多元统计分析朱建平pdf_应用多元统计分析课后答案朱建平版

应用多元统计分析课后答案朱建平版

1第二章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， 的联12(,)pX合分布密度函数是一个 p 维的函数，而边际分布讨论是 的子向量的概率12(,)p分布，其概率密度函数的维数小于 p。2.2 设二维随机向量 服从二元正态分布，写出其联合分布。12()X解：设 的均值向量为 ，协方差矩阵为 ，则其联合1212μ21分布密度函数为。1/2 12 21 1() exp()()f x μxμ2.3 已知随机向量 的联合密度函数为12()X121212[()()](,)dcxabxcaxcfxd其中 ， 。求1ab2(1)随机变量 和 的边缘密度函数、均值和方差；X(2)随机变量 和 的协方差和相关系数；12(3)判断 和 是否相互独立。(1)解：随机变量 和 的边缘密度函数、均值和方差；1X221 12122[()()()]()dxcxabxcaxcf dd1221222)([()()]dc xbabac12 12 20()[()()]dcdcxtxtd1212 20()[()()]cdcabattbdba所以由于 服从均匀分布，则均值为 ，方差为 。1X2ba21同理，由于 服从均匀分布 ，则均值为 ，2 2 ,()0 xxcdfd其 它 2dc方差为 。21dc(2)解：随机变量 和 的协方差和相关系数；1X212cov(,)x 121212 12[()()()]dbca dcxabxcaxcx dd()36db12cov,x(3)解：判断 和 是否相互独立。1X2和 由于 ，所以不独立。1212(,)()xff2.4 设 服从正态分布，已知其协方差矩阵为对角阵，证明其分量是相互(,p3独立的随机变量。解： 因为 的密度函数为12(,)pX 1/ 11(,.)ex()()2pfxΣμΣx又由于212p221pΣ21221pΣ则 1(,.)pfx 211/22 21 2exp() ()1p p        ΣμΣxμ  2221 3112 ()()()1exp.p pxx     211()e().pii pii f 则其分量是相互独立。42.5 由于多元正态分布的数学期望向量和均方差矩阵的极大似然分别为 1ˆniiμX1ˆ()niii nΣX3560.2ˆ7.1μ2058.390.837250.-73680.39615ˆ7.119.-6-5-9   Σ注：利用 , S 其中 1pnX1()nnXI 01nI在 SPSS 中求样本均值向量的操作步骤如下：1. 选择菜单项 Analyze→Descriptive Statistics→Descriptives，打开 Descriptives 对话框。将待估计的四个变量移入右边的 Variables 列表框中，如图 2.1。图 2.1 Descriptives 对话框2. 单击 Options 按钮，打开 Options 子对话框。在对话框中选择 Mean 复选框，即计算样本均值向量，如图 2.2 所示。单击 Continue 按钮返回主对话框。5图 2.2 Options 子对话框3. 单击 OK 按钮，执行操作。则在结果输出窗口中给出样本均值向量，如表 2.1，即样本均值向量为(35.3333，12.3333，17.1667，1.5250E2) 。表 2.1 样本均值向量在 SPSS 中计算样本协差阵的步骤如下：1. 选择菜单项 Analyze→Correlate→Bivariate，打开Bivariate Correlations 对话框。将三个变量移入右边的 Variables 列表框中，如图2.3。图 2.3 Bivariate Correlations 对话框2. 单击 Options 按钮，打开 Options 子对话框。选择Cross-product deviations and covariances 复选框，即计算样本离差阵和样本协差阵，如图 2.4。单击 Continue 按钮，返回主对话框。6图 2.4 Options 子对话框3. 单击 OK 按钮，执行操作。则在结果输出窗口中给出相关分析表，见表 2.2。表中 Covariance 给出样本协差阵。 (另外，Pearson Correlation 为皮尔逊相关系数矩阵，Sum of Squares and Cross-products 为样本离差阵。 )2.6 渐近无偏性、有效性和一致性；2.7 设总体服从正态分布， ，有样本 。由于 是相互独立的正态~(,)pNXμΣ12,.nXX分布随机向量之和，所以 也服从正态分布。又 111()nnni iii iEEμ22111()nnni ii i iDDΣXX所以 。~(,)pNμΣ72.8 方法 1： 1ˆ()niiiΣX1nii1ˆ()()niiEΣX1nii E。1(1)ni nΣΣ方法 2： 1()niiiSX-1((ni ii -μ)-μX)11()2()()nnii ii i n  X--μ)X1()()()niii-μXμ1()()niii nX-1()()()niiiEn   S-μXμ。1()()niii EX- Σ故 为 的无偏估计。SΣ2.9.设 是从多元正态分布 抽出的一个简单随机样本，试求(1)2()n,., ~(,)pNμ的分布。证明： 设8为一正交矩阵，即 。**()11ijnnΓ ΓI令 ，1212nΖ=(Ζ)=X ,34,iXΓ由 于 独 立 同 正 态 分 布 且 为 正 交 矩 阵所以 。且有12()n 独 立 同 正 态 分 布， ， 。1nniiΖΧ1(()niiEnΖΧμ()VarnZΣ1())(,23,)naajEr 1najμ10najir1()()naajVrΖΧ2211nnajjajrΣ所以 独立同 分布。2nΖ (0,)N又因为 1()njjiSX1njj因为 11nni ini i XXZ9又因为 nnjj XX 212111212nnΓ 1212nZZ 所以原