多元统计分析讲解.pptVIP

* 测试2--5（1分钟） 9 X1,X2,…,Xn是正态总体的一个样本，当σ2已知时，使用统计量（ ）做μ的区间估计。当σ2未知时，使用统计量（ ）做μ的区间估计。 A. B. C. D. 10 X=（ X1,X2,…,Xp ）～N(μ，Σ),则有下列性质成立（ ） A |Σ|0 B 如果Σ是对角矩阵，则 X1,X2,…,Xp相互独立 C 如果Y = AX + d ，则 Y～ N(Aμ+d，AΣAT) D 如果Y～N(μ’，Σ’), X与Y不相关,则 X与Y独立 * 测试2 参考答案 1 2 3 4 5 6 7 8 9 10 答案 * * 设AB是两事件，如果具有等式 P(AB)=P(A)P(B) 则称AB为相互独立的事件。 随机变量的独立性： X,Y是2个随机变量，如果 AB是任意两个事件，有 P(X∈A，Y∈B)=P(X∈ A)P(Y∈B) 则称X,Y相互独立。 独立的概念 * X,Y 相互独立的主要判定条件： f（X，Y）=f(X)× f(Y) X,Y 相互独立的判定 F（X，Y）=F(X)× F(Y) * 设X=（X1,X2,…Xp）′, 若EXi (i=1, …,p) 存在且有限,则称E(X)=(EX1,EX2,…EXp) ′为X的均值或数学期望。 容易推得均值具有以下性质： (1)E(AX+d) = AE(X) +d E(XB) = E(X)B (2)E(AXB) = AE(X)B E(AXB) = AE(XB)= AE(X)B (3)E(AX + BY) = AE(X) + BE(Y) 随机向量的均值 其中X、Y为随机变量，A、B为大小适合运算得常数矩阵。 * DX= E(X-EX)(X-EX)T =(σij )p×p 称为随机向量X的方差阵。 其中 σij =E（Xi - EXi）（Xj -EXj） Cov(X,Y)= E(X-EX)(Y-EY)T 称为随机向量X、Y的协差阵。 随机向量的协差阵 其实,我们可以看出 DX= Cov(X,X) * 若Cov(X,Y) = 0,则称X和Y不相关; 由X和Y相互独立易推得别 Cov(X,Y) = 0 即X和Y不相关; 随机向量的相关性 但反过来，当X和Y不相关时， 一般不能推知它们独立。 * 容易推得协差阵有以下性质： (1) D（X）≥0，即X的协差阵是非负定阵。特征值≥0 (2) 对于常数向量a，有D（ X + a ）=D（X）。 (3) 设A为常数矩阵，则D（AX）=AD（X）A′。 (4) Cov（AX，BY）=ACov（X，Y）B′。 协差阵性质 其中a，A，B为大小适合运算的常数向量和矩阵 * 若p维随机向量X=（X1,X2,…Xp）′的密度函数为： 其中X=（X1,X2,…Xp）′，μ是p维向量，Σ是p阶正定阵，则称X服从p元正态分布，也称X为p维正态随机向量，简记为，显然当p＝1时，即为一元正态分布密度函数。 § 2.2 基本性质 可以证明μ为X的均值，Σ为X的协差阵。 * 当|Σ|＝0时，Σ-1不存在; X 也就不存在通常意义下的密度; |Σ|＝0 这也是如今人们不大采用密度函数来定义多元正态分布的原因。 * X=（X1，X2，……，XP）～N(μ，Σ) (1) 如果Σ是对角矩阵，则 X1，X2，……，XP 相互独立 (2) Y = AX + d ～ N(Aμ+d，AΣAT) 多元正态分布性质 (3) Y1=（X1,X2,……,Xr），Y2=（Xr+1,Xr+2,……,XP）, X=（Y1,Y2）～N(μ,Σ) 则 Y1～N(μ(1)，Σ(1))，Y2～N(μ(2)，Σ(2)) * （1）多元正态分布的任何边缘分布为正态分布，但反之不真; （2）由于Σ12=Cov(X(1),X(2))，故 Σ12=0 表示X(1),X(2) 不相关; 对于多元正态变量而言,不相关与独立是等价的 由此可知，对于多元正态变量而言，X(1),X(2)的不相关与独立是等价的。 * 顺便指出，多元分析中的很多统计方法，大都假定数据来自多元正态总体。 但是要判断已有的一批数据是否来自多元正态总体，并不是一件简单的事。可是反过来要肯定数据不是来自多元正态总体，倒是有一些简单方法. 其依据是：如果X = (X1 , … , Xp )T服从p元正态分布，则它的每个分量必服从一元正态分布， 多元正态总体判定 因此把某个分量的n个样品值作成直方图，如果断定不呈正态分布，则就可以断定随机向量X =(X1 ,