциальным распределением , параметр скорости которого сам распределяется в соответствии с гамма-распределением, дает нормально-экспоненциальное гамма-распределение . (Это включает в себя два этапа наложения процентов. Тогда сама дисперсия подчиняется распределению Ломакса ; см. ниже.)
- Соединение гауссова распределения со стандартным отклонением, распределенным в соответствии с (стандартным) обратным равномерным распределением, дает распределение Слэша .
- Соединение гауссовского (нормального) распределения с распределением Колмогорова дает логистическое распределение . [6] [3]
- другие гауссовы смеси :
- Составление распределения Бернулли с вероятностью успеха, распределенной в соответствии с распределением , имеющим определенное ожидаемое значение, дает распределение Бернулли с вероятностью успеха . Интересным следствием является то, что дисперсия не влияет на дисперсию результирующего распределения соединения.
![{\ displaystyle p}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle E[X]}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Соединение биномиального распределения с вероятностью успеха, распределенной в соответствии с бета-распределением, дает бета-биномиальное распределение . Он обладает тремя параметрами: параметром (количество выборок) из биномиального распределения, параметрами формы и бета-распределением. [7] [8]
![{\displaystyle \альфа }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \бета }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Соединение полиномиального распределения с вектором вероятности, распределенным в соответствии с распределением Дирихле, дает мультиномиальное распределение Дирихле .
- Соединение распределения Пуассона с параметром скорости , распределенным в соответствии с гамма-распределением, дает отрицательное биномиальное распределение . [9] [10]
- Соединение распределения Пуассона с параметром скорости, распределенным в соответствии с экспоненциальным распределением, дает геометрическое распределение .
- Соединение экспоненциального распределения с его параметром скорости , распределенным в соответствии с гамма-распределением, дает распределение Ломакса . [11]
- Соединение гамма-распределения с параметром обратного масштаба , распределенным в соответствии с другим гамма-распределением, дает трехпараметрическое простое бета-распределение . [12]
- Соединение полунормального распределения с его масштабным параметром , распределенным в соответствии с распределением Рэлея , дает экспоненциальное распределение . Это непосредственно следует из распределения Лапласа , полученного как смесь нормального масштаба; см. выше. Здесь также можно поменяться ролями условных и смешанных распределений; следовательно, составление распределения Рэлея с его масштабным параметром, распределенным в соответствии с полунормальным распределением, также дает экспоненциальное распределение .
- Гамма (k=2,θ) - распределенная случайная величина, масштабный параметр которой θ снова равномерно распределен, незначительно дает экспоненциальное распределение .
Похожие термины
Понятие «сложного распределения», используемое, например, в определении сложного распределения Пуассона или сложного процесса Пуассона , отличается от определения, найденного в этой статье. Смысл в этой статье соответствует тому, что используется, например, в байесовском иерархическом моделировании .
Особый случай составных распределений вероятностей, где параметризованным распределением является распределение Пуассона , также называется смешанным распределением Пуассона .![{\displaystyle F}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Смотрите также
Рекомендации
- ^ аб Рёвер, К.; Фриде, Т. (2017). «Дискретная аппроксимация распределения смеси посредством ограниченной расходимости». Журнал вычислительной и графической статистики . 26 (1): 217–222. arXiv : 1602.04060 . дои : 10.1080/10618600.2016.1276840 .
- ^ Гельман, А.; Карлин, Дж. Б.; Стерн, Х.; Рубин, Д.Б. (1997). «9.5 Поиск маргинальных задних мод с использованием ЭМ и связанных с ней алгоритмов ». Байесовский анализ данных (1-е изд.). Бока-Ратон: Чепмен и Холл / CRC. п. 276.
- ^ Аб Ли, SX; Маклахлан, Дж.Дж. (2019). «Распределение масштабной смеси». Wiley StatsRef: Интернет-справочник по статистике . дои : 10.1002/9781118445112.stat08201.
- ^ Гнейтинг, Т. (1997). «Смеси нормального масштаба и двойные плотности вероятности». Журнал статистических вычислений и моделирования . 59 (4): 375–384. дои : 10.1080/00949659708811867.
- ^ Настроение, AM; Грейбилл, ФА; Боес, округ Колумбия (1974). Введение в теорию статистики (3-е изд.). Нью-Йорк: МакГроу-Хилл.
- ^ Эндрюс, DF; Маллоуз, CL (1974), «Шкаловые смеси нормальных распределений», Журнал Королевского статистического общества, серия B , 36 (1): 99–102, doi : 10.1111/j.2517-6161.1974.tb00989.x
- ^ Джонсон, Нидерланды; Кемп, AW; Коц, С. (2005). «6.2.2». Одномерные дискретные распределения (3-е изд.). Нью-Йорк: Уайли. п. 253.
- ^ Гельман, А.; Карлин, Дж. Б.; Стерн, Х.; Дансон, Д.Б.; Вехтари, А.; Рубин, Д.Б. (2014). Байесовский анализ данных (3-е изд.). Бока-Ратон: Чепмен и Холл / CRC.
- ^ Лоулесс, Дж. Ф. (1987). «Отрицательная биномиальная и смешанная регрессия Пуассона». Канадский статистический журнал . 15 (3): 209–225. дои : 10.2307/3314912. JSTOR 3314912.
- ^ Тейх, MC; Диамент, П. (1989). «Умножьте стохастические представления для K-распределений и их преобразований Пуассона». Журнал Оптического общества Америки А. 6 (1): 80–91. Бибкод : 1989JOSAA...6...80T. CiteSeerX 10.1.1.64.596 . дои : 10.1364/JOSAA.6.000080.
- ^ Джонсон, Нидерланды; Коц, С.; Балакришнан, Н. (1994). «20 распределений Парето ». Непрерывные одномерные распределения . Том. 1 (2-е изд.). Нью-Йорк: Уайли. п. 573.
- ^ Дубей, SD (1970). «Соединенные гамма-, бета- и F-распределения». Метрика . 16 : 27–31. дои : 10.1007/BF02613934.
дальнейшее чтение
- Линдсей, Б.Г. (1995), Модели смесей: теория, геометрия и приложения , Серия региональных конференций NSF-CBMS по вероятности и статистике, том. 5, Хейворд, Калифорния, США: Институт математической статистики, стр. i–163, ISBN. 978-0-940600-32-4, JSTOR 4153184
- Зайдель, В. (2010), «Модели смесей», в Ловрике, М. (ред.), Международная энциклопедия статистических наук , Гейдельберг: Springer, стр. 827–829, номер документа : 10.1007/978-3-642-04898. -2_368, ISBN 978-3-642-04898-2
- Настроение, утро; Грейбилл, ФА; Боес, округ Колумбия (1974), «III.4.3 Заразные распределения и усеченные распределения », Введение в теорию статистики (3-е изд.), Нью-Йорк: McGraw-Hill, ISBN 978-0-07-042864-5
- Джонсон, Нидерланды; Кемп, AW; Коц, С. (2005), «8 распределений смесей », Одномерные дискретные распределения , Нью-Йорк: Wiley, ISBN 978-0-471-27246-5