《应用多元分析》第三版PPT(第二章节).pptVIP

比例单位变换 如x的分量是长度、重量、速度、费用和用时等，则变量的单位变换可表达为 其中 。 带有常数项的单位变换 例子 摄氏温度与华氏温度的换算公式：  F＝(C×9／5)＋32 ， C＝(F－32)×5／9 式中F——华氏温度，C——摄氏温度。 特点（1）的证明 x1,x2经单位变换后为y1,y2 ，即有 特点（2） 马氏距离是x和y经“标准化”之后的欧氏距离，即 其中 ，它们的均值 皆为0，协差阵皆为单位阵I。 特点（3） 若 ，则 即当各分量不相关时马氏距离即为各分量经标准化后的欧氏距离。 第二章 随机向量 §2.1 一元分布 §2.2 多元分布 §2.3 数字特征 §2.4 欧氏距离和马氏距离 §2.5 随机向量的变换 *§2.6 特征函数 §2.2 多元分布 一、多元概率分布 二、两个常用的离散型多元分布 三、多元概率密度函数 四、边缘分布 五、条件分布 六、独立性 一、多元概率分布 一个向量，若它的分量都是随机变量，则称之为随机向量。 随机变量x的分布函数： 随机向量 的分布函数： 三、多元概率密度函数 一元的情形： 多元的情形： 多元密度f (x1, ?,xp)的性质： 四、边缘分布 设x是p维随机向量，由它的q(p) 个分量组成的向量x(1)的分布称为x的关于x(1)的边缘分布。 不妨设 ，则对连续型的分布，有 五、条件分布 设 是p维连续型的随机向量，在给 定 的条件下， 的条件密度定义为 或表达为 六、独立性 两个连续型随机向量的独立 n个连续型随机向量的独立 在实际应用中，若随机向量之间的取值互不影响，则认为它们之间是相互独立的。 §2.3 数字特征 一、数学期望（均值） 二、协方差矩阵 三、相关矩阵 *四、广义方差 一、数学期望（均值） 随机向量 的数学期望 记为μ=(μ1,μ2,?,μp)′。 随机矩阵X=(xij)的数学期望 随机矩阵X的数学期望的性质 (1)设a为常数，则 E(aX)=aE(X) (2)设A,B,C为常数矩阵，则 E(AXB+C)=AE(X)B+C 特别地，对于随机向量x，有 E(Ax)=AE(x) (3)设X1,X2,?,Xn为n个同阶的随机矩阵，则 E(X1+X2+?+ Xn)=E(X1)+E(X2)+?+E(Xn) 二、协方差矩阵 随机变量x和y的协方差定义为 若Cov(x,y)=0，则称x和y不相关。 两个独立的随机变量必然不相关，但两个不相关的随机变量未必独立。 当x=y时，协方差即为方差，也就是 的协方差矩阵（简称协差阵）定义为 x和y的协方差矩阵与y和x的协差阵互为转置关系，即有 若Cov(x,y)=0，则称x和y不相关。 两个独立的随机向量必然不相关，但两个不相关的随机向量未必独立。 x=y时的协差阵Cov(x,x)称为x的协差阵，记作V(x)，即 V(x)亦记作Σ=(σij)，其中σij=Cov(xi,xj)。 协差阵Σ既包含了x各分量的方差，也包含了每两个分量之间的协方差。显然，Σ是一个对称矩阵。 例2.3.1 随机向量一分为二后，其协差阵分为四块： 其中，对角线块为子向量的协差阵，非对角线块为两个子向量之间的协差阵。熟悉这四块子矩阵的含义很有益处。 协差阵的性质 （1）协差阵是非负定阵，即Σ≥0。 推论 若|Σ|≠0，则Σ0。 （2）设A为常数矩阵，b为常数向量，则 当p=1时，上述等式就是我们熟知的如下等式： 例2.3.2 的分量之间存在线性关系（以概率1）。 在实际问题中，有时|Σ|=0，其原因是指标之间存在着线性关系，如某一指标是其他一些指标的汇总值，这在一般数据报表中是常出现的。我们通