统计检验分析第三章第四章.ppt

example1 Mean standard deviation （STD,SD） 标准差 standard error of mean （SEM）标准误 mean±STD mean±SEM ? 样本标准差小,说明样本变量的分布比较密集在平均数附近,否则,表明样本的分布比较离散. 在抽样试验(或重复的等精度测量) 中, 常用到样本平均数的标准差,亦称样本平均数的标准误或简称标准误( standard error of mean) 平均数的误差实质上是样本平均数与总体平均数之间的相对误差. 标准差与标准误的区别 标准差是表示个体间变异大小的指标,反映了整个样本对样本平均数的离散程度,是数据精密度的衡量指标。 标准误反映样本平均数对总体平均数的变异程度,从而反映抽样误差的大小,是量度结果精密度的指标。 样本数越大，样本标准差趋于总体标准差；标准误越来越小，即样本平均数越接近总体平均数。可以适当增加N，减少SEM。 第3章 样本几何与随机抽样 一、样本几何 二、样本均值和协方差矩阵的期望值 三、广义样本方差 四、样本均值、协方差和相关系数的矩阵运算 五、线性组合的样本均值和协方差 一、样本几何 本章深入地研究描述性统计量：样本均值，样本协方差矩阵和样本相关矩阵的几何解释。 数据矩阵X可以看成是： p维空间的n个点组成，或 n维空间的p个向量组成 均值向量和偏差向量 定义n维坐标的平均向量1’=[1,1,..1]，该向量与各个坐标轴等角， 不改变偏差向量的方向和长度，移动到从原点开始 偏差向量的长度和夹角 偏差向量的长度的平方： 二、样本均值和协方差矩阵的期望值 随机样本的定义 样本均值的估计 样本协方差矩阵的估计 随机样本的定义 样本均值的估计 样本协方差矩阵的估计 求样本的协方差矩阵的期望 三、广义样本方差 无偏的样本协方差矩阵元素如下：包含p个方差和p(p-1)/2个协方差。 广义样本方差的几何意义 两个偏差向量d1，d2构成的平面如图所示 数学归纳法可证： 广义方差为零的情况 偏差矩阵中任意一个偏差向量位于其它偏差向量生成的平面中，则广义方差为零，即下面矩阵中各列线性相关。（退化） 标准化的广义样本方差|R| 改变所有偏差向量的比例，对每个观测值xjk用下式来替换 四、样本均值、协方差和相关系数的矩阵运算 已知观测矩阵X 利用计算机计算样本统计量： 五、线性组合的样本均值和协方差 两个随机样本的线性组合如下： 第4章 多元正态分布 一、多元正态密度及其性质 二、从多元正态分布抽样与极大似然估计 三、样本均值和样本协方差的抽样分布 四、样本均值和样本协方差的大样本特性 五、评估正态性假定 六、搜寻离群值及“清洁”数据 七、变换到接近正态性 一、多元正态密度及其性质 由于中心极限效应，不论母总体的类型，许多多元统计的抽样分布是近似正态的。 一元正态分布： 多元正态分布： 二元正态分布图 轮廓线（Contour）：p维正态密度产生一个等高的x值的路线为椭球面，即在x到μ的广义距离的平方为常数的所有x值，这些路线称为轮廓线。 x值的实心椭球满足下式的概率为1-α， 多元正态分布的性质 设X服从Np(μ, Σ)分布 X的分量的线性组合还是正态分布 a）线性组合如下， 多元正态分布的性质 设X服从Np(μ, Σ)分布 X的分量的所有子集是正态分布 例如把X分成两部分： 多元正态分布的性质 零协方差意味着分量是独立分布的 多元正态分布的性质 分量的条件分布是正态的 多元正态分布的性质 相互独立的分量的线性组合服从正态分布 二、从多元正态分布抽样和极大似然估计 多元正态似然：假定p*1向量X1，X2…Xn，是来自均值为μ，协方差矩阵为Σ的多元正态总体的随机样本，且相互独立，每个都服从Np(μ, Σ)分布，则它们的联合密度是边缘概率密度之积： 利用迹（对角线元素之和）的性质，把似然函数化简如下，用L表示似然函数： μ和Σ的极大似然估计 假定p*1向量X1，X2…Xn，是来自均值为μ，协方差矩阵为Σ的多元正态总体的随机样本， μ和Σ的极大似然估计量为： 极大似然估计量具有不变性 Example 2 叠加方法： 改进方法1 改进方法2 仿真结果 仿真结果 三、X和S的抽样分布 一元情况下： 设X1，X2…Xn，是来自一元正态总体（N(μ,σ2)）的随机样本，则 样本协方差矩阵的抽样分布以其发现者命名为威沙特分布（独立的多元正态随机样本的乘积之和）： 四、X和S的大样本特性 设X是由大量独立的原因V1,V2,..Vn确定，且Vi具有近似相同的变异性，设X= V1 + V2 ,.. + Vn，应用中心极限定理，无论Vi的母体分布如何，X的分布近似正态（n足够大）。 大数定理：设X1,X2…Xn来自任何均值为μ与非奇异协方差Σ