02 多元统计基础.ppt

在m2=2时， ∧近似为 F(2p,2(m1-p+1)) 为了了解三种差异究竟是由哪些商品引起的，对这四种商品做一元方差分析进行检验 协方差阵的检验 总体协方差检验判别总体均值的波动幅度是否显著 检验Σ=Σ0 n个来自p元正态分布的总体的样本， Korin导出L的极限分布和近似分布，并对小的n算出了表，当p≤10，n≤75 当p10，n75时，L近似于bF(f1,f2) 其中， 检验Σ1=Σ2=...=Σk 设有k个p元正态分布总体，Np(μ1,Σ1),...,Np(μk,Σk)，第k个样本总体为 全部样本单位数n=n1+n2+...+nk 统计量为： 当k,p,n不大且n1=n2=...=nk=n0时，查M的分位点 若k,p,n较大时，M近似服从bF(f1,f2) 其中 多元正态分布的参数估计 假定研究对象服从多元正态分布，但分布中的参数μ和Σ往往未知，需要通过样本指标对总体的参数进行估计 多元样本，从多元总体中随机抽取n个个体，若相互独立，且与总体同分布，则称为该总体的一个多元随机样本 每个个体称为一个样品，每个样品都是p维向量 多元样本中的每个样品，对p个指标的观测值往往是有相关关系的，但不同样品之间的观测值一定是相互独立的 多元分析所处理的多元样本观测数据一般都属于横截面数据，即同一时间不同空间上的数据 多元样本的数字特征 设 样本均值向量 样本离差阵 样本协差阵 μ和Σ的极大似然估计及基本性质 设有n个来自正态总体的样本，每个样品有p个观察指标，用极大似然法求出μ和Σ的估计量分别为： 为无偏、有效估计，和S/n一起为一致估计 样本均值向量分布 1.正态总体 2.非正态总体 中心极限定理，当样本容量n很大，且n相对于p也很大时，样本平均数近似于正态分布 样本离差阵S的分布 1928年统计学家Wishart 设 分别来自协方差阵相等的p维正态总体 则p×p维随机向量矩阵 的分布服从非中心Wishart分布，记为 其中， μa为非中心参数，当其为0时，称为中心Wishart分布，记为Wp(n,Σ) 当p=1时Σ=δ2，此时有W1(n,δ2)=δ2×卡方(n)，可见，Wishart分布是卡方分布在p维中的推广 Wishart分布基本性质： 1 样本离差阵 2 若 ，且相互独立，则 3 若 ， Cp×p为非奇异矩阵，则 多元正态总体的假设检验 在样本容量一定条件下，同时减少两类错误是不可能的 Neyman和E.Pearson提出一个原则，在控制犯第一类错误概率条件下，尽量使犯第二类错误的概率小，则原假设受到保护，不至于被轻易拒绝。一旦拒绝原假设则表明拒绝理由充分，如果接受则接受理由还不充分 只对第一类错误加以控制，而不关注第二类错误的假设检验称为显著性检验，犯第一类错误的概率称为显著性水平 单个多元正态总体均值向量的检验 1总体协方差Σ已知时， ，当 拒绝H0 2 总体协方差阵未知时 统计量T2是由多元统计先驱Hotelling提出的，通常称该统计量为HotellingT2统计量 p=1时，T2=t2，是t分布的多元推广 在显著性水平α下，若 则拒绝H0 霍特林（Hotelling）T2分布 定义：设X~Np(μ,Σ),S~Wp(n,Σ)，且X与S相互独立，n≥p，则统计量T2=nXTS-1X的分布为非中心霍特林T2分布，记为T2~T2(p,n,μ) 当μ=0时，称T2服从中心霍特林T2分布，记为T2~T2(p,n) 在一元统计中，若X1,X2,...,Xn来自总体N(μ,δ2)的样本，则统计量 把t平方有： 1.协方差矩阵Σ已知，均值向量的检验 H0：μ=μ0，H1：μ≠μ1 H0成立时，统计量 给定显著水平，查卡方分布表，按照 确定临界值 再由样本计算出T2值，若大于临界值，则拒绝H0，否则接受H1 2 协方差矩阵未知时，均值向量的检验 给定显著性水平，查F表，使得P{FFα}，确定临界值Fα；再由样本计算出F，若大于临界值，则拒绝H0，否则接受H1 例：对20名健康女性的汗液进行分析，测出汗液的三种成分：X1排汗量，X2钠含量，X3钾含量 数据如下： 序号 X1 X