统计检验分析第三章第四章详解演示文稿.pptVIP

轮廓线（Contour）：p维正态密度产生一个等高的x值的路线为椭球面，即在x到μ的广义距离的平方为常数的所有x值，这些路线称为轮廓线。 例4-2，计算二元正态密度的轮廓线，其中 求解： 轴是由下面向量组成 当前第30页\共有61页\编于星期二\13点 x值的实心椭球满足下式的概率为1-α， 是自由度为p的卡方分布 概率为0.5和0.9的轮廓线如下： 当前第31页\共有61页\编于星期二\13点 多元正态分布的性质 设X服从Np(μ, Σ)分布 X的分量的线性组合还是正态分布 a）线性组合如下， 它服从如下分布 反之也成立 b）q个线性组合 它服从如下分布 当前第32页\共有61页\编于星期二\13点 多元正态分布的性质 设X服从Np(μ, Σ)分布 X的分量的所有子集是正态分布 例如把X分成两部分： 当前第33页\共有61页\编于星期二\13点 多元正态分布的性质 零协方差意味着分量是独立分布的 当前第34页\共有61页\编于星期二\13点 多元正态分布的性质 分量的条件分布是正态的 则X1的条件分布是正态的，并且均值和协方差为（假定X2=x2）： 当前第35页\共有61页\编于星期二\13点 多元正态分布的性质 相互独立的分量的线性组合服从正态分布 V1，V2的联合多元正态分布的协方差为： 如果b‘c=0则V1、V2相互独立 当前第36页\共有61页\编于星期二\13点 二、从多元正态分布抽样和极大似然估计 多元正态似然：假定p*1向量X1，X2…Xn，是来自均值为μ，协方差矩阵为Σ的多元正态总体的随机样本，且相互独立，每个都服从Np(μ, Σ)分布，则它们的联合密度是边缘概率密度之积： 对于观察值{x1，x2…xn}代入上式得到的函数称为似然函数，极大似然估计就是使得上式最大而估计的参数值。 当前第37页\共有61页\编于星期二\13点 利用迹（对角线元素之和）的性质，把似然函数化简如下，用L表示似然函数： 需要估计的参数为μ和Σ。 当前第38页\共有61页\编于星期二\13点 μ和Σ的极大似然估计 假定p*1向量X1，X2…Xn，是来自均值为μ，协方差矩阵为Σ的多元正态总体的随机样本， μ和Σ的极大似然估计量为： 观察值（抽样值）的 称为μ和Σ的极大似然估计值 估计出来的似然函数的极大值如下： 当前第39页\共有61页\编于星期二\13点 极大似然估计量具有不变性 即h(θ)函数的极大似然估计是由估计出来的h值给定的 充分统计量 设X1，X2…Xn，是来自均值为μ，协方差矩阵为Σ的多元正态总体的随机样本，则 即μ和Σ的信息都包含在S和 中。 当前第40页\共有61页\编于星期二\13点 Example 2 当前第41页\共有61页\编于星期二\13点 当前第42页\共有61页\编于星期二\13点 叠加方法： 当前第43页\共有61页\编于星期二\13点 统计检验分析第三章第四章详解演示文稿 当前第1页\共有61页\编于星期二\13点 优选统计检验分析第三章第四章 当前第2页\共有61页\编于星期二\13点 标准差与标准误的区别 标准差是表示个体间变异大小的指标,反映了整个样本对样本平均数的离散程度,是数据精密度的衡量指标。 标准误反映样本平均数对总体平均数的变异程度,从而反映抽样误差的大小,是量度结果精密度的指标。 样本数越大，样本标准差趋于总体标准差；标准误越来越小，即样本平均数越接近总体平均数。可以适当增加N，减少SEM。 当前第3页\共有61页\编于星期二\13点 第3章 样本几何与随机抽样 一、样本几何 二、样本均值和协方差矩阵的期望值 三、广义样本方差 四、样本均值、协方差和相关系数的矩阵运算 五、线性组合的样本均值和协方差 当前第4页\共有61页\编于星期二\13点 一、样本几何 本章深入地研究描述性统计量：样本均值，样本协方差矩阵和样本相关矩阵的几何解释。 P个变量（列） N个观测值（行） 当前第5页\共有61页\编于星期二\13点 数据矩阵X可以看成是： p维空间的n个点组成，或 n维空间的p个向量组成 当前第6页\共有61页\编于星期二\13点 例如矩阵 p维空间的n个点组成 n维空间的p个向量组成 当前第7页\共有61页\编于星期二\13点 均值向量和偏差向量 定义n维坐标的平均向量1’=[1,1,..1]，该向量与各个坐标轴等角， 为其单位向量，设 均值向量为： yi在单位1向量的投影为： 偏差向量为： 当前第8页\共有61页\编于星期二\13点 例题3-1分解下面矩阵为均值向量和偏差向量。 求解： 均值向量： 偏差向量： 当前第9页\共有61页\编于星期二\13点 不改变偏差向