概率论及数理统计-协方差和相关系数01.pptVIP

§3 协方差和相关系数 Covariance and 一、协方差 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 三、几个常用的数字特征 1、矩 (moment) :  2、协方差矩阵 （了解） ①二维r.v(X,Y)有四个二阶中心矩即D(X) 、cov(X,Y) 、cov(Y,X) 、D(Y),将它们排成矩阵 称为X,Y的协方差矩阵. 小结： 征 = = 数 字 特 * （1）定义：D（X）= 1. 设C是常数,则D(C)=0; 2. 若k是常数,则D(kX)=k2 D(X); 3. 若X1与X2 独立，则D(X1+X2)= D(X1)+D(X2); 复习：方差 （2）计算： 方法2: 方法1：由定义 （3）性质： 一般地： D(X1+X2)= D(X1)+D(X2) + 2 E{[X-E(X)] [Y-E(Y)]}。 (3)泊松分布: (1)(0-1)分布: D(X)=p (1-p ) (2) 二项分布: D(X)=np(1-p) D(X)= (4)正态分布: (5)均匀分布: D(X)= D(X)= (6) 指数分布 （4）常见分布的方差： (5) 切比雪夫不等式 设r.vX具有均值E(X)=? ,方差D(X)=?2，则对?? 0 ,有不等式 证明:根据数学期望与方差的性质: 证明E(Y)=0,D(Y)=1 P99T10： 设E(X),D(X)均存在,且D(X) ≠0 通常把由 r.v X 构造r.v Y的过程叫做对r.v X 标准化。 注意:更重要的是要知道如何将一个随机变量标准化. correlation coefficient 对于一个二维随机向量（X，Y），期望和方差只反映了它们各自的平均取值与相对于其均值的偏离程度，没有反映出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。 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: 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) Cov(X,X)=D(X) 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 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本身的系数影响. 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 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 是没有单位的量，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： 相关系数刻划了X和Y间“线性相关”的程度. 将e视为关于a,b的二元函数，求驻点： 解得 性质1）成立。 对应的误差平方为 性质2）证明略。 要使Y与X的某个线性函