[理学]第一章 多元正态分布.pptVIP

一元正态分布在统计学的理论和实际应用中都有着重要的地位。同样，在多变量统计学中，多元正态分布也占有相当重要的位置。原因是： 许多随机向量确实遵从正态分布，或近似遵从正态分布； 对于多元正态分布，已有一整套统计推断方法，并且得到了许多完整的结果。 §1.1多元分布的基本概念 §1.1.1 随机向量 因此,样本资料矩阵可用矩阵语言表示为: §1.1.2 分布函数与密度函数 §1.1.3 多元变量的独立性 §1.1.4 随机向量的数字特征 §1.2 统计距离和马氏距离 马氏距离 §1.3 多元正态分布 §1.3 多元正态分布 §1.3.1 多元正态分布的定义 §1.3.2 多元正态分布的性质 § 1.3.3 条件分布和独立性 例：制定服装标准，测得五个指标，分别为X1身高，X2胸围， X3腰围，X4上体上，X5臀围，它们服从 §1.4 均值向量和协方差阵的估计 目录 上页 下页 返回 结束 1、如果正态随机向量 的协方差阵∑是对角阵，则X的各分量是相互独立的随机变量。 容易验证， ，但 显然不是正态分布。 2、多元正态分布随机向量X的任何一个分量子集的分布（称为X的边缘分布）仍然遵从正态分布。而反之，若一个随机向量的任何边缘分布均为正态，并不能导出它是多元正态分布。 例如，设 有分布密度 联合正态 边缘正态 目录 上页 下页 返回 结束 4、若 ，则 若为定值，随着 的变化其轨迹为一椭球面，是 的密度函数的等值面.若 给定，则 为 到 的马氏距离。 m 3、多元正态向量 的任意线性变换仍然遵从多元正态分布。即设 ，而m维随机向量 ，其中 是 m×p阶的常数矩阵，b是m维的常向量。则m维随机向量Z也是正态的，且 。即Z遵从m元态分布，其均值向量为 ，协差阵为 。 ~ ~ 目录 上页 下页 返回 结束 我们希望求给定 的条件分布，即 的分布。下一个定理指出：正态分布的条件分布仍为正态分布。 设 p≥2,将X、μ和Σ剖分如下： 证明参见文献[3]。 目录 上页 下页 返回 结束 定理1.2 设 ，Σ0，则 先取 μ (1) μ (2) Σ11 Σ12 Σ21 Σ22 由定理1.2 往求 结论：已知一个人的上臂和臀围时，身高、胸围和腰围的条件方差大大缩小了，减少了误差 (1.28) 目录 上页 下页 返回 结束 定理1.3 设 ，Σ0，将X，μ，Σ剖分如下： 则 有如下的条件均值和条件协差阵的递推公式： (1.29) (1.30) 在定理1.2中，我们给出了对X、μ和Σ作形如(1.25)式剖分时条件协差阵 的表达式及其与非条件协差阵的关系，令 表示 的元素，则可以定义偏相关系数的概念如下： 定义1.6 当 给定时， 与 的偏相关系数为： 目录 上页 下页 返回 结束 目录 上页 下页 返回 结束 定理1.4 设 将X、μ、Σ按同样方式剖分为 其中， 上节已经给出了多元正态分布的定义和有关的性质,在实际问题中,通常可以假定被研究的对象是多元正态分布,但分布中的参数μ和Σ是未知的,一般的做法是通过样本来估计。 目录 上页 下页 返回 结束 均值向量的估计 在一般情况下,如果样本资料阵为： 目录 上页 下页 返回 结束 即均值向量μ的估计量,就是样本均值向量.这可由极大似然法推导出来。 目录 上页 下页 返回 结束 设样品 相互独立,同遵从于P元正态分布 ,而且 ,Σ0,则总体参数均值μ的估计量是 协方差阵的估计 总体参数协差阵Σ的极大似然估计是 目录 上页 下页 返回 结束 目录 上页 下页 返回 结束 其中L是离差阵，它是每一个样品（向量）与样本均值（向量）的离差积形成的