多元统计分析多元正态分布参考.ppt

第二章 多元正态分布 第一节 基本概念 1、随机向量的概率分布 定义1、将P个随机变量X1，…，Xp的整体称为P维随机向量，记为 X=( X1，…， Xp )′ 多维随机向量的分布函数定义 定义2、设X=( X1，…， Xp )′是P维随机向量，它的分布函数定义为： F(x)=F ( x1,…,xp ) =P(X1 ≤x1, X2 ≤ x2 , …, Xp ≤ xp) 其中x= ( x1,…,xp )′属于P维欧氏空间。 离散型随机向量 定义3 设X=( X1，…， Xp )′是P维随机向量， 若存在有限个或可列个P 维列随机向量 x1, x2 …，记P（X= xk)=pk (k=1,2, …) 且满足p1+ p2+ …=1 则称X为离散型随机向量， 称P（X= xk)=pk (k=1,2, …)为X的概率分布。 连续型随机向量 设X=( X1，…， Xp )′是P维随机向量，若存在一个非负函数f( x1,…,xp ),使得对一切 x= ( x1,…,xp )′属于P维欧氏空间，有 F(x)=F ( x1,…,xp ) = 则称X为连续型随机向量，称f( x1,…,xp )为分布密度函数，简称密度函数。 边际分布 定义4 设X=( X1，…，Xp)′是P维随机向量， 称由它的q个分量组成的子向量 的分布为X的边际分布。 边际分布函数及边际密度函数 当X的分布函数是F( x1,…,xp )时， X(1）的分布函数为： F( x1,…,xq ) =P(X1≤x1,X2≤x2 ,…,Xq≤xq) =P(X1≤x1,X2≤x2 ,…,Xq≤xq,Xq+1≤+∝,…,Xp≤+∝) = F( x1,…,xq ,+∝, … ,+∝ ) 相互独立 定义5 若P个随机变量X1，…，Xp的联合分布等于各自的边际分布的乘积，则称X1，…，Xp是相互独立的。 2、随机向量的数字特征 （1）均值 定义6 设X=( X1，…， Xp )′若 E(Xi)(i=1,2,…，p)存在且有限，则称 E(X)=(E(X1), E(X2), …, E(Xp))′ 为X的均值(向量）或数学期望。 有时记为： 均值的性质 1、E(AX)=AE(X) 2、E(AXB)=AE(X)B 3、E(AX+BX)=AE(X)+BE(X) 其中：X，Y为随机向量， A，B为常数矩阵。 （2） X的方差或协方差矩阵 定义7 设X=( X1，…，Xp )′ 称 D(X)=E(X-E(X))(X-E(X))′ Cov(X1, X1) Cov(X1, X2) … Cov(X1, Xp) = Cov(X2, X1) Cov(X2, X2) … Cov(X2, Xp) … … Cov(Xp, X1) Cov(Xp, X2) … Cov(Xp, Xp) 为X的方差或协方差矩阵 X，Y的协方差矩阵 定义7 设X=( X1，…，Xp )′Y=( Y1，…，Yp )′称 Cov(X,Y)=E(X-E(X))(Y-E(Y))′ Cov(X1, Y1) Cov(X1, Y2) … Cov(X1, Yp) = Cov(X2, Y1) Cov(X2, Y2) … Cov(X2, Yp) … … Cov(Xp, Y1) Cov(Xp, Y2) … Cov(Xp, Yp) 为X，Y的协方差矩阵 （3）相关 随机向量X的相关矩阵为 r11 r12… r1p R= =(rij)p×p rp1 rp2 … rpp