第1章 多元正态分布的参数估计

正态分布的基本特性和参数估计

正态分布，也称为高斯分布，是统计学中最为重要的分布之一。它具有许多独特的特性和应用，被广泛应用于各个领域的数据分析和建模中。本文将介绍正态分布的基本特性，并探讨参数估计的方法。

一、正态分布的基本特性

1. 对称性：正态分布是一种对称分布，其概率密度函数在均值处取得峰值，并向两侧逐渐减小。这种对称性使得正态分布在实际应用中具有很大的优势，能够较好地描述许多自然现象和随机变量的分布。

2. 峰度和偏度：正态分布的峰度和偏度分别为3和0。峰度反映了分布的尖锐程度，而偏度则反映了分布的对称性。正态分布的峰度为3，表示其相对于均匀分布而言具有更为尖锐的峰值。而偏度为0，表示其对称性较好，左右两侧的分布相似。

3. 68-95-99.7法则：正态分布具有一个重要的特性，即约68%的数据落在均值的一个标准差范围内，约95%的数据落在两个标准差范围内，约99.7%的数据落在三个标准差范围内。这个法则在实际应用中非常有用，可以帮助我们对数据进行初步的分析和判断。

二、参数估计的方法

在实际应用中，我们常常需要根据给定的样本数据来估计正态分布的参数，包括均值和标准差。以下介绍两种常用的参数估计方法。

1. 极大似然估计：极大似然估计是一种常用的参数估计方法，其基本思想是找到最有可能使得观测到的样本数据出现的参数值。对于正态分布，我们可以通过最大化似然函数来估计均值和标准差。具体的计算方法可以使用数值优化算法，如梯度下降法等。 2. 方法 of moments：方法 of moments（矩估计）是另一种常用的参数估计方法，其基本思想是通过样本矩与理论矩的对应关系来估计参数。对于正态分布，我们可以通过样本均值和样本方差来估计均值和标准差。具体的计算方法比较简单，只需要求解一组方程即可。

三、正态分布的应用

正态分布在实际应用中具有广泛的应用价值。以下列举几个常见的应用场景。

1. 统计推断：正态分布是统计推断中的重要工具，它可以用来进行假设检验、置信区间估计等。通过对样本数据的分析，我们可以利用正态分布的性质对总体参数进行估计和推断。

多元统计分析部分章节知识点以及习题总结

§1

多元统计分析课堂讲题选择

§1.1第二章

:

课后习题

2-3(1)、

2-3(2)、

2-6(1)、

2-6(2)、

2-7（

(1),(3),(5)）、

2-13(1);课外补充题中的

1,4(1)、

4(2)、

9;

§1.2第三章

课后习题

3-6；课外补充题：总结一下单总体、两总体、多总体均值向量假设检验时不同情

形下的统计量选取（作业题）。课外补充题中的

1，

2，

3，

4，

5.

§1.3第五章

5-2，

5-4(2)；课外补充题：

2，

3，

4，

11.

§1.4第六章

课后题

6-3；课外补充题：

1；

§1.5第七章

课后题

7-2(1)，

7-2(3)，

7-5；课外补充题：

3；

§2

多元统计分析简介

知识要点：

•Kendall在《多元分析》一书中将多元统计分析研究内容和方法分为哪些？对应教材那些章

节？

•多元统计分析的起源：

20C初

,1988年

,Wishart发表论文《多元总体样本协方差正的精确分

布》代表了多元统计分析的开端。

•20世纪，多元统计分析的主要代表人物有哪些？

•多元统计数据有哪些主要的图表示法？

1§3

多元正态分布及其参数估计

知识要点：

2.1随机向量

–分布，边缘分布，独立性定义；

–数字特征：均值向量，协方差阵，相关阵的定义和计算；

–数字特征的性质：性质

1–性质

4（掌握内容，会用）。

2.2多元正态分布的定义和性质

–定义

2.2.1

–性质

2及其推论，（会根据性质

2证明其推论），这两个结论说明了什么？

–多元正态分布的密度函数（性质

5）。

2.3条件分布和独立性

–定理

2.3.1及其推论，掌握会用！

–了解条件分布。

2.4-2.5多元正态分布的参数估计

–掌握多元正态总体的数字特征

:样本均值、样本离差阵、样本协方差阵样本相关阵（掌

握会计算）。

–掌握定理

2.5.1和定理

2.5.2的内容。会求

µ和

Σ的极大似然估计，无偏估计。知道均值向

量的分布。

§3.1课堂讲题

:

课后习题

2-3(1)、

2-3(2)、

2-6(1)、

2-6(2)、

1 练习二 多元正态分布的参数估计

2.1.试叙述多元联合分布和边际分布之间的关系。

解：多元联合分布讨论多个随机变量联合到一起的概率分布状况，12(,,)pXXXX的联合分布密度函数是一个p维的函数，而边际分布讨论是12(,,)pXXXX的子向量的概率分布，其概率密度函数的维数小于p。

2.2设二维随机向量12()XX服从二元正态分布，写出其联合分布。

解：设12()XX的均值向量为12μ，协方差矩阵为21122212，则其联合分布密度函数为

1/212221121122221221211()exp()()22fxxμxμ。

2.3已知随机向量12()XX的联合密度函数为

121212222[()()()()2()()](,)()()dcxabaxcxaxcfxxbadc

其中1axb，2cxd。求

（1）随机变量1X和2X的边缘密度函数、均值和方差；

（2）随机变量1X和2X的协方差和相关系数；

（3）判断1X和2X是否相互独立。

2

（1）解：随机变量1X和2X的边缘密度函数、均值和方差；

112121222[()()()()2()()]()()()dxcdcxabaxcxaxcfxdxbadc

12212222222()()2[()()2()()]()()()()ddccdcxaxbaxcxaxcdxbadcbadc

121222202()()2[()2()]()()()()ddccdcxaxbatxatdtbadcbadc

22121222202()()[()2()]1()()()()dcdcdcxaxbatxatbadcbadcba

1

第一章 多元正态分布的参数估计

一、填空题

1.设X、Y为两个随机向量，对一切的u、v，有)v(p)u(p)uv(p，则称X与Y相互独立。

2.多元分析处理的数据一般都属于 横截面 数据。

3．多元正态向量p,,1的协方差阵是 对角阵 ，则X的各分量是相互独立的随机变量。

4．一个p元函数pxxxf,,,21能作为pR中某个随机向量的密度函数的主要条

件是

p'p21p21R)x,,x,x(,0)x,,x,x(f

和1dxdxdx)x,,x,x(fp21-p21-。

5.若,~ipinWS，ki,,1，且相互独立，则~21kSSSS

),n(Wk1iip。

二、判断题

1.多元分布函数xF是单调不减函数，而且是右连续的。正确

2.设X是p维随机向量，则X服从多元正态分布的充要条件是：它的任何组合pRX都是一元正态分布。 错误

3.是一个P维的均值向量，当A、B为常数矩阵时，具有如下性质：

（1）E（AX）=AE（X） （2）E（AXB）=AE（X）B 正确

4．若P个随机变量X1，…XP的联合分布等于各自边缘分布的乘积，则称X1，…

XP是相互独立的。正确

5．一般情况下，对任何随机向量p,,1，协差阵是对称阵，也

是正定阵。 错误

6．多元正态向量p,,1的任意线性变换仍然服从多元正态分布。

正确

7．多元正态分布的任何边缘分布为正态分布，反之一样。错误

8．多元样本中，不同样品之间的观测值一定是相互独立的。正确 2

9．多元正态总体参数均值的估计量X具有无偏性、有效性和一致性。正确

10．Sn1是的无偏估计。错误

11.Wishart分布是2分布在p维正态情况下的推广。正确

12．若,~pNX，n,,1，且相互独立，则样本离差阵,1~1nWXXXXSnp正确