矩阵和多元正态分布2.pptVIP

多元统计分析的理论基础;一、矩阵基础知识;一、矩阵形式及定义;如果矩阵的行数等于列数即n = p ，则该矩阵为方阵。 如果矩阵仅有1列，则该矩阵为列向量. 如果矩阵仅有1列，则该矩阵为行向量。;转置矩阵（ Transpose of a Matrix ）：将矩阵的行和列交换。 X、A、B的转置矩阵： 例：给定一个矩阵A， 矩阵A的转置矩阵是？？ ;其他特殊矩阵形式和定义：;对称矩阵—矩阵的转置和它本身相等的方阵。或主对角线外的元素关于主对角线对称。 单位矩阵：主对角线上元素皆为1的对角矩阵。 ;逆矩阵：对于一个方阵A，若有方阵 B 使得 AB=BA=I。则方阵 B 则为方阵 A的逆矩阵（或称方阵A 则为方阵 B的逆矩阵）。 矩阵的迹：方阵主对角线上元素之和。（注意：仅适用于方阵） 例：给定一个矩阵A， 求矩阵A的迹？ tr (A)= a + b ;二、矩阵运算;;（2）矩阵与矩阵相乘: ; ;（3）矩阵乘法的代数式 AB 不等于 BA. AB = 0 并不意味着 A= 0 or B = 0 若 A = 0 or B =0 则 AB = 0. ;三、矩阵行列式和逆矩阵;例: 例：;逆矩阵：对于一个方阵A，若有方阵 B 使得 AB=BA=I。则方阵 B 则为方阵 A的逆矩阵（或称方阵A 则为方阵 B的逆矩阵） ;二阶逆矩阵运算： 例： ;三、特征值与特征向量;例：;;例：求出以下方阵的特征值和特征根 ;;二、多元正态分布;例：口袋中有2白球3黑球, 有放回取两次，每次任取一球.设X为第一次得白球数, Y为第二次得白球数。 求(X,Y)的联合分布和边际分布。 ;3、多元变量的独立性 多元变量的联合分布等于各自分布的乘积，称p个随机向量X1、X2······Xp相互独立。 由X1、X2······Xp相互独立可以推出Xi、Xj独立(i, j不相等）。 Xi、Xj独立(i, j不相等），不能推出X1、X2······Xp相互独立;4、随机变量的数字特征 （1）随机向量的均值 （2）随机向量X的自协方差阵 （3）随机向量X和Y的协方差阵 （4）随机向量的X的相关阵;;;;例：益寿宁的降血脂效果 求均值向量和协方差阵、相关系数矩阵 ;相关系数矩阵＝？？;例：在一项实验中，测得大豆的周龄x(以周计)和平均高度y(厘米)的数据如下： 求两变量的协方差阵和相关系数阵。 ;（二）多元正态分布 1、定义（见书定义1.5） 2、性质 每一个变量均服从正态分布 变量的线性组合服从正态分布 m元正态分布中的任意k个变量服从k元正态分布 m元正态分布的条件分布仍服从正态分布 3、条件分布和独立性（见书P13）;（三）统计距离和马氏距离** 1、欧氏距离（直线距离） 定义 缺陷 标准化处理的必要 ;例：横轴 代表重量（单位：kg),纵轴 代表长度（单位：cm)。有四个点A,B,C,D,见图。 ;; 有两个正态总体 和 ，设有一个样本，其值在A处，点A距离哪个总体近些（样本来自哪个总体） ？;欧氏距离主要有以下两个缺点： ①距离的值与各指标的量纲有关。各指标计量单位的选择有一定的人为性和随意性，任何一个变量计量单位的改变都会使此距离的数值改变，从而使该距离的数值依赖于各变量计量单位的选择。 ②距离的定义没有考虑各个变量之间的相关性和重要性。他们把各个变量都同等看待，将两个样品在各个变量上的离差简单地进行了综合。 ;标准化的必要性： 当观测变量的单位不同或测量值范围相差很大时，应先对各变量的数据作标准化处理，然后用标准化后的数据进行样本间的比较。 标准化的优点：克服量纲的影响；考虑各个变量之间的相关性和重要性 ;标准化变换：;;2、统计距离－马氏距离 定义 优点 马氏距离的四条公理 ; ; 有两个正态总体 和 ，设有一个样本，其值在A处，点A距离哪个总体近些（样本来自哪个总体） ？;例: 假设有一个二维正态总体，它的分布为 ;(四)均值向量和协方差阵的估计** （见课件30－35页；书15－16页） (五)常用分布及抽样分布 （详见书：17－22页）;§1.5常用分布及抽样分布 ;§1.5 常用分布及抽样分布;§1.5.1 分布与Wishart分布;§1.5.2 分布与 分布;§1.5.3 中心 分布与Wilks分布; 由于Λ分布在多元统计中的重要性,关于它的近似分布和精确分布不断有学者进行研究,当和中的一个比