确率统计Ⅰ.pptVIP

確率?統計Ⅰ 第5回 確率変数の共分散 確率変数の共分散 確率変数の共分散 （定義） 共分散の公式 相関係数 チェビシェフの不等式 確率変数の共分散 確率変数の共分散 確率変数の共分散 確率変数の共分散 （定義） 共分散の公式 相関係数 チェビシェフの不等式 共分散の公式(a) 共分散の公式(b) 共分散の意味？ 確率変数の共分散 確率変数の共分散 （定義） 共分散の公式 相関係数 チェビシェフの不等式 2つの確率変数の相関係数 確率変数の共分散 確率変数の共分散 （定義） 共分散の公式 相関係数 チェビシェフの不等式 チェビシェフの不等式 チェビシェフの不等式 チェビシェフの不等式 チェビシェフの不等式 メニューに戻る メニューへ * 確率変数と確率分布 確率変数の同時分布、独立性 確率変数の平均 確率変数の分散 確率変数の共分散 ベルヌイ試行、二項分布 二項分布（続き）、幾何分布 ポアソン分布 正規分布 正規分布（続き） 大数の法則、中心極限定理 統計学の基礎1（母集団と標本、確率論との関係） 統計学の基礎2（正規分布を用いた推定?検定） ここです！ Cov(X, Y) = E[(X-μ) (Y-ν)] E(X)=μ, E(Y)=νとする。 を X と Y の共分散という。 Cov(X, X) = V(X) 分散 自分自身との共分散が「分散」にほかならない。 V(X+Y) = V(X) + 2Cov(X,Y) + V(Y) V(X+Y) = E[(X+Y -μ-ν)2] = V(X) + 2Cov(X,Y) + V(Y) 証明 = E[( X -μ)2 + 2 ( X -μ) (Y -ν) + (Y -ν) 2] = E[( X -μ)2]+ 2E [( X -μ) (Y -ν) ]+ E[(Y -ν) 2] Cov(X,Y) = E(XY) - E(X) E(Y) Cov(X,Y) = E[(X-μ)(Y-ν)] = E(XY) - μν 証明 = E( XY -νX -μY + μν ) = E(XY) -νE(X) -μE(Y) +μν Cov(X,Y) = 0 X, Y が独立 ? E(XY) = E(X)E(Y) だったから、これと Cov(X,Y) = E(XY) - E(X) E(Y) より明らか。 X, Y が独立ならば 証明 を X と Y の相関係数という。 ※ 内積との類似性に注目せよ！ μ=E(X) 証明 （離散型の場合） V(X) = Σ(xi-μ)2 pi ≧（|xi-μ|≧εだけの和で）Σ(xi-μ)2 pi ≧ （|xi-μ|≧εだけの和で） Σε2 pi = ε2 （|xi-μ|≧εだけの和で） Σpi = ε2 P( |xi-μ|≧ε) チェビシェフの不等式から、X がどんな分布に従う場合でも、平均μ, 分散σ2 とすれば たとえば 平均から±3σ 以上離れた値になる確率は 1/9 = 0.111… 以下であることがわかる。 チェビシェフの不等式から、X の分散σ2 が小さいほど、平均μの近くの確率が大きいことがわかる。 （「分散の意味」の証明！） これは 公式 V(X) = E(X2) – E(X)2 の一般化になっている。 逆は成り立たないことに注意。 V(X+Y) = Cov(X-Y,X-Y) ←→ (X+Y)2 と思えば、平方展開とまったく同じである。 ρ≦1 独立?ρ=0 Y=aX+b ? |ρ|=1 そして、|ρ|が1に近いほどYとXは1次関係に近づく（最小二乗法の意味で）。 その1次関係は、Y-ν =Cov(X,Y)/(√V(X))?( X -μ ) となる。 チェビシェフの不等式で、ε=nσとおけばよい。 ※ Xの分布がわかっている場合は、もちろんもっと詳しいことがいえる。 たとえば、Xが正規分布に従うならば、平均から±3σ以上になる確率は（チェビシェフからわかる確率よりはるかに少なく）0.004以下である。 ( |X-μ|≧ε) の余事象のほうで見ただけ。 *