12概率论与数理统计.pptVIP

* 因此由, 顺便注意,当上式取等号时可推出 (1- ?XY2) ?0, 即 1 ?|?XY| E(Z2)=D(Z)+[E(Z)]2 =D(Y)- 2bCov(X,Y)+b2D(X) +[E(Y)-bE(X)-a]2 ? D(Y)(1- ?XY2) 上式中等号,当且仅当 b*=Cov(X,Y)/D(X) 和 a*=E(Y) - b*E(X)= E(Y) - E(X)Cov(X,Y)/D(X), 时成立. 演示20！ * 定理4.3.1 :1.|?XY|?1. 2.|?XY|=1的充要条件是存在常数a,b使P{Y=bX+a}=1. 证明: 由|?XY|=1,可取a*,b*如前,得 E(Z*)=0, D(Z*)=E(Z*)2=0 P{Z* =0}=1, P{Y= b*X+a* }=1; 反之, 由P{Y= b*X+a* }=1,可得P{Z* =0}=1, 进而, E(Z*)=0, D(Z*)=0. 0=D(Z*)? D(Y)(1- ?XY2) 可得 |?XY|=1. * 我们看, e =E(Z2)是 “以X的线性函数bX+a来 近似表示 Y ” 的均方误差. = D(Y)(1- ?XY2) 可看出:|?XY|是一个可以用来表征X,Y之间 线性关系紧密程度的量. 当|?XY|较大时,我们说X,Y之间线性相关程度较好; 当|?XY|较小时,我们说X,Y之间线性相关程度较差. 当|?XY| =0时,称 X和Y不相关, 即X和Y线性无关. 此为定义4.3.2 : 当|?XY| =1时, X,Y之间以概率1存在着线性关系. * 我们再看,设随机变量X和Y的相关系数?XY存在. 当X和Y相互独立时, Cov(X,Y)=0,从而 |?XY|=0, 我们有 X 和 Y 线性不相关. 但当随机变量(X,Y)服从二维正态分布时, X 和 Y 线性不相关, 与 X 和 Y 相互独立是等价的. 反之, X 和 Y 线性不相关, X 和 Y 却不一定相互独立. * 已知: 参数为?1, ?2, ?1, ?2, ? 的二维正态分布的两个边缘 分布都是一维正态分布,并且都不依赖参数 ? 。亦即对于给 定的 ?1, ?2, ?1, ?2, 不同的 ? 对应不同的二维正态分布, 但它们的两个边缘分布却是一样的。 前已有: 参数为?1, ?2, ?1, ?2, ? 的二维正态分布 X 和 Y相互独立的充要条件是? = 0。 现在又有: 二维分布 X 和 Y 线性不相关的定义是? = 0。 因此有: 参数为?1, ?2, ?1, ?2, ? 的二维正态分布 X 和 Y相互独立的充要条件是X 和 Y 线性不相关,即? = 0。 * 例4.3.3 : 设(X，Y)服从二维正态分布，其边缘分布均为标准正态分布，且X与Y不相关。试写出(X，Y)的联合概率密度函数。 解： X与Y的概率密度函数分别为 又(X，Y)服从二维正态分布，且X与Y不相关，因而X与Y相互独立，于是(X，Y)二维随机变量的联合概率密度 例12-7. * 定义4.4.1 :设X和Y是随机变量, 若 E(Xk) k=1,2,… 存在, 则称它为随机变量X的k 阶原点矩,简称k 阶矩. §4.4 矩、协方差矩阵 若 E{[X-E(X)]k} k=1,2,… 存在, 则称它为随机变量X的k 阶中心矩. 若 E(Xk Yl) k,l =1,2,… 存在, 则称它为随机变量X和Y的k+l 阶混合矩. 若 E{[X-E(X)]k[Y-E(Y)]l} k,l =1,2,… 存在, 则称它为随机变量X和Y的k+l 阶混合中心矩. * C11=E{[X1-E(X1)]2}, 二维随机变量(X1,X2)有四个二阶中心矩(设它们都存在) 。 C12=E{[X1-E(X1)][X2-E(X2)]}, C21=E{[X2-E(X2)][X1-E(X1)]}, C22=E{[X2-E(X2)]2}, 将它们排成矩阵的形式: 这个矩阵称为随机变量(X1,X2)的协方差矩阵. * 设n维随机变量(X1,…,Xn) 的二阶混合中心矩都存在。 Cij= Cov (Xi,Xj)=E{[Xi-E(Xi)][Xj-E(Xj)]}, i,j=1,2,…,n 则称矩阵 为随机变量(X1,…,Xn)的协方差矩阵. * 设n维随机变量(X1,…,Xn) 的二阶混合中心矩都存在。 ? ij= ? (Xi,Xj) =Cov (Xi,Xj)