多元正态分布培训教案.pptVIP

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。 第一章 多元正态分布 §1.1多元分布的基本概念 §1.1.1 随机向量 §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: §1.1.2 分布函数与密度函数 §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 §1.1.4 随机向量的数字特征 §1.1.4 随机向量的数字特征 §1.1.4 随机向量的数字特征 §1.1.4 随机向量的数字特征 §1.1.4 随机向量的数字特征 §1.2 统计距离和马氏距离 §1.2 统计距离和马氏距离 §1.2 统计距离和马氏距离 §1.2 统计距离和马氏距离 §1.2 统计距离和马氏距离 §1.2 统计距离和马氏距离 §1.2 统计距离和马氏距离 §1.2 统计距离和马氏距离 §1.2 统计距离和马氏距离 马氏距离 §1.2 统计距离和马氏距离 §1.3 多元正态分布 §1.3 多元正态分布 §1.3.1 多元正态分布的定义 §1.3.1 多元正态分布的定义 §1.3.2 多元正态分布的性质 § 1.3.2 多元正态分布的性质 § 1.3.3 条件分布和独立性 § 1.3.3 条件分布和独立性 § 1.3.3 条件分布和独立性 § 1.3.3 条件分布和独立性 § 1.3.3 条件分布和独立性 § 1.3.3 条件分布和独立性 §1.4 均值向量和协方差阵的估计 §1.4 均值向量和协方差阵的估计 §1.4 均值向量和协方差阵的估计 §1.4 均值向量和协方差阵的估计 §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 §1.5常用分布及抽样分布 目录 上页 下页 返回 结束 1、如果正态随机向量 的协方差阵∑是对角阵，则X的各分量是相互独立的随机变量。证明参见文献[4]，p.33。 容易验证， ，但 显然不是正态分布。 2、多元正态分布随机向量X的任何一个分量子集的分布（称为X的边缘分布）仍然遵从正态分布。而反之，若一个随机向量的任何边缘分布均为正态，并不能导出它是多元正态分布。 例如，设 有分布密度 目录 上页 下页 返回 结束 4、若 ，则 若为定值，随着 的变化其轨迹为一椭球面，是 的密度函数的等值面.若 给定，则 为 到 的马氏距离。 m 3、多元正态向量 的任意线性变换仍然遵从多元正态分布。即设 ，而m维随机向量 ，其中 是 m×p阶的常数矩阵，b是m维的常向量。则m维随机向量Z也是正态的，且 。即Z遵从m元态分布，其均值向量为 ，协差阵为 。 目录 上页 下页 返回 结束 我们希望求给定 的条件分布，即 的分布。下一个定理指出：正态分布的条件分布仍为正态分布。 设 p≥2,将X、μ和Σ剖分如下： 证明参见文献[3]。 目录 上页 下页 返回 结束 定理1.2：设 ，Σ0，则 (1.28) 目录 上页 下页 返回 结束 定理1.3：设 ，Σ0，将X，μ，Σ剖分如下： 则 有如下的条件均值和条件协差阵的递推公式： (1.29) (1.30) 其中 ， 证明参见[3] 目录 上页 下页 返回 结束 在定理1.2中，我们给出了对X、μ和Σ作形如(1.25)式剖分时条件协差阵 的表达式及其与非条件协差阵的关系，令 表示 的元素，则可以定义偏相关系数的概念如下： 定义1.6：当 给定时， 与 的偏相关系数为： 目录 上页 下页 返回 结束 目录 上页 下页 返回 结束 定理1.4：设 将X、μ、Σ按同样方式剖分为 其中，