第一章多元正态分布..pptVIP

第一章 多元正态分布 目录 上页 下页 返回 结束 §1.1 多元分布的基本概念 §1.2 统计距离和马氏距离 §1.3 多元正态分布 §1.4 均值向量和协方差阵的估计 §1.5 常用分布及抽样分布 第一章 多元正态分布 一元正态分布在统计学的理论和实际应用中都有着重要的地位。同样，在多变量统计学中，多元正态分布也占有相当重要的位置。原因是： 许多随机向量确实遵从正态分布，或近似遵从正态分布； 对于多元正态分布，已有一整套统计推断方法，并且得到了许多完整的结果。 目录 上页 下页 返回 结束 第一章 多元正态分布 目录 上页 下页 返回 结束 §1.1多元分布的基本概念 目录 上页 下页 返回 结束 §1.1.1 随机向量 §1.1.2 分布函数与密度函数 §1.1.3 多元变量的独立性 §1.1.4 随机向量的数字特征 §1.1.1 随机向量 目录 上页 下页 返回 结束 目录 上页 下页 返回 结束 §1.1.1 随机向量 §1.1.1 随机向量 因此,样本资料矩阵可用矩阵语言表示为: 目录 上页 下页 返回 结束 若无特别说明，本书所称向量均指列向量 §1.1.2 分布函数与密度函数 描述随机变量的最基本工具是分布函数，类似地描述随机向量的最基本工具还是分布函数。 目录 上页 下页 返回 结束 多元分布函数的有关性质此处从略。 定义1.2 设 是以随机向量，它的多元分布 函数是 式中： §1.1.2 分布函数与密度函数 目录 上页 下页 返回 结束 §1.1.3 多元变量的独立性 目录 上页 下页 返回 结束 §1.1.4 随机向量的数字特征 目录 上页 下页 返回 结束 §1.1.4 随机向量的数字特征 目录 上页 下页 返回 结束 目录 上页 下页 返回 结束 §1.1.4 随机向量的数字特征 3、随机向量X 和Y 的协差阵 当A、B为常数矩阵时，由定义可推出协差阵有如下性质： 目录 上页 下页 返回 结束 §1.1.4 随机向量的数字特征 目录 上页 下页 返回 结束 §1.1.4 随机向量的数字特征 在数据处理时，为了克服由于指标的量纲不同对统计分析结果带来的影响，往往在使用某种统计分析方法之前，常需将每个指标“标准化”，即做如下变换 目录 上页 下页 返回 结束 §1.1.4 随机向量的数字特征 §1.2 统计距离和马氏距离 目录 上页 下页 返回 结束 欧氏距离 马氏距离 §1.2 统计距离和马氏距离 欧氏距离 在多指标统计分析中,距离的概念十分重要,样品间的不少特征都可用距离去描述。大部分多元方法是建立在简单的距离概念基础上的。即平时人们熟悉的欧氏距离,或称直线距离.如几何平面上的点p=(x1,x2)到原点O=(0,0)的欧氏距离,依勾股定理有 目录 上页 下页 返回 结束 §1.2 统计距离和马氏距离 但就大部分统计问题而言，欧氏距离是不能令人满意的。这里因为，每个坐标对欧氏距离的贡献是同等的。当坐标轴表示测量值时，它们往往带有大小不等的随机波动，在这种情况下，合理的办法是对坐标加权，使得变化较大的坐标比变化小的坐标有较小的权系数，这就产生了各种距离。 欧氏距离还有一个缺点，这就是当各个分量为不同性质的量时，“距离”的大小竟然与指标的单位有关。 目录 上页 下页 返回 结束 §1.2 统计距离和马氏距离 目录 上页 下页 返回 结束 §1.2 统计距离和马氏距离 目录 上页 下页 返回 结束 显然AB比CD要长。 结果CD反而比AB长！这显然是不够合理的。 §1.2 统计距离和马氏距离 目录 上页 下页 返回 结束 因此，有必要建立一种距离，这种距离要能够体现各个变量在变差大小上的不同，以及有时存在着的相关性，还要求距离与各变量所用的单位无关。看来我们选择的距离要依赖于样本方差和协方差。因此，采用“统计距离” 这个术语，以区别通常习惯用的欧氏距离。最常用的一种统计距离是印度统计学家马哈拉诺比斯（Mahalanobis）于1936年引入的距离，称为“马氏距离”。 §1.2 统计距离和马氏距离 目录