Základní mnohorozměrná rozdělení

Abstract

Práce studuje základní diskrétní i spojitá mnohorozměrná rozdělení, která hrají důležitou úlohu ve statistické analýze modelů v různých aplikovaných oblastech. Zaměřuje se především na jejich odvození užitím různých technik, pomocí nichž jsou jednorozměrná rozdělení zobecněna do více dimenzí. V úvodu je definováno mnohorozměrné normální rozdělení a poté se práce zabývá rozděleními, která vznikají přímým zobecněním rozdělení jednorozměrných. Jsou to mnohorozměrné log-normální, mnohorozměrné Studentovo, mnohorozměrné Paretovo, Dirichletovo a multinomické rozdělení. Dále přiblíží techniku společných komponent, pomocí níž vzniká mnohorozměrné Poissonovo a mnohorozměrné gama rozdělení. V poslední části se seznámíme s mnohorozměrným exponenciálním rozdělením, které vzniká technikou stochastického zobecnění.

The thesis deals with the basic discrete and continuous multivariate distributions, which play an important role in statistical analyses of models in applied fields. It focuses mainly on the derivation of these distributions using various techniques by which univariate distributions are generalized to higher dimensions. At the beginning of the thesis the multivariate normal distribution is defined, than it deals with distributions that are derived by direct generalization of univariate distributions. These are multivariate log-normal, multivariate Student's, multivariate Pareto, Dirichlet, and multinomial distributions. Furthermore it describes a common components method by which a multivariate Poisson distribution and a multivariate gamma distribution are derived. In the last chapter we introduce a multivariate exponential distribution derived by a stochastic generalization technique.