多元正态分布及参数的估计_.pptVIP

第二章 多元正态分布及参数的估计 主要内容 一、拉直运算和克罗内克(Kronecker)积 1. 拉直运算 所谓拉直运算，就是将矩阵拉成一个长向量，通过它来建立矩阵和向量之间的联系。设随机矩阵 X 是一个n×p矩阵，用X 的列向量 X1,X2,…,Xp 组成一个np维向量，记为 符号“Vec”称为拉直运算。如果将矩阵 X 的行向量（样品）拉直为一个np维向量，用拉直运算的符号可记为 在多元统计分析中，经常需要考虑对称矩阵的拉直运算。设 S 是 p 阶对称矩阵，在 S 矩阵中包含 p(p+1)/2 个不同的随机变量，故将其拉直为 p2 维向量是不合适的，应拉成p(p+1)/2 维向量。设 S=(Sij)p×p 为 p 阶对称矩阵，令 为 p(p+1)/2 维向量。符号“Svec”称为对称矩阵的拉直运算。 2. 克罗内克积 设 A=(aij) 和 B 分别为 n×p 和 m×q 的矩阵，A 和 B 的克罗内克积 A B定义为 它是 mn×pq 矩阵。在多元统计分析中克罗内克积又称矩阵的直积，是一个有用的工具。在下面的讨论中将用到矩阵的直积的一些性质（见参考文献[1]）。 二、随机阵的正态分布 设 为来自 p 元正态总体 的随机样本（独立同分布），记随机阵 X=(xij)n×p，利用拉直 运算及矩阵的直积的定义和性质，可知 事实上，np 维长向量 的联合密度函数为 由矩阵的直积的定义，np 维随机向量 的均值向量和 协方差阵分别为 当随机阵 X 按行拉直后，如果有 则称 X 服从矩阵正态分布，记作 其中 即 其中 随机矩阵正态分布有如下有用的性质： 设 ，A为 k×n 常数矩阵，B 为 q×p 常数矩阵，D 为 k×q 常数矩阵，令 ，则 § 2.5 多元正态分布的参数估计 考虑 p 元正态总体X~Np(? , ∑）,设 (i=1,…,p)为 p 元正态总体 X 的简单随机样本，此时观测数据阵 是一个随机阵。 本节讨论参数 ? 和 ∑ 的最大似然估计及其性质。 一、多元正态总体样本的数字特征 对于多元统计分析，我们引入以下多元正态总体样本的相关量。 （1）样本均值向量 : 其中 （2）样本离差阵（又称交叉乘积阵）A： 其中 * * 1 随机向量 2 多元正态分布的定义与基本性质 3 4 www,378700000.com 条件分布和独立性 随机阵的正态分布 5 多元正态分布的参数估计 § 2.1 随机向量 把 p 个随机变量放在一起得 X=(X1,X2,…,Xp)′ 为一个p维随机向量,如果同时对p个变量作一次观察,得观测值: ,它是一个样品.观测 n 次得 n 个样品: ,而 n 个样品就构成一个样本. 常把n个样品排成一个n×p矩阵,称为样本数据阵(或样本资源阵),记为: 矩阵 X 的第 i 行: 表示对第 i 样品的观测值,在具体观测之前,它是一个p维的随机向量.矩阵X的第 j 列 或 def (X1,X2,…,Xp) 表示对第 j 个变量的 n 次观测,在具体观测之前,它是一个 n 维随机向量;而样本数据阵 X 是一个随机阵. 在多元统计分析中涉及到的都是随机向量,或是多个随机向量放在一起组成的随机阵. X 一、随机向量的联合分布,边缘分布,条件分布 1. 联合分布 设X=(X1,X2,…,Xp)′是 p 维随机向量,称 p 元函数 为X的联合分布函数. 若存在非负函数 f (x1,x2,…,xp),使得随机向量X的联合分布函数对一切(x1,x2,…,xp)∈ 均可表示为 则称X为连续型随机向量,称f(x1,x2,…,xp),为X的联合概率密度函数,简称为多元密度函数或密度函数. 多元密度函数f(x1,x2,…,xp),满足以下两条性质: 2. 边缘分布 称随机向量X的部分分量 的分布为 边缘分布. 设X(1) 为 r 维随机向量, X(2)为 p-r 维随机向量.若 p 维随机向量 ,则X(1) 的边缘分布为 则X(