概率论4-3.pptVIP

征 = = 数 字 特 * 回顾 ①对任意X,D(X) ≥0,且为一确定常数; ②重点：方差的定义，计算及性质; §3 协方差及相关系数 Covariance correlation coefficient 一、协方差 二、相关系数 三、几个常用的数字特征 证明:根据数学期望与方差的性质: 证明E(Y)=0,D(Y)=1 引入： 设E(X),D(X)均存在,且D(X) ≠0 通常把 r.v Y叫做r.v X标准化了的随机变量。 注意:更重要的是要知道如何将一个随机变量标准化. 对于一个二维随机向量（X，Y），期望和方差只反映各个分量各自的平均取值与各自相对于其均值的偏离程度，没有反映出分量X与Y之间的相互关系。 D(X+Y)=D(X)+D(Y)+2E{[X-E(X)][Y-E(Y)]} 注意到公式 若X、Y相互独立, D(X+Y)=D(X)+D(Y)。 E{[X-E(X)][Y-E(Y)]}=0， 可以发现E{[X-E(X)][Y-E(Y)]}这个数在一定程度上反映了X与Y之间的关系，称为X与Y的协方差。 一、协方差 1 定义: 设(X,Y)是一随机向量，称E{[X-E(X)][Y-E(Y)]} Cov(X,Y)= E{[X-E(X)][Y-E(Y)]} 为X与Y的协方差,记作Cov（X，Y）或?XY，即 若X、Y相互独立 说明 ①对于r. vX,Y， D(X+Y)=D(X)+D(Y)+2Cov(X,Y) 协方差是刻划r.vX与Y间取值的相互关系的数 字特征.显然Cov(X,X)=D(X), Cov(Y,Y)=D(Y) ②意义: Cov(X,Y)=0, 1)用定义式 Cov(X,Y)= E{[X-E(X)][Y-E(Y)]} 2 计算方法 2)用简单公式 Cov(X,Y)=E(XY)-E(X)E(Y) ]} ) ( ) ( {[ ) , ( E(Y Y E(X X E Y X Cov - - = )] [ E(Y E(X) E(X) Y E(Y) X XY E + - - = E(Y) E(X) XY E - = ) ( Y X -1 0　 1 -1 0 0 例1 设r.vX和Y的联合分布律为 求Cov(X,Y) 解： 用公式 Cov(X,Y)=E(XY)-E(X)E(Y) ①可求出(X,Y)关于X，Y的边缘分布律 X -1 0 3/8 2/8 3/8 1 Y -1 0 3/8 2/8 3/8 1 (X,Y) (0,-1) (0,0) (0,1) (-1,0) (1,0) (-1,1) (1,-1) (-1,-1) (1,1) Z=XY 0 -1 1 pk 1/2 1/4 1/4 ② ∴ Cov(X,Y)=0-0=0 说明：虽然Cov(X,Y)=0，但 即X与Y不独立。 3 性质 ⅰ) Cov(X,Y)=Cov(Y,X);(对称性) ⅱ) Cov(aX,bY)=abCov(X,Y), a,b是任意常数； ⅲ) Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y) 注： 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(10X, 10Y)=100Cov(X,Y) 为了克服这一缺点，将协方差标准化，即在计算协方差时，先对X与Y进行标准化.即 实际上，10X与10Y之间的关系和X与Y之间的关系应一致。 标准化的协方差称为X，Y的相关系数 二、相关系数 (correlation coefficient) 设(X,Y)是一随机向量，当D(X)0, D(Y)0,则称数值 为X,Y的线性相关系数，简称相关系数. 注： 1 定义 ⑴ 相关系数也就是标准化的随机变量X*，Y*的协方差。 ⑵ ρXY 是无量纲（即不带度量单位，不受度量单位影响）的量，只与两个r.v有关，能更好地反映X与Y之间的关系。 2 性质 例 1 解 单击图形播放/暂停 ESC键退出 Y与X有以概率1(严格)存在线性关系; 注：1. 并不是刻划X与Y之间一般关系，