应用多元统计分析PPT.ppt

应用多元统计分析 ; 在多元统计分析中,多元正态分布占有相当重要的地位.这是因为许多实际问题涉及到的随机向量服从正态分布或近似服从正态分布;当样本量很大时,许多统计量的极限分布往往和正态分布有关;此外,对多元正态分布,理论与实践都比较成熟,已有一整套行之有效的统计推断方法.基于这些理由,我们在介绍多元统计分析的种种具体方法之前，首先介绍多元正态分布的定义、性质及多元正态分布中参数的估计问题.;第二章 多元正态分布及参数的估计 目 录; 本课程所讨论的是多变量总体.把p个随机变量放在一起得 X=(X1,X2,…,Xp)′ 为一个p维随机向量,如果同时对p维总体进行一次观测,得一个样品为 p 维数据.常把n个样品排成一个n×p矩阵,称为样本资料阵. ;第二章 多元正态分布及参数的估计 §2.1 随 机 向 量 ;第二章 多元正态分布及参数的估计 §2.1 随机向量—协差阵的性质;第二章 多元正态分布及参数的估计 §2.1 随机向量—协差阵的性质;第二章 多元正态分布及参数的估计 §2.1 随机向量—协差阵的性质; 在一元统计中，若U～N(0,1),则U的任意线性变换X=σU+μ～N(μ,σ2)。利用这一性质，可以从标准正态分布来定义一般正态分布： 若U～N(0,1),则称X =σU+μ的分布为一般正态分布,记为X ～N(μ, σ2 )。 此定义中，不必要求σ＞0,当σ退化为0时仍有意义。把这种新的定义方式推广到多元情况，可得出多元正态分布的第一种定义。 ; 定义2.2.1 设U=(U1,…,Uq)′为随机向量, U1,…,Uq相互独立且同N(0，1)分布；设μ为p维常数向量，A为p×q常数矩阵，则称X=AU + μ的分布为p维正态分布，或称X为p 维正态随机向量,记为X ～ Np(μ, AA′)。 简单地说，称q个相互独立的标准正态随机变量的一些线性组合构成的随机向量的分布为多元正态分布。 ;第二章 多元正态分布及参数的估计 §2.2 多元正态分布的性质1;第二章 多元正态分布及参数的估计§2.2 多元正态分布的性质1; 性质1 设U= (U1,…,Uq)′为随机向量, U1, …,Uq 相互独立且同 N(0,1)分布；令X=μ+AU,则X的特征函数为; 性质1的证明 ： 根据随机向量特征函数的定义和性质，经计算即可得出X的特征函数为 ΦX(t)= E(eit?X)= E(eit ?(AU+μ) );第二章 多元正态分布及参数的估计 §2.2 多元正态分布的性质1; 定义2.2.2 若p维随机向量X的特征函数为: ; 性质2 设X～Np(μ,Σ), B为s×p常数阵，d为s×1常向量，令Z=BX+d,则 Z～Ns(Bμ+d , BΣB? ). 该性质指出正态随机向量的任意线性组合仍为正态分布.;第二章 多元正态分布及参数的估计 §2.2 多元正态分布的性质2; Z=BX+d = B(AU+μ)+d; 推论 设X= ～Np(μ,Σ),将μ,Σ剖分为;证明：; 此推论指出，多元正态分布的边缘分布仍为正态分布。但反之，若随机向量的任何边缘分布均为正态分布，也不一定能导出该随机向量服从多元正态分布. 如例2.1.1,证明了X1,X2均为一元正态分布,但由(X1,X2) 联合密度函数的形式易见它不是二元正态.;第二章 多元正态分布及参数的估计 §2.2 多元正态分布性质2的推论;第二章 多元正态分布及参数的估计 §2.2 多元正态分布的定义与基本性质—简单例子;第二章 多元正态分布及参数的估计 §2.2 多元正态分布的定义与基本性质—简单例子;第二章 多元正态分布及参数的估计 §2.2 多元正态分布的定义与基本性质—简单例子;第二章 多元正态分布及参数的估计 §2.2 多元正态分布的定义与基本性质—简单例子; 性质3 若X～Np(μ,Σ),E(X)=μ,D(X)=Σ. 证明 因Σ≥0,Σ可分解为：Σ=AA′， 则由定义2.2.1可知 X = AU+μ (A为p×q实矩阵) 其中U=(U1,…,Uq)′,且U1,…,Uq相互独立同N(0，1)分布,故有 E(U )=0, D(U )=Iq .;第二章 多元正态分布及参数的估计 §2.2 多元正态分布的性质3; 性质4 设X=(X1,…,Xp)′为p维随机向量，则X服从