學習筆記,僅供參考,有錯必糾
王學明應用多元分析
隨機向量
多元分佈
一個向量,若它的分量都是隨機變量,則稱之爲隨機向量。隨機變量x的分佈函數爲:
F(a)=P(x≤a)
隨機向量x=(x1,x2,...,xp)′的分佈函數:
F(a1,a2,...,ap)=P(x1≤a1,x2≤a2,...,xp≤ap)
一元的情形:
F(a)=∫−∞af(x)dxf(x)=dxdF(x)
多元的情形:
多元密度f(x1,x2,..xp)的性質:
(1)對於一切實數x1,x2,..xp,f(x1,x2,..xp)≥0
(2)
設x是p維隨機向量,由它的q(q<p)個分量組成的向量x(1)的分佈稱爲x的關於x(1)的邊緣分佈。不妨設x(1)=(x1,...,xq)′,若x是連續型的,則x(1)的分佈函數爲:
所以關於x(1)的邊緣密度爲:
設x=(x1,x2,...,xp)′是p維連續型隨機向量,在給定x(2)=(xq+1,...,xp)′(注意,f(2)(x(2))>0)的條件下,x(1)=(x1,...,xq)′的條件概率密度函數定義爲:
設x和y是兩個隨機向量,若:
F(x,y)=Fx(x)⋅Fy(y)
對一切x,y成立,則稱x和y相互獨立。若(x,y)是連續型的,則x和y相互獨立,當且僅當:
f(x,y)=fx(x)⋅fy(y)
對一切x,y成立,或當且僅當:
f(x∣y)=fx(x)
對一切x,y成立,即條件分佈等同於無條件分佈,直觀意義是x的分佈不受y取值的影響。
數字特徵
p×q隨機矩陣X=(xij)的數學期望(或稱均值)定義爲:
特別地,當q=1時,便可得到隨機向量x=(x1,x2,...,xp)′的數學期望定義,即:
E(x)=[E(x1),E(x2),...,E(xp)]′
可記爲μ=(μ1,μ2,...,μp)
隨機矩陣X的數學期望具有下述性質:
(1)設a爲常數,則E(aX)=aE(X)
(2)設A,B,C爲常數矩陣,則E(AXB+C)=AE(X)B+C
(3)設X1,X2,...,Xn爲n個同階的隨機矩陣,則:
E(X1+X2+...+Xn)=E(X1)+E(X2)+...+E(Xn)
隨機變量之間的線性聯繫程度可用協方差來描述。設x和y是兩個隨機變量,它們之間的協方差定義爲:
Cov(x,y)=E[x−E(x)][y−E(y)]
若Cov(x,y)=0,則稱x和y不相關。兩個獨立的隨機變量必然不相關,但兩個不相關的隨機變量未必獨立。當x=y時,協方差即爲方差,也就是Cov(x,x)=Var(x)
設x=(x1,x2,...,xp)′和y=(y1,y2,...,yq)′分別爲p維和q維隨機向量,x和y的協方差矩陣(簡稱協差陣)定義爲:
記作Cov(x,y),可將其簡潔地表達爲:
Cov(x,y)=E[x−E(x)][y−E(y)]′
顯然,y和x的協方差矩陣與x和y的協方差矩陣互爲轉置關係,即有:
Cov(y,x)=[Cov(x,y)]′
若Cov(x,y)=0,則稱x和y不相關。
Cov(x,x)稱爲x的協方差矩陣,記作V(x),即有:
協方差矩陣V(x)也可記作∑=(σij),其中σij=Cov(xi,xj),σii=σi2=V(xi)
協方差矩陣具有下述性質:
(1)隨機向量x的協方差矩陣∑一定是非負定矩陣。
(2)設A爲常數矩陣,b爲常數向量,則V(Ax+b)=AV(x)A′
在實際問題中,有時∣∑∣=0,其原因是指標之間存在着線性關係,如某一指標是其他一些指標的彙總值,這在一般數據報表中是常出現的。我們通常可以通過刪去“多餘”指標的辦法來確保∑>0,因此,在今後的絕大部分討論中,我們假定∑>0並不失一般性,而且這可使數學問題得以簡化。