4.3 协方差 相关系数和矩.pptVIP

随机变量的相关系数实质上只是表示随机变量之间的线性相关性.随机变量之间的线性相关性就是：当一个变量增大与另一个变量有按线性关系增大（当 时）或减小（当 时）的趋势.当相关系数越接近1或-1时，这种趋势就越明显. 当 时，称 与 不相关. 假设随机变量 的相关系数 存在.当 与 相互独立时我们有： 从而 ，即 与 不相关. 反之，若 与 不相关， 与 却不一定相互独立（见下两例）. 例1 设 的分布律为如 表4-3,易知 于是 不相关.这表示 不存在线性关系. 知 不是相互独立的. 事实上， 具有关系： 的值完全可由 的值所确定. 上述情况，从“不相关”和“相互独立”的含义来看是明显的.这是因为不相关只是就线性关系来说的，而相互独立是就一般关系而言的. 但 解： 例2 设二维随机变量 的概率密度为试验证 是不相关的，但 不是相互独立的. 解 ，即 不相关. 所以 ，故 不是相互独立的. 记 ，则 又 例4 设随机变量 的概率密度为 解： 解 由此例更能进一步理解相关系数的意义. 当 服从二维正态分布，它的概率密度为 我们不加证明的指出:二维随机变量 的概率密度中的参数 就是 的相关系数，因而二维正态随机变量的分布完全可以由 各自的数学期望、方差及它们的相关系数所确定. 在第三章§3中已经讲过，若 服从二维正态分布，那么, 相互独立的充要条件为 现在知道 故对于二维正态随机变量 来说，“ 不相关”与“ 相互独立”是等价的. 下面再介绍随机变量的另外几个数字特征. 定义二 设 是随机变量， 若 存在，则称它为 阶中心矩. 若 存在，则称它为 阶原点矩，简称阶矩. 若 存在，则称它为 阶混合矩. 若 存在，则称它为 阶混合中心矩. 显然， 的数学期望 就是 的一阶原点矩，方差 就是 的二阶中心矩，协方差 就是 的二阶混合中心矩. 下面介绍维随机变量的协方差矩阵.先从二维随机变量讲起. 将它们排成矩阵的形式： 这个矩阵称为随机变量 的协方差矩阵. 二维随机变量 有四个二阶中心矩（设它们都存在），分别记为： 设 维随机变量 的混合中心矩 都存在，则称 为 维随机变量 的协方差矩阵.由于 因而上述矩阵是一个对称矩阵. 一般地， 维随机变量的分布是不知道的，或者太复杂，以致在数学上不易处理，因此在实际应用中协方差矩阵就显得重要了. 下面介绍 维正态随机变量的概率密度.我们先将二维正态随机变量的概率密度改写成另一种形式，以便将它推广到 维随机变量的场合中去，二维正态随机变量 的概率密度为 现将上式中中刮号内的式子写成矩阵，为此引入下列的列矩阵 的协方差阵为 它的行列式 的逆阵为 于是， 的概率密度可写成 经过计算可知（这里矩阵 的转置矩阵） * * * * * * §3 协方差 相关系数和矩 对于二维随机变量 我们除了讨论 的数学期望和方差外，还需讨论刻划 之间的相互关系的数字特征. 在本章§2方差性质的证明中，我们已经看到，如果两个随机变量 是相互独立的，则 这意味着当 时， 不相互独立，而是存在着一定的关系的. 定义一 称为随机变量 的协方差.记为 即 称为随机变量 的相关系数. 是一个无量纲的量. （其中 ） 协方差的性质：对于任意两个随机变量 ，下列等式成立 证明 由 即得. （1） （2） 证明 将 按定义式展开，有 （3） 我们常常利用上式计算协方差. （4） 是常数. （5） （6）若 与 独立,则. 关于相关系数，我们有下面的定理 定理一 任意两个随机变量的相关系数的绝对值不大于1，即 证明 我们考虑随机变量 ，其中 由公式（3.1）得 所以有 因为方差不能为负，所以有