协方差相关系数和矩演示文件修改版.pptVIP

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） 上式容易推广到 维随机变量 的情况. 其中 是 的协方差阵. 维正态随机变量 的概率密度定义为 引入列矩阵 维正态随机变量具有以下四条重要性质（证略）： （1） 维正态随机变量 的每一个分 量 都是正态变量；反之，若 都是正态变量，且相互独立，则 是 维正态变量. （2） 维随机变量 服从 维正态分 布的充要条件是 的任意线性组 合： 服从一维正态分布（其中 不全为零）. （3）若 服从 维正态分布，设 是 的线性函数， 则 也服从多维正态分布. （4）设 服从 维正态分布，则“ 相互独立”与“ 两两不相关”是等价的. 维正态分布在随机过程和数理统计中常会遇到. 这一性质称为正态变量的线性变换不变性. §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 定理二 当且仅当随机变量 之间存在线性关系，即 时，它们的相关系数的绝 对值等于1，并且 证： 证明 （1） 设 ，我们证明 所以，我们有 因为 于是 由此可见，当 时， 当 时， （2）反之，设 在证明定理1时，我们曾经得到等式（3.3） 从而 时，有 时，有 由此可见，当 时，我们有 这表明 以等于1的概率取唯一的值——它的数学 期望 ，易知 所以，当 时，我们有 ，即 由此得 ，其中 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，