第2章多元正态分布的参数估计.pptVIP

例如： * 4-* X1 X2 2、n个单位样本均值的方差，等于总体方差除以n。 从正态总体中，随机抽取的n个单位样本的均值的分布也呈正态分布。样本均值的抽样分布服从正态分布，即 * * 设样本资料可用矩阵表示： * * 一、多元样本的数字特征 （1）样本均值向量定义为 其中， * * （2）样本离差（叉积）阵定义为 * * * * 这里： （3）样本协差阵定义为： 这里， * * （4）样本相关阵定义为： 其中， * * 注意：样本均值向量和离差阵也可用样本资料阵 直接表示如下： * * 由于 * * 那么，样本协差阵根据叉积矩阵的性质有： 其中， * * 单位矩阵 二、均值向量与协差阵的最大似然估计 样本资料阵为 则可由最大似然法求出 和 的估计量。 * * 极大似然法是通过似然函数即样品的联合分布密度函数来求总体参数的估计量。 首先，构造似然函数（容量为n的独立随机样本的联合分布密度函数） * * （2.16） 在上式中，样本一旦抽定， 就是已知的常数向量，而只有总体均值向量 和 未知。因此，可将此式看作是 和 的似然函数。为了求出使此似然函数取极大值的 和 的值，将此似然函数的两边取对数： * * 因为对数函数是一个严格单调增函数，求 的极大值也就等价于求 的极大值，所以可以通过对 求极大值而等到 和 的估计量。根据矩阵的微分理论，由于对实对称矩阵 ，有 * * 所以，对（2.17）式求偏导 从而得到极大似然估计量分别为： * * 和 的估计量有如下基本性质： 1． ，即 是 的无偏估计； ，即 不是 的无偏估计， 而 ，即 是 的无偏估计； 2． ， 分别是 ， 的有效估计； 3． ， （或 ）分别是 ， 的一致估计。 * * 定理2.2 设 和 分别是正态总体 的样本均值向量和离差阵，则 1． ； 2.离差阵 可以写为 其中， 独立同分布于 ； 3． 和 相互独立； 4． 为正定阵的充要条件是 。 * * 三、Wishart分布 定义2.10 设 ， ， 且相互独立，则由 组成的随机矩阵： 的分布称为非中心Wishart分布，记为 * * * * 是否有错？ * * * * * * 【例2.2】对例2.1中的 求边缘密度函数。 解： 同理 * * 定义2.5 若p个随机变量 的联合分布等于各自的边缘分布的乘积，则称 是相互独立的。 （四）相互独立 * * * * 二、随机向量的数字特征 也可以表示为： （一）随机向量的数学期望 * * 定义2.6 设 ，均值（向量）具有以下性质： （1） （2） （3） 其中， 、 为随机向量， 、 为大小适合运算的常数矩阵。 定义2.7 设 ， ，称 为 的方差或协差阵，有时把 简记为 ， 简记为 ，从而有 * * （二）随机向量的方差阵和协差阵 称随机向量 和 的协差阵为 当 ，则为 ，称为 的自协差阵。 * * 若 ，则称 和 不相关，由 和 相互独立易推得 ，即 和 不相关；但反过来，当 和 不相关时，一般不能推知它们独立。 其中， 为零矩阵。 * * 当 、