资源描述
第三章多元正态分布,3.1多元正态分布的定义3.2多元正态分布的性质3.3复相关系数和偏相关系数3.4极大似然估计及估计量的性质3.5和(n1)S的抽样分布*3.6二次型分布,3.1多元正态分布的定义,一元正态分布N(,2)的概率密度函数为若随机向量的概率密度函数为则称x服从p元正态分布，记作xNp(,)，其中，参数和分别为x的均值和协差阵。,例3.1.1（二元正态分布）,设xN2(,)，这里易见，是x1和x2的相关系数。当|0)作如下的剖分：,则子向量x1和x2相互独立，当且仅当12=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xNp(,),0，则例3.2.5设xN3(,)，其中则x2和x3不独立，x1和(x2,x3)独立。*（8）略,*（9）略*（10）略（11）设xNp(,),0，作如下剖分则给定x2时x1的条件分布为，其中12和112分别是条件数学期望和条件协方差矩阵，112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3.2.7设xN3(,)，其中试求给定x1+2x3时的条件分布。,3.3复相关系数和偏相关系数,一、复相关系数二、偏相关系数,一、复相关系数,（简单）相关系数度量了一个随机变量x1与另一个随机变量x2之间线性关系的强弱。复相关系数度量了一个随机变量x1与一组随机变量x2,xp之间线性关系的强弱。将x,(0)剖分如下：,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(multiplecorrelationcoefficient)，记作12,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3.3.1随机变量x1,xp的任一线性函数F=l1x1+lpxp与x1,xp的复相关系数为1。证明,二、偏相关系数,将x,(0)剖分如下：称为给定x2时x1的偏协方差矩阵。记，称为偏协方差，它是剔除了的（线性）影响之后，xi和xj之间的协方差。,给定x2时xi和xj的偏相关系数（partialcorrelationcoefficient）定义为其中。ijk+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112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ijk+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。,3.4极大似然估计及估计量的性质,本课程第二章和第三章前三节的内容属概率论的范畴。从第三章3.4开始的内容属数理统计的范畴，特点是推断和分析从样本出发。一、样本x1,x2,xn的联合概率密度二、和的极大似然估计三、相关系数的极大似然估计四、估计量的性质,设xNp(,),0，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,极大似然估计是通过似然函数来求得的，似然函数可以是样本联合概率密度f(x1,x2,xn)的任意正常数倍，我们不妨取成相等，记为L(,)。可具体表达为：,二、和的极大似然估计,一元正态情形：多元正态情形：其中称为样本均值向量（简称为样本均值），称为样本离差矩阵。,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,1.简单相关系数,相关系数ij的极大似然估计为其中。称S为样本协方差矩阵、rij为样本相关系数、为样本相关矩阵。,2.复相关系数,将x,(0),S剖分如下：则复相关系数12,p的极大似然估计为r12,p,称之为样本复相关系数。其中,3.偏相关系数,将x,(0),S剖分如下：则偏相关系数ijk+1,p的极大似然估计为rijk+1,p，称之为样本偏相关系数，其中,。,四、估计量的性质,1.无偏性2.有效性3.一致性4.充分性,1.无偏性,设是未知参数（可以是一个向量或矩阵）的一个估计量，如果，则称估计量是被估参数的一个无偏估计，否则就称为有偏的。样本均值是总体均值的无偏估计，即有由于，故不是的无偏估计。若将该估计量稍加修正为则S将是的一个无偏估计，即有E(S)=。,3.5和(n1)S的抽样分布,一、的抽样分布二、(n1)S的抽样分布,一、的抽样分布,1.正态总体设xNp(,),0，x1,x2,xn是从总体x中抽取的一个样本，则2.非正态总体（中心极限定理）设x1,x2,xn是来自总体x的一个样本，和存在，则当n很大且n相对于p也很大时，上式近似地成立。,
展开阅读全文