第二章多元正态分布及参数的估计教材.ppt

三、Wishart分布 第四节 多元正态分布参数估计的实例与计算机实现 通过上面的理论分析知道，多元正态总体均值向量和协差阵的最大似然估计分别是样本均值向量和样本协差阵。利用SPSS软件可以迅速地计算出多元分布的样本均值向量、样本离差阵和样本协差阵。下面通过一个实例来说明多元正态分布参数估计的SPSS实现过程。 一、均值向量的估计 在SPSS中计算样本均值向量的步骤如下： 1. 选择菜单项Analyze→Descriptive Statistics→Descriptives，打开Descriptives对话框，如图2.1。 图2.1 Descriptives对话框 2. 单击Options按钮，打开Options子对话框，如图2.2所示。在对话框中选择Mean复选框，即计算样本均值向量。单击Continue按钮返回主对话框。 图2.2 Options子对话框 3. 单击OK按钮，执行操作。则在结果输出窗口中给出样本均值向量. 表2.2 样本均值向量 描述统计量 N 均值 x1 12 91.00 x2 12 83.00 x3 12 77.17 x4 12 80.75 x5 12 81.92 有效的 N （列表状态） 12 二、协差阵的估计 在SPSS中计算样本协差阵的步骤如下： 1. 选择菜单项Analyze→Correlate→Bivariate，打开Bivariate Correlations对话框，如图2.3。将变量移入右边的Variables列表框中。 图2.3 Bivariate Correlations对话框 2. 单击Options按钮，打开Options子对话框，如图2.4。选择Cross-product deviations and covariances复选框，即计算样本离差阵和样本协差阵。单击Continue按钮，返回主对话框。 图2.4 Options子对话框 3. 单击OK按钮，执行操作。则在结果输出窗口中给出相关分析表。表中Pearson Correlation给出皮尔逊相关系数矩阵，Sum of Squares and Cross-products给出样本离差阵，Covariance给出样本协差阵。 值得注意的是，这里给出的样本协差阵是A/(n-1) ，而不是A/n 。 定义2.5 ： 设 是p维连续型的随机向量，在给 定 的条件下， 的条件密度定义为： 或表达为 独立性 两个连续型随机向量的独立 n个连续型随机向量的独立 在实际应用中，若随机向量之间的取值互不影响，则认为它们之间是相互独立的。 三、随机向量的数字特征 协差阵Σ既包含了x各分量的方差，也包含了每两个分量之间的协方差。显然，Σ是一个对称矩阵。 例 :随机向量一分为二后，其协差阵分为四块： 其中，对角线块为子向量的协差阵，非对角线块为两个子向量之间的协差阵。 协差阵的性质 四、欧氏距离和马氏距离 （一）欧氏距离 之间的欧氏距离为 平方欧氏距离为 欧氏距离经变量的标准化之后能够消除各变量的单位或方差差异的影响，但不能消除变量之间相关性的影响，以致有时用欧氏距离显得不太合适。为此，我们引入一个由印度著名统计学家马哈拉诺比斯（Mahalanobis，1936年）提出的“马氏距离”的概念。 （二）马氏距离 之间的平方马氏 距离定义为 到总体π的平方马氏距离定义为 第二节 多元正态分布 一、多元正态分布的定义 例： 设x～N2(μ, Σ)，这里 易见，ρ是x1和 x2的相关系数。当|ρ|1时，可得x的概率密度函数为 二、多元正态分布的性质 4.设X～N p (μ, Σ), Σ0，则 5.设X～ N p (μ,Σ), Σ0，作如下剖分 则给定X2时X1的条件分布为 ，其中 μ1·2和Σ11·2分别是条件数学期望和条件协方差矩阵，Σ11·2通常称为偏协方差矩阵。 这一性质表明，对于多元正态变量，其子向量的条件分布仍是（多元）正态的。 例：设X～N3(μ,Σ)