Distribuzione di Dirichlet

In teoria della probabilità la distribuzione di Dirichlet, spesso denotata con $\operatorname {Dir} ({\boldsymbol {\alpha }})$, è una distribuzione di probabilità continua, dipendente da un vettore di numeri reali positivi $\alpha$, che generalizza la variabile casuale Beta nel caso multivariato. Prende il nome dal matematico tedesco Peter Gustav Lejeune Dirichlet.

Ha come funzione di densità di probabilità

$f(x_{1},x_{2},\ldots ,x_{k}|\alpha _{1},\alpha _{2},\ldots ,\alpha _{k})={\frac {\Gamma (\alpha )}{\Gamma (\alpha _{1})\Gamma (\alpha _{2})\ldots \Gamma (\alpha _{k})}}x_{1}^{\alpha _{1}-1}x_{2}^{\alpha _{2}-1}\ldots x_{k}^{\alpha _{k}-1},$

dove $\alpha =\alpha _{1}+\alpha _{2}+\ldots +\alpha _{k}$ e $x_{1},\dots ,x_{k}$ sono numeri reali positivi tali che

$x_{1}+\cdots +x_{k}=1.$

Il suo valore atteso è

$E(X_{i})={\frac {\alpha _{i}}{\alpha }},$

la moda è

$x_{i}={\frac {\alpha _{i}-1}{\alpha -k}},\quad \alpha _{i}>1,$

mentre la varianza è

$Var(X_{i})={\frac {(\alpha -\alpha _{i})\alpha _{i}}{\alpha ^{2}(\alpha +1)}}.$

Inoltre, per ogni coppia $X_{i},X_{j}$ con $i\neq j$, si ha che la covarianza è

$Cov(X_{i},X_{j})=-{\frac {\alpha _{i}\alpha _{j}}{\alpha ^{2}(\alpha +1)}}.$

Teoremi

La distribuzione Beta come caso particolare

Se k=2, $X_{2}=1-X_{1}$, allora $X_{1}$ è distribuita come una variabile casuale Beta $Beta(\alpha _{1},\alpha _{2})$

La distribuzione di Dirichlet come prior coniugate della v.c.Multinomiale

Nell'ambito dell'inferenza bayesiana la variabile casuale di Dirichlet è una prior coniugate della variabile casuale multinomiale in quanto se si applica alla

$f(x_{1},x_{2},\ldots ,x_{k}|\theta _{1},\theta _{2},\ldots ,\theta _{k})=\operatorname {Multinomiale} _{k}(\theta _{1},\theta _{2},\ldots ,\theta _{k})$

una distribuzione a priori delle θ corrispondente ad una variabile casuale di Dirichlet

$g(\theta _{1},\theta _{2},\ldots ,\theta _{k})=\operatorname {Dir} _{k}(\alpha _{1},\alpha _{2},\ldots ,\alpha _{k})$

allora la distribuzione a posteriori delle θ è anch'essa una variabile casuale di Dirichlet, ma con i parametri incrementati dai valori osservati

$g(\theta _{1},\theta _{2},\ldots ,\theta _{k}|(x_{1},x_{2},\ldots ,x_{k})=\operatorname {Dir} _{k}(\alpha _{1}+x_{1},\alpha _{2}+x_{2},\ldots ,\alpha _{k}+x_{k})$

Questo teorema può essere visto come una generalizzazione multivariata dell'equivalente teorema univariato, che coinvolge variabile casuale binomiale al posto della multinomiale e la variabile casuale Beta al posto della Dirichlet.

Dalla Gamma (Erlang B) alla Dirichlet

Se si hanno k indipendenti variabili casuali distribuite ciascuna come una variabile casuale Gamma con un parametro comune a tutti e unitario e un parametro individualizzato (si tratta dunque di variabili casuali dette Erlang B, ciascuna con il proprio parametro)

$Y_{i}\sim \operatorname {Gamma} (1,\alpha _{i})$

definendo la loro somma come

$V=\sum _{i=1}^{k}Y_{i}\sim \operatorname {Gamma} (1,\sum _{i=1}^{k}\alpha _{i}),$

allora si ha che

$(X_{1},\ldots ,X_{k})=(Y_{1}/V,\ldots ,Y_{k}/V)\sim \operatorname {Dir_{k}} (\alpha _{1},\ldots ,\alpha _{k}).$

Altri progetti

Altri progetti

• Wikimedia Commons

• Wikimedia Commons contiene immagini o altri file su distribuzione di Dirichlet

Collegamenti esterni

• SciencesPo: pacchetto R che contiene funzioni per la simulazione di parametri della distribuzione Dirichlet.