矩阵与多元正态分布.ppt

多元统计分析的理论基础 一、矩阵 二、多元正态分布 一、矩阵基础知识 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： 零矩阵:矩阵中所有元素为零。 对角矩阵：除开主对角线上的元素外，其他元素皆为零的方阵。 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 1、矩阵加法和减法 例： 续例1：欲求每人、每科两次考试的总分数， 即把两个矩阵的对应元素相加。  2、矩阵乘法 （1）数乘运算： 续例1：求每人每科两次考试的平均成绩 （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 矩阵行列式 :矩阵 的行列式 为 。其中 ， 为除开第1行第j列元素后余下的矩阵行列式。 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 若A 为 n n 阶方阵， I 为 n n 阶单位阵。若算式 成立，则将 ＝ 称为方阵 A的特征值。 方程 称为特征方程。 如果 C 为非零向量，有AC= 或 则 C 称为方阵A的特征值对应的特征向量 例： 例：求出以下方阵的特征值和特征根 二、多元正态分布 （一）多元分布的基本概念 1、随机向量：设x1、x2、······xp为p个随机变量，由它们组成的向量X=(x1、x2、······xp)称为随机向量。 2、分布函数与密度函数: 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 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。 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