PHÂN PHỐI CHUẨN NHIỀU CHIỀU

Vũ Thùy Linh 20170798

Trần Đình Hoàng 20172572
 Mục lục

1. Giới thiệu về chuẩn nhiều chiều

• Hàm mât độ chuẩn nhiều chiều
• Một số tính chất của hàm mật độ
2. Mẫu và ước lượng cực đại hợp lý
3. Phân phối mẫu của 𝑿 ഥ và 𝑺
4. ഥ và 𝑺 , định lý giới hạn trung tâm
Luật số lớn của 𝑿

2
Để có thể đưa ra suy luận về các mô hình dân số, chúng ta cần một mô
hình phân phối các biến ngẫu nhiên. Do đó: chúng ta phải sử dụng phân
phối chuẩn nhiều chiều vì:

Phân phối chuẩn nhiều chiều là một mô hình tốt để miêu tả phân phối cho
nhiều hiện tượng khác nhau. Theo định lý giới hạn trung tâm, nhiều biến
ngẫu nhiên có thể xấp xỉ phân phối chuẩn.

Phân phối mẫu của các thống kê thưởng dùng được xấp xĩ bởi phân phối
chuẩn ( một chiều hay nhiều chiều) do định lý giới hạn trung tâm.

3
Giới thiệu về chuẩn nhiều chiều

 Hàm mật độ xác suất của phân phối chuẩn một chiều:

Với các tham số đặc trưng:

4
• Nếu ta lấy lân cân  của  thì phần diện tích chắn bởi 𝑓(𝑥), trục hoành và các đường 𝑥 =   
sẽ có diện tích bằng 68.26% (đơn vị diện tích). Đó cũng chính là 𝑃 𝑋 − 𝑎   = 68.26%.
Tương tự, ta cũng có:
𝑃 𝑋 − 𝑎  2 = 95.44%.
𝑃 𝑋 − 𝑎  3 = 99.74%.

5
Tổng quát hóa thành phân phối nhiều chiều

Bình phương khoảng cách từ x đến  theo đơn vị của độ lệch chuẩn.
Tổng quát hóa thành d > 1 biến (chiều):
 Ta có xd×1 và tham số d×1 và d×d
 Số mũ trong chuẩn nhiều chiều là:

𝑥 −  𝑡 −1 (x − )
Với −∞ < x𝑖 < ∞, 𝑖 = 1, … , d

6
Hàm mật độ chuẩn nhiều chiều

• Với 𝑑 = 1 thì 𝑓(𝑥) là hàm mật độ xác suất của biến ngẫu nhiên 1 chiều (1 biến)
• Với 𝑑 = 2 thì 𝑓(𝑥) là hàm mật độ xác suất của biến ngẫu nhiên 2 chiều:

7
và

thay 12 bởi 12 11 22 , ta có:

Số mũ trong mật độ chuẩn hai chiều là:

𝑥 −  𝑡 −1 (x − )

8
Do đó

9
• Nếu 12 = 0 hoặc 12 = 0 thì 𝑋1 và 𝑋2 không tương quan.
• Đối với chuẩn hai biến, 12 = 0 ngụ ý rằng 𝑋1 và 𝑋2 là thống kê
độc lập, bởi vì các tác nhân mật độ

10
Đường đẳng trị mật độ

{ ∀𝑥 sao cho 𝑥 −  𝑡 −1 x −  = 𝑐 2 } là các ellipsoid có tâm ở  và các bán trục ±𝑐 𝑖 𝑒𝑖

với 𝑖 = 1, 𝑑.

Thí dụ: (Đường đẳng trị mật độ của biến 2 chiều)

Để tìm các bán trục của đường đẳng trị mật độ 2 chiều trường hợp 11 = 22 ta giải:

11
12
Nếu tương quan 𝜌 > 0, 𝜆1 = 11 + 22 là trị riêng lớn nhất và véc tơ riêng 𝒆1 nằm trên đường
đi qua điểm (𝜇1, 𝜇2 ) tạo góc 45° với các trục toạ độ. Các bán trục được cho bởi ±𝑐 𝑖 𝑒𝑖 . Tóm lại
trong trường hợp 11 = 22 các bán trục của ellipsoid đẳng trị mật độ:

13
Tính chất của phân phối chuẩn nhiều chiều

Cho vector ngẫu nhiên 𝑿~𝑁𝑑 ;  khi đó

1) Tổ hợp tuyến tính các thành phần của 𝑿 có phân phối chuẩn.

2) Mọi tập con các thành phần của 𝑿 có phân phối chuẩn.

3) 𝐶𝑜𝑣(𝑿𝑖 , 𝑿𝑗 ) = 0 ⟹ 𝑿𝑖 , 𝑿𝑗 độc lập.

4) Phân phối có điều kiện của các thành phần của 𝑿 cũng có phân phối chuẩn.

14
15
16
17
18
19
20
21
Mẫu nhiều chiều

Khái niệm mẫu

Xét n quan sát (số đo) của vecto ngẫu nhiên d chiều X

trong đó, véc-tơ quan sát thứ j.

X=

22
Mẫu nhiều chiều

Đặc trưng mẫu

23
Mẫu nhiều chiều

Đặc trưng mẫu

24
Mẫu nhiều chiều

Ý nghĩa hình học các đặc trưng mẫu:

+ Trọng tâm tập điểm quan sát:

25
Mẫu nhiều chiều

Ý nghĩa hình học các đặc trưng mẫu:

+ Độ lệch:

26
Mẫu ngẫu nhiên

Khái niệm mẫu ngẫu nhiên nhiều chiều:

Dãy n biến ngẫu nhiên d chiều, độc lập và cùng phần phối xác suất

X=

Nếu mật độ phần phối chung của các véc-tơ quan sát là 𝑓 𝑥 , thì mật độ đồng thời
của sẽ có dạng tích các mật độ biên 𝑓 𝑥𝑖 .

27
Mẫu ngẫu nhiên

Đặc trưng mẫu:

Trung bình mẫu:

Hiệp phương sai mẫu:

28
Mẫu ngẫu nhiên

Đặc trưng mẫu:

Cho mẫu ngẫu nhiên từ tập nền với phân phối đồng thời có trung bình 𝝁 và
hiệp phương sai . Khi đó:

29
Phương sai tổng quát

Ta đưa ra khái niệm phương sai mẫu tổng quát là 𝑺 đặc trưng đơn giản nhất cho biến động
được biểu diễn bởi S.

30
Phương sai tổng quát

Đặc trưng mẫu như toán tử ma trận:

Để ý: hay

Nếu đặt thì

31
Mẫu từ phân phối chuẩn

Hàm hợp lý
Xét mẫu ngẫu nhiên từ tập nền có phần phối chuẩn , khi đó
hàm mật độ đồng thời của mẫu sẽ là

Nếu thay các bằng các véc-tơ quan sát, hàm (*) có tên gọi là hàm hợp lý (likelihood function).
Một trong các kỹ thuật tìm ước lượng tốt nhất của các tham số là làm cực đại hàm hợp lý;
kỹ thuật và giá trị tham số tìm được có tên gọi là ước lượng hợp lý cực đại (maximum likelihood
estimates).

32
Mẫu từ phân phối chuẩn

Hàm hợp lý

33
Ước lượng hợp lý cực đại (ước lượng ML)

Bổ đề 1: Cho ma trận B cấp d đối xứng xác định dương và số b > 0, ta có:

với mọi cấp d xác định dương, dấu bằng xảy ra chỉ khi =

Mệnh đề 1.6: Cho từ tập nền có phần phối chuẩn Khi đó:

là bộ ước lượng hợp lý cực đại tương ứng của 𝝁 và . Giá trị quan sát và
được gọi là ước lượng hợp lý cực đại của 𝝁 và ..

34
Ước lượng hợp lý cực đại (ước lượng ML)

35
 ഥ và S
Phân phối mẫu của 𝑿

Cho từtừ tập nền có phần phối chuẩn , khi đó như trường hợp 1
chiều ta có:

36
 ഥ và S
Phân phối mẫu lớn của 𝑿

Luật số lớn (law of large numbers)

37
 ഥ và S
Phân phối mẫu lớn của 𝑿

Định lý giới hạn trung tâm (the central limit theorem)

38
 ഥ và S
Phân phối mẫu lớn của 𝑿

Định lý giới hạn trung tâm (the central limit theorem)

Ta có:

39
 ഥ và S
Phân phối mẫu lớn của 𝑿

Định lý giới hạn trung tâm (the central limit theorem)

Ta có:

40