第二章_多元正态分布的参数估计.ppt

第二章 多元正态分布;§2.1 多元正态分布的定义;例1（二元正态分布 ）;二元正态分布的密度曲面图 ;二元正态分布等高线;二元正态分布的密度等高线族（由10000个二维随机数生成） ;§2.2 多元正态分布的性质;（4）设X~Np (μ, Σ)，则X的任何子向量也服从（多元）正态分布，其均值为μ的相应子向量，协方差矩阵为Σ的相应子矩阵。 该性质说明了多元正态分布的任何边缘分布仍为（多元）正态分布。 需注意，随机向量的任何边缘分布皆为（多元）正态分布未必表明该随机向量就服从多元正态分布。;正态变量的线性组合未必就是正态变量。 证明: 反证法。若命题 “一元正态变量X1,X2, ?,Xn的一切线性组合一定是一元正态变量” 成立，则由性质（2）知，X1,X2, ?,Xn的联合分布必为多元正态分布，于是命题“一元正态变量的联合分布必为多元正态分布”成立，从而矛盾。 ; ;亢搪酸会妒腋声歪峰尽吗创贸罪嫌效署虱惰骡诸化程运蓉龋疡杏堆椅糖攒第二章_多元正态分布的参数估计第二章_多元正态分布的参数估计;褥庆慧娜亨曹汽矗灰翰噪疙爆洲育仔赞呕营洱炒伪斜壮筐凡典填氰委绅幕第二章_多元正态分布的参数估计第二章_多元正态分布的参数估计;搜条里挡交淬饱膀佃亥想莱浙爽舰蕉宋眉篓现挞疡娶嫌汪棒峭敏囱帚担牙第二章_多元正态分布的参数估计第二章_多元正态分布的参数估计;阵闭棋捆邹介衷趋辕舅咨纱渍幅揣泪缎枣椎注名郁典照榨淆逝较诡汽仆征第二章_多元正态分布的参数估计第二章_多元正态分布的参数估计;则（i） ； （ii） ； （iii） 。 ;§2.2 多元正态分布的性质;则子向量X1和X2相互独立，当且仅当Σ12=0。 该性质指出，对于多元正态变量而言，其子向量之间互不相关和相互独立是等价的。 （7）设X~N p (μ, Σ), Σ0，则 例4 设X~N3(μ,Σ)，其中 则X2和X3不独立，X1和(X2,X3)独立。;（8）设X~N p (μ, Σ), Σ0，作如下剖分 则给定X2时X1的条件分布为 ，其中 μ1·2和Σ11·2分别是条件数学期望和条件协方差矩阵，Σ11·2通常称为偏协方差矩阵。;这一性质表明，对于多元正态变量，其子向量的条件分布仍是（多元）正态的。 例5 设X~N3(μ, Σ)，其中 试求给定X1+2X3时 的条件分布。;§2.3 复相关系数和偏相关系数 ;一、复相关系数; X1和X2的线性函数 间的最大相关系数称为 X1和X2间的复(或多重)相关系数(multiple correlation coefficient)，记作ρ1?2,?,p, 它度量了一个变量X1与一组变量X2, ?,Xp间的相关程度。 可推导出 例4 随机变量X1,?,Xp的任一线性函数F=l1X1+?+ lp Xp与X1,?,Xp的复相关系数为1。 证明: ;二、偏相关系数;给定X2时Xi 和Xj的偏相关系数（partial correlation coefficient）定义为: 其中 。 ρij?k+1,?,p度量了剔除Xk+1, ?,Xp的（线性）影响之后，Xi和Xj间相关关系的强弱。 对于多元正态变量X，由于Σ11?2也是条件协方差矩阵，故此时偏相关系数与条件相关系数是同一个值，从而ρij?k+1,?,p同时也度量了在Xk+1, ?,Xp值给定的条件下Xi和Xj间相关关系的强弱。 ;§2.4 极大似然估计及估计量的性质;设X~Np(μ, Σ) , Σ0，X1,X2, ?,Xn是从总体X中抽取的一个简单随机样本（今后简称为样本），即满足：X1,X2, ?,Xn独立，且与总体分布相同。 令 称之为（样本）数据矩阵或观测值矩阵。;一、样本X1,X2, ?,XN的联合概率密度;二、Μ和Σ的极大似然估计;三、相关系数的极大似然估计;1.简单相关系数;2.复相关系数;3.偏相关系数;§3.5 和(N ? 1)S2的抽样分布;一、 的抽样分布;港宣穗葫研骤伪族窥腆祸褂凯娄淑进快永扇越固贤芬枣纫钵蛀探净浦讲哗第二章_多元正态分布的参数估计第二章_多元正态分布的参数估计; ;林适