多元正态分布的参数估计课件.ppt

_多元正态分布的参数估计;§2.1 多元正态分布的定义;例1（二元正态分布 ）;二元正态分布的密度曲面图 ;二元正态分布等高线;二元正态分布的密度等高线族（由10000个二维随机数生成） ;§2.2 多元正态分布的性质;（4）设X~Np (μ, Σ)，则X的任何子向量也服从（多元）正态分布，其均值为μ的相应子向量，协方差矩阵为Σ的相应子矩阵。 该性质说明了多元正态分布的任何边缘分布仍为（多元）正态分布。 需注意，随机向量的任何边缘分布皆为（多元）正态分布未必表明该随机向量就服从多元正态分布。;正态变量的线性组合未必就是正态变量。 证明: 反证法。若命题 “一元正态变量X1,X2, ?,Xn的一切线性组合一定是一元正态变量” 成立，则由性质（2）知，X1,X2, ?,Xn的联合分布必为多元正态分布，于是命题“一元正态变量的联合分布必为多元正态分布”成立，从而矛盾。 ; ;则（i） ； （ii） ； （iii） 。 ;§2.2 多元正态分布的性质;则子向量X1和X2相互独立，当且仅当Σ12=0。 该性质指出，对于多元正态变量而言，其子向量之间互不相关和相互独立是等价的。 （7）设X~N p (μ, Σ), Σ0，则 例4 设X~N3(μ,Σ)，其中 则X2和X3不独立，X1和(X2,X3)独立。;（8）设X~N p (μ, Σ), Σ0，作如下剖分 则给定X2时X1的条件分布为 ，其中 μ1·2和Σ11·2分别是条件数学期望和条件协方差矩阵，Σ11·2通常称为偏协方差矩阵。;这一性质表明，对于多元正态变量，其子向量的条件分布仍是（多元）正态的。 例5 设X~N3(μ, Σ)，其中 试求给定X1+2X3时 的条件分布。;§2.3 复相关系数和偏相关系数 ;一、复相关系数; X1和X2的线性函数 间的最大相关系数称为 X1和X2间的复(或多重)相关系数(multiple correlation coefficient)，记作ρ1?2,?,p, 它度量了一个变量X1与一组变量X2, ?,Xp间的相关程度。 可推导出 例4 随机变量X1,?,Xp的任一线性函数F=l1X1+?+ lp Xp与X1,?,Xp的复相关系数为1。 证明: ;二、偏相关系数;给定X2时Xi 和Xj的偏相关系数（partial correlation coefficient）定义为: 其中 。 ρij?k+1,?,p度量了剔除Xk+1, ?,Xp的（线性）影响之后，Xi和Xj间相关关系的强弱。 对于多元正态变量X，由于Σ11?2也是条件协方差矩阵，故此时偏相关系数与条件相关系数是同一个值，从而ρij?k+1,?,p同时也度量了在Xk+1, ?,Xp值给定的条件下Xi和Xj间相关关系的强弱。 ;§2.4 极大似然估计及估计量的性质;设X~Np(μ, Σ) , Σ0，X1,X2, ?,Xn是从总体X中抽取的一个简单随机样本（今后简称为样本），即满足：X1,X2, ?,Xn独立，且与总体分布相同。 令 称之为（样本）数据矩阵或观测值矩阵。;一、样本X1,X2, ?,XN的联合概率密度;二、Μ和Σ的极大似然估计;三、相关系数的极大似然估计;1.简单相关系数;2.复相关系数;3.偏相关系数;§3.5 和(N ? 1)S2的抽样分布;一、 的抽样分布; ; ; ; ;二、均值向量与协差阵的最大似然估计 ; ; ; ; ;三、估计量的性质;充分统计量;第二种信息对了解该产品合格品率是没有什么帮助的。一般地，设我们对该产品进行n 次观测，得到 x1, x2,…, xn，每个xj 取值非0即1，合格为1，不合格为0。令 T = x1+…+xn ，T为观测到的合格品数。在这种场合仅仅记录使用T 不会丢失任何与合格品率 ? 有关的信息，统计上将这种“样本加工不损失信息”称为“充分性”。;统计量T =T (x1,x2,…,xn) 也有一个抽样分布F?T(t) ，这个分布包含了统计量T中一切有关?的信息. 当我们期望用统计量T 代替原始