概率论课件协方差、相关系数、矩资料.pptVIP

* * 概率论与数理统计 第十三讲 §4.3 协方差与相关系数 对于二维随机变量(X,Y)， 除了分量X、Y 的期望与方差之外, 还有一些数字特征, 用以刻画X与Y之间的相关程度，其中最主要的就是下面要讨论的协方差和相关系数. 定义1 对于二维随机变量(X,Y)，若 E((X-E(X))(Y-E(Y)))存在，称其为X 与Y 的协方差，记为Cov(X,Y), 即 4.3.1 协方差 Cov(X, Y) = E(( X-E(X))(Y-E(Y) )) (3) Cov(X1+X2, Y)= Cov(X1, Y) + Cov(X2, Y) ； (1) Cov(X, Y) = Cov(Y, X)； 协方差性质 (2) 设 a, b, c, d 是常数，则 Cov( aX+c, bY+d ) = ab Cov(X, Y) ； (4) Cov(X, Y) =E(XY)-E(X)E(Y) ， (5) D(X+Y)=D(X)+D(Y)+2Cov(X, Y) . 当 X 和 Y 相互独立时，Cov(X, Y)=0； 若 X1, X2, …, Xn 两两独立，则 性质(5)可推广到 n 个随机变量的情形： 等号成立当且仅当X、Y之间有严格线性关系（即存在常数a、b，使P{Y=aX+b}=1）. 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 和Y 本身度量单位的影响. 例如： Cov(aX, bY) = ab Cov(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. 4.3.2 相关系数 为随机变量X 和Y 的相关系数 , 定义2 设D(X) 0, D(Y) 0, 则称 相关系数性质 存在常数a, b(b≠0)， 使 P{ Y = aX+b} = 1 ，即 X与 Y 之间以概率 1存在 线性关系. 当 X 和 Y 独立时，Cov(X, Y)= 0 . 如下例 所以， 解 例1 所以，Cov(X, Y)= E(XY)-E(X) E(Y) 由对称性得E(Y)=0, 此外， D(X) 0, D(Y) 0 . 所以，?XY = 0， 但是X与Y不独立. = 0 . 即 X 与 Y 不相关. 但对下述情形，独立与不相关是一回事： 前面, 我们已经看到： 若X 与Y 独立，则X 与Y 不相关；但由X与Y 不相关，不一定能推出X与Y独立. 若(X, Y )服从二维正态分布，则X 与Y 独立. X与Y不相关. 例2 将一枚硬币掷n次，以X、Y表示正面向上、反面向上的次数， 解 定义1 设X是随机变量, 若E(Xk) 存在(k =1, 2, …), 称其为X 的 k 阶原点矩；若 E((X-E(X))k) (k = 1,2,…)存在，称其为X的 k 阶中心矩. §4.4 矩与协方差矩阵 4.4.1 矩 易知：X 的期望 E(X) 是 X 的一阶原点 矩，方差D(X) 是 X 的二阶中心矩. 定义2 设X和Y是随机变量, 若 E(XkYm) 存在(k, m=1, 2,…), 称其为X与Y的 k+m 阶混合原点矩；若 E((X-E(X))k (Y-E(Y))m)(k, m=1,2,…)存在，称其为X与Y的 k+m 阶混合中心矩. 4.4.2 协方差矩阵 将 (X1, X2) 的四个二阶中心矩分别记 排成一个2×2矩阵 则称此矩阵为(X1, X2)的协方差矩阵. 类似，定义n 维随机变量 (X1, X2, …, Xn) 的协方差阵：若其所有的二阶中心矩 为(X1, X2, …, Xn) 的协方差矩阵. 存在， 则称矩阵 小结 本讲首先介绍二维随机变量 (X,Y) 的分量X与Y 的协方差及相关系数的概念、性质和计算；然后介绍随机变量的各种矩(k 阶原点矩、 k 阶中心矩、k+m 阶混合原点矩、k+m 阶混合中心矩)，n 维随机变量的协方差阵的概念.