应用多元统计分析教学幻灯片讲义.pptVIP

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 ; 在多元统计分析中涉及到的都是随机向量, 或是多个随机向量放在一起组成的随机矩阵. 本节有关随机向量的一些概念(联合分布,边缘分布,条件分布,独立性;X的均值向量,X的协差阵和相关阵,X与Y的协差阵)要求大家自已复习. 三﹑ 均值向量和协方差阵的性质 (1) 设X,Y为随机向量,A,B为常数阵,则 E(AX)=A·E(X) E(AXB)=A·E(X)·B ; D(AX)=A·D(X)·A COV(AX,BY)=A·COV(X,Y)·B (2) 若X,Y相互独立,则COV(X,Y)=O;反之不成立. 若COV(X,Y)=O,我们称X与Y不相关.故有: 两随机向量若相互独立,则必不相关; 两随机向量若不相关,则未必相互独立. (3) 随机向量X=(X1,X2,…,Xp)′的协差阵D(X)=?是对称非负定阵. 即 ?=?′ , ?′ ??≥0 (?为任给的p维常量). ;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;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