概率论与数理统计第四章.pptVIP

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。 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 1. 定义 若随机变量 X,Y的方差和协方差均存在, 且D(X)0, D(Y)0，则 称为X与Y的相关系数（Correlation Coefficient）。 注：?XY 是一个无量纲的量。 当?XY =0时，称X与Y不相关（Uncorrelated）。 2. 相关系数的性质 (1) |?XY| ? 1； (2) |?XY|=1 ? 存在常数a, b 使P{Y= a+bX}=1。 证明：考虑以a+bX来近似Y，以均方误差 e=E{[Y-(a+bX) ]2}=E(Y2) +b2E(X2)+a2-2bE(XY) +2abE(X) -2aE(Y)。 来衡量a+bX近似Y的好坏。e 越小则a+bX与Y近似程 度越好。为此求a, b使e达到最小值，那么 (1) 由 E{[Y-(a0+b0X)]2} 及D(Y)的非负性，得知 ，亦即 |?XY| ? 1 。 (2) 由上面知，若|?XY| = 1，此时 从而 所以 由方差的性质可知, 反之,若存在 　　使， 这时 故　 则 故　 即 |?XY|=1。 说 明 X与Y之间没有线性关系并不表示它们之间没有关系。 存在着线性关系； 之间以概率 与 1 Y X 时， 当 1 = XY r 时， 越接近于 当 0 XY r 之间的线性关系越弱； 与 Y X ( ) 。 不相关 之间不存在线性关系 与 Y X 时， 当 0 = XY r 相关系数 是表征X, Y 线性关系紧密程度的一个量。 X 与 Y 相互独立?不相关；但不相关?相互独立 例4.15 设(X , Y) 服从区域D: 0x1, 0yx上的均匀分布, 求X与Y的相关系数。 解： D 1 x=y 以上结果说明了什么？ 解：1) 2) 例4.16 则 则 例4.17 设(X, Y) ～N（μ1， μ2，σ1 2，σ2 2 ，ρ），则ρXY = ρ。 可见，若(X, Y)服从二维正态分布，则X与Y独立的充分必要条件是X与Y不相关。 证明: 例4.18 设(X, Y)服从单位圆域 x2+y2≤1上的均匀分布, 证明: ?XY =0。 同理得E(Y)=0, ∴ Cov(X,Y)=E(XY)-E(X)E(Y)=0 可易得 D(X)0, D(Y)0。 ∴ ?XY =0, 故 X与Y不相关。 但可计算，X和Y不相互独立。 小结： 1）协方差的定义和性质； 2）相关系数的定义性质； 3）不相关的定义及等价条件； 4）独立性与不相关性的关系； 5）二维正态分布的不相关性与独立性等价。 1. k 阶原点矩 E(Xk), k=1, 2, … 2. k 阶中心矩 E{[X-E(X)]k}, k=2, 3, … 3. k+l 阶混合(原点)矩 E(Xk Yl), k, l= 1, 2, … 4. k+l 阶混合中心矩 E{[X?E(X)]k[Y?E(Y)]l}, k, l=1, 2, … 一、矩 §4.4 矩、协方差矩阵 所以 E(X) 是一阶原点矩（Moment），D(X)是二阶中心矩（Central moment），协方差Cov (X, Y)是二阶混合中心矩（Mixed central moment ）。 二、协方差矩阵 将二维随机变量（X1, X2）的四个二阶中心矩 排成矩阵的形式: 称此矩阵为（X1, X2）的协方差矩阵。 这是一个 对称矩阵 1. 定义 设X1, … , Xn 为n个随机变量，记 cij =Cov (Xi, Xj), i, j=1, 2, …, n。则称由cij 组成的矩阵 为随机变量 X1，… , Xn的协方差矩阵C。即 由于cij = cji (i≠j, i, j =1,2,…,n)， 故上述矩阵是对称矩阵。 三、n维正态分布的概率密度 1. 二维情形 令 则 (X1, X2)的 协方差矩阵 2. n维情形 令 则n维正态随机变量(X1, X2,…, Xn)的概率密度定义为 其中C为X1, X2,…, Xn的协方差矩阵。 3. n维正态随机变量X1, X2,…, Xn的性质 1) (X1,X2,…