多元统计分析（高惠璇版）习题二部分答案

倒杯Whisky

已于 2023-10-25 19:06:30 修改

阅读量1.2k

点赞数 7

分类专栏：应用多元统计分析文章标签：大数据数据分析 python

于 2023-09-23 10:00:30 首次发布

本文链接：https://blog.csdn.net/m0_69782322/article/details/133198642

版权

应用多元统计分析专栏收录该内容

14 篇文章 36 订阅

订阅专栏

在这里插入图片描述
根据多元正态分布的性质：AX+d~N(Aμ+d，AΣA'）
分别计算出Aμ+d和AΣA’得：
Aμ+d = $\binom{2}{1}$

AΣA’ = $\left(\begin{matrix}3&-1\\-1&1\\\end{matrix}\right)$

在这里插入图片描述

(1) 记A=(1 1)，B=(1 -1)，则X1+X2=AX，X1-X2=BX；
根据多元正态分布的性质：协方差为零的分量间相互独立，只需求得AX与BX的协方差为零即可证明相互独立；
Cov(AX,BX) = AΣB'= σ²（1+ρ 1+ρ)(1 -1)’ = 0
得证
(2) 即：求AX和BX的分布
AX~N(Aμ，AΣA’)，BX ~N(Bμ，BΣB’)

所以X1+X2~N( μ1+μ2，2σ²(1+ρ）），X1-X2 ~N( μ1-μ2，2σ²(1-ρ）)

在这里插入图片描述
和2-2类似
(1)记A=( ${I_p}$ ${I_p}$ )，B=( ${I_p}$ - ${I_p}$ )，则X1+X2=AX，X1-X2=BX；
Cov(AX,BX)=AΣB’=( ${I_p}$ ${I_p}$ ) $\left(\begin{matrix} Σ1 &Σ2\\Σ2&Σ1\\\end{matrix}\right)$ ( ${I_p}$ ${-I_p}$ )’ = 0
得证

解法二：

记Y= $\left(\begin{matrix} {I_p} &{I_p}\\{I_p}&{-I_p}\\\end{matrix}\right)$ $\binom{X1} {X2}$ = $\binom{Y1} {Y2}$ ，则Y的协方差矩阵Var(Y)= $\left(\begin{matrix} {I_p} &{I_p}\\{I_p}&{-I_p}\\\end{matrix}\right)$ $\left(\begin{matrix} Σ1 &Σ2\\Σ2&Σ1\\\end{matrix}\right)$ $\left(\begin{matrix} {I_p} &{I_p}\\{I_p}&{-I_p}\\\end{matrix}\right)$ ’ =

$\left(\begin{matrix} 2(Σ1+Σ2) &0\\0&2(Σ1-Σ2)\\\end{matrix}\right)$
因为协方差矩阵为分块对角阵，所以Y1和Y2相互独立，即X1+X2和X1-X2相互独立。

(2)
X1+X2~N(μ1+μ2，2(Σ1+Σ2) )，X1-X2 ~(μ1+μ2，2(Σ1-Σ2)）

在这里插入图片描述

在这里插入图片描述
(1) 容易看出A=(3 -2 1)使得AX=3X1-2X2+X3，即求AX的分布：AX~N(Aμ，AΣA’)

(2) X3 = (0 0 1)X，a’(X1 X2)’ = (a1 a2 0)(X1 X2 X3)’ = (a1 a2 0)X
则：X3 - a’(X1 X2)’ = (-a1 -a2 1)X
记：B = (0 0 1) , C = (-a1 -a2 1)，则X3=BX，X3 - a’(X1 X2)‘=CX
根据多元正态分布的性质：协方差为零的分量间相互独立，则令Cov(BX,CX)为0即可求出满足题意的二维向量
Cov(BX,CX)=BΣC’=…= -a1-2a2+2 = 0
所以当a1+2a2=2时两向量相互独立。

在这里插入图片描述
(2)(3)(4)是相互独立的，(1)(5)不是

在这里插入图片描述
①必要性：

∵ $\binom{Y} {Z}$ = $\binom{A} {B}$ X+ $\binom{d} {c}$

∴Y和Z服从多元正态分布

而Cov(Y,Z)=Cov(AX+d，BX+c)=AΣB’=0，根据多元正态分布的性质，可知Y与Z独立；

②充分性：

∵ $\binom{Y} {Z}$ = $\binom{A} {B}$ X+ $\binom{d} {c}$

∴Y和Z服从多元正态分布

而Y与Z独立，可推出AΣB’=0

实际上就是要说明Y与Z服从多元正态分布。

在这里插入图片描述

比较系数即可：
已知二元正态分布公式：
在这里插入图片描述
则：σ1²σ2²（1-ρ²）=1，σ1²=1，σ2²=2 … …
σ1=1，σ2= $\sqrt{2}$ ，ρ=1/ $\sqrt{2}$ ，μ1=4，μ2=3；
所以均值向量μ= $\binom{4}{3}$ ，协方差阵Σ= $\left(\begin{matrix}1&-1\\-1&2\\\end{matrix}\right)$

在这里插入图片描述

(1)即证E(Z)=μ：

E(Z)=E( $\sum\limits_{i=1}^n{c_iX_i}$ )= $\sum\limits_{i=1}^n{c_iE(X_i}$ )=E( ${X_i}$ )=μ
(2)
由(1)知： ${μ_z}$ =μ

${Σ_z}$ =Var( $\sum\limits_{i=1}^n{c_iX_i}$ )= $\sum\limits_{i=1}^n{c_i²Var(X_i)}$ = $\sum\limits_{i=1}^n{c_i²Σ}$ =c’cΣ

因此，Z~ ${N_p}$ (μ,c’cΣ)

在这里插入图片描述

r代码：

# 样本均值
mean_value <- colMeans(data[,c("X1","X2","X3")])
print(mean_value)

# 样本离差阵
centered_data <- scale(data[,c("X1","X2","X3")], scale = FALSE)
deviation_matrix <- t(centered_data) %*% centered_data
print(deviation_matrix)

# 样本协方差阵
covariance_matrix <- cov(data[,c("X1","X2","X3")],use = "everything")
print(covariance_matrix)

# 样本相关阵
correlation_matrix <- cor(data[,c("X1","X2","X3")],use = "all.obs")
print(correlation_matrix)

用Python也可以
结果：
在这里插入图片描述

倒杯Whisky

关注

7
点赞
踩
27

收藏

觉得还不错? 一键收藏
1
评论
多元统计分析（高惠璇版）习题二部分答案

记：B = (0 0 1) , C = (-a1 -a2 1)，则X3=BX，X3 - a’(X1 X2)‘=CX。(1) 容易看出A=(3 -2 1)使得AX=3X1-2X2+X3，即求AX的分布：AX~N(Aμ，AΣA’)所以X1+X2~N( μ1+μ2，2σ²(1+ρ）），X1-X2 ~N( μ1-μ2，2σ²(1-ρ）)(1) 记A=(1 1)，B=(1 -1)，则X1+X2=AX，X1-X2=BX；则：σ1²σ2²（1-ρ²）=1，σ1²=1，σ2²=2 …
复制链接

扫一扫