多元正态分布(楷体字版)演示文件修改版.pptVIP

推论 q p?q q p?q 则 定理 设X=(X1, X2,???, Xp )T为p维随机向量，则 X服从p元正态分布?对任一p维实向量L，Y=LTX为一元正态分布的随机变量。 一元正态分布N(? , ?2)的概率密度函数为： 二元正态分布N(? , ?)的联合概率密度函数为： 其中 若X~Np(? , ?)，且? 0（正定），则X的联合概率密度函数为： 此时称X为非退化的p元正态分布。 当?不是正定矩阵时，称X为退化的p元正态随机向量，此时X没有分布密度函数。 定理 若X~Np(0 , ?)，且?0（正定），令?=XT??1X，则?~?2( p )，即自由度为p的卡方分布。 2. 边缘分布和条件分布 分块矩阵求逆公式： 记 若A和A11非奇异，则有： 分块矩阵求逆公式： 记 若A和A22非奇异，则有： 定理 q p?q q p?q 其中?11为q阶正定阵，?22为(p-q)阶正定阵，?21T=?12。记 则有： （1） （2） X(1)与X(2)相互独立? ?12=0； （3） X(2)与X(1)??12?22?1X(2)相互独立，且 X(1)??12?22?1X(2) ~ （4） 给定X(2)= x(2)时，X(1)具有条件分布 则有： （3） X(2)与X(1)??12?22?1X(2)相互独立，且 X(1)??12?22?1X(2) ~ （5） 同理X(1)与X(2)??21?11?1X(1)相互独立，且 X(2)??21?11?1X(1) ~ 则有： （4） 给定X(2)= x(2)时，X(1)具有条件分布 （6） 给定X(1)= x(1)时，X(2)具有条件分布 推论 设 y1~Np(?1, ?1)，y2~Nq(?2, ?2)，且 y1与 y2相互独立，则 推论 设 y1~Np(?1, ?1)，y2~Np(?2, ?2)，且 y1与 y2相互独立，则 推论 多元正态分布的随机向量的维数相同的子向量的任意线性组合仍为正态分布。 第一节 多元分布的概念 1. 定义 X1, X2,???, Xp 均为随机变量 X=( X1, X2,???, Xp )T= ---- p 维随机向量 其分布为p元分布：f (x1, x2,???, xp ) 随机向量： Xi j为随机变量, i=1, ???, p，j =1,???, n ---- p?n 阶随机矩阵 随机矩阵： 记 j=1,???, n i=1, ???, p 其分布为 f (x11, x21,???, xp1, x12, x22,???, xp2,???, x1n, x2n,???, xpn ) 2. 数字特征 X=(X1, X2,???, Xp )T ---- p维随机向量 Y=( Y1, Y2,???, Yq )T ---- q维随机向量 均值向量： （1） 随机向量的数字特征 X的(自)协方差矩阵： ----随机向量X的广义方差 或? X=(X1, X2,???, Xp )T ---- p维随机向量 Y=( Y1, Y2,???, Yq )T ---- q维随机向量 X与Y的互协方差矩阵： 结论： X=(X1, X2,???, Xp )T ---- p维随机向量 Y=( Y1, Y2,???, Yq )T ---- q维随机向量 X=(X1, X2,???, Xp )T ---- p维随机向量 X的相关矩阵： Xi与Xj的相关系数： X的特征函数： X=(X1, X2,???, Xp )T ---- p维随机向量 t =(t1, t2,???, tp )T （2） 随机矩阵的数字特征 均值矩阵： 特征函数： 性质： 10 A, B, C为常数矩阵，X, Y为随机矩阵，则 （1） （2） E(AXB+C)= AE(X )B+C； E(AX+BY)= AE(X )+BE(Y )。 性质： 20 A, B, C为常数矩阵，X, Y, U, V为随机向量，则 （1）E(AX )= （2）E(AXB)= （3）D(AX )= （4）Cov(X, Y )= （5）Cov(AX, BY )= AE(X )； AE(X )B； AD(X )AT； E(XYT ) ?[E(X )][E(Y )]T； ACov(X, Y )BT。 性质： 30 X为随机向量，?=D(X )=Cov(X, X )为其协方差矩阵，R为其相关矩阵，则?和R均为对称非负定矩阵。 3. 随机向量的分布 X=(X1, X2,???, Xp )T ---- p维随机向量 （1）