概率论与数理统计课件第九周.pptVIP

作业 P97：5，6 P108：3 前面我们介绍了随机变量的数学期望和方差. 对于二维随机变量(X,Y)，反映两个分量X与Y之间关系的数字特征中，最重要的，就是本讲要讨论的 协方差和相关系数 §4-3 协方差、相关系数和矩 一.协方差与相关系数的概念 1.定义 设二维随机变量(X,Y),它的分量的数学期望为E(X), E(Y)，若E[(X-E(X))(Y-E(Y))]存在，则称它为X,Y的协方差，记为 Cov (X,Y), 即 Cov(X, Y ) = E[(X-E(X))(Y-E(Y))]? 2. 计算 (1) 若二维离散型随机变量(X, Y)的联合分布律为 且C o v(X,Y)存在, 则 (2) 若二维连续型随机变量(X,Y)的联合概率密度为 f(x , y ), 且C o v (X, Y)存在，则 (3) Cov(X,Y)=E(XY)-E(X)E(Y) （证明如下） Cov(X,Y)=E(XY) -E(X)E(Y) 可见，若X与Y 独立， Cov(X,Y)= 0 . 即 Cov(X,Y)=E{[ X-E(X)][Y-E(Y) ]} =E(XY)-E(X)E(Y)-E(Y)E(X)+E(X)E(Y) =E(XY)-E(X)E(Y) =E{XY-XE(Y)-YE(X)+E(X)E(Y) } 3.简单性质 (5) Cov(X1+X2,Y)= Cov(X1,Y) + Cov(X2,Y) (2) Cov(X, Y)= Cov(Y,X) (4) Cov(aX, bY) = ab Cov(X,Y) a,b是常数 (6) 若X,Y 的协方差Cov(X,Y)存在，则 E(XY)=E(X)E(Y)+Cov(X,Y) (3) Cov(X, X)=D(X) ⑴ Cov(X, a)= 0 （5） 随机变量和的方差与协方差的关系 D(X+Y)= D(X)+D(Y)+ 2Cov(X,Y) 若X1, X2, …, Xn两两独立,，上式化为 协方差的大小在一定程度上反映了X和Y相互间的关系，但它还受X与Y本身度量单位的影响. 例如： Cov(kX, kY)=k2Cov(X,Y) 为了克服这一缺点，对协方差进行标准化，这就引入了相关系数 . 二、相关系数 为随机变量X和Y的相关系数 . 1 定义:若二维随机变量(X, Y )的分量的方差D(X), D(Y)都存在，且D(X)0, D(Y)0, 则称 在不致引起混淆时，记 为 . 考虑以X的线性函数a+bX来近似Y，近似的误差为： e=E[Y-(a+bX)]2= E(Y2) + b2E(X2) +a2-2bE(XY ) +2abE(X)-2aE(Y) 求a，b使e最小 2 相关系数的性质： 问: 相关系数的大小如何?是否 ? 令 解得 将a0，b0代入e，用a0+b 0X来近似Y，则最小误差为 存在常数a, b(b≠0）， 使P{Y=a+bX}=1， 即 Y与X之间以概率1有线性关系; 3. 相关系数的意义 若| |的值越接近于1, e越小， X与Y之间越近似有线性关系；我们说X与Y的线性相关程度越高。 为 的严格减函数，它是用来刻划X, Y线性相关程度的一个量。 用a0+b 0X来近似Y，误差e= D(Y)(1- ) 若| |的值越接近于0, e越大，越不能认为X与Y之间有近似线性关系；我们说X与Y的线性相关程度越弱。 e= D(Y)(1- ) 2 定义 若?XY =0, 则称X, Y不相关。 3. 随机变量X, Y 独立与X, Y 不相关的关系 (1) 假设?XY 存在，若X, Y相互独立, 则?XY=0， 即X, Y不相关。 反之，若X, Y不相关, 那么X, Y不一定独立。 (2) 特别，若 (X, Y)服从二维正态分布 则有X, Y 相互独立 ? ? = 0 ?X, Y不相关。 当?XY =0时, X, Y之间的关系较复杂；可能X,Y相互独立；可能X,Y之间有某种非线性的函数关系。 例3 设(X, Y)服从二维正态分布 求X和Y的相关系数 X和Y不相关 ? ? =0 （见书 p107 例2） * * * *