多元正态分布的四种定义
除标准定义外,还可以用特征函数、充要性质和标准正态分布性质来定义。
一、标准定义
若 p p p 维随机向量 X = ( X 1 , X 2 , … , X p ) ′ X=\left(X_1,X_2,…,X_p\right)' X=(X1,X2,…,Xp)′ 的概率密度函数为 f ( x 1 , x 2 , . . . , x p ) = 1 ( 2 π ) p / 2 ∣ Σ ∣ 1 / 2 e x p [ − 1 2 ( x − μ ) ′ Σ − 1 ( x − μ ) ] f(x_1,x_2,...,x_p)=\frac{1}{(2\pi)^{p/2}{|\Sigma|}^{1/2}}exp\left[-\frac{1}{2}(x-\mu)'\Sigma^{-1}(x-\mu)\right] f(x1,x2,...,xp)=(2π)p/2∣Σ∣1/21exp[−21(x−μ)′Σ−1(x−μ)]其中 x = ( x 1 , x 2 , . . . , x p ) ′ x=(x_1,x_2,...,x_p)' x=(x1,x2,...,xp)′, μ \mu μ 是 p p p 维向量, Σ \Sigma Σ 是 p p p 阶正定矩阵,则称 X X X 服从 p p p 元正态分布,也称 X X X 为 p p p 维正态随机向量,简记为 X ∼ N p ( μ , Σ ) X{\sim}N_p(\mu,\Sigma) X∼Np(μ,Σ)。
显然,当 p = 1 p=1 p=1 时,即为一维正态分布密度函数。
可以证明, μ \mu μ 为 X X X 的均值(向量), Σ \Sigma Σ 为 X X X 的协差阵。
二、特征函数
若 p p p 维随机向量 X X X 的特征函数为 ϕ ( t ) = e x p [ i t T μ − t T Σ t 2 ] , Σ ≥ 0 \phi(t)= exp\left[i t^T\mu-\frac{t^T\Sigma t}{2}\right],\Sigma \ge 0 ϕ(t)=exp[itTμ−2tTΣt],Σ≥0则称 X X X 服从 p p p 维正态分布,记为 X ∼ N p ( μ , Σ ) X{\sim}N_p(\mu,\Sigma) X∼Np(μ,Σ)。
三、充要性质
若 p p p 维随机向量 X X X 的 p p p 个分量的任意线性组合服从一元正态分布,即 ∀ α ∈ R p {\forall} {\alpha} {\in} R^p ∀α∈Rp,有 α T X {\alpha}^TX αTX 为一元正态随机变量,则称 X X X 为 p p p 维正态随机向量。
四、标准正态分布性质
记
X
=
(
X
1
,
X
2
,
…
,
X
q
)
′
X=(X_1,X_2,…,X_q)'
X=(X1,X2,…,Xq)′ ,
X
1
,
.
.
.
X
q
X_1,...X_q
X1,...Xq 独立且都服从标准正态分布
N
(
0
,
1
)
N(0,1)
N(0,1),
X
1
,
.
.
.
X
q
X_1,...X_q
X1,...Xq 的线性组合为
Y
=
[
Y
1
⋮
Y
p
]
=
A
p
×
q
[
X
1
⋮
X
q
]
+
μ
p
×
1
Y= \begin{bmatrix} Y_1 \\ \vdots \\ Y_p \end{bmatrix} =A_{p \times q} \begin{bmatrix} X_1 \\ \vdots \\ X_q \end{bmatrix} +\mu_{p\times1}
Y=⎣⎢⎡Y1⋮Yp⎦⎥⎤=Ap×q⎣⎢⎡X1⋮Xq⎦⎥⎤+μp×1
μ
\mu
μ 为
p
p
p 维常数矩阵,
A
A
A 为
p
×
q
p\times q
p×q 常数矩阵,称
Y
Y
Y 为
p
p
p 维正态随机向量,记为
Y
∼
N
p
(
μ
,
Σ
)
Y{\sim}N_p(\mu,\Sigma)
Y∼Np(μ,Σ)