16讲协方差与相关系数、二项分布.pptVIP

概率论与数理统计第16讲 协方差、相关系数与二项分布 思考 单个的随机变量的时候 关心它们的数学期望和方差 研究两个随机变量的关系的时候, 也不关心它们的联合分布 人们关心的是： 这两个随机变量是联系非常紧密呢? 还是毫无关系?即相互独立. 人们希望用一个数字就能够在相当程度上描述两个随机变量的联系程度. 例如, 如果这个数字越接近于零, 说明这两个随机变量的联系越差, 越接近于相互独立, 反之则联系越紧密, 越接近于相互之间有关系. 一个人的身高和体重关系程度究竟有多大呢? 一个人的吸烟量和他的平均寿命是有关系的, 这个关系量又有多大呢? 一种化肥的施用量和农作物的产量是有关系的, 这个关系的大小又是如何呢? 这样一些问题都希望能够用一个数字就表示出来, 这就是人们想到要用协方差和相关系数的原因. 对于两个随机变量X和Y,当它们是完全相等的时候, 联系是最紧密的了.而当它们相互独立的时候, 联系是最差的了. 前面我们研究过它们的和X+Y的方差: D(X+Y)=E{X+Y-E(X+Y)}2 =E{X-E(X)+Y-E(Y)}2 =E{(X-E(X))2+(Y-E(Y))2+2(X-E(X))(Y-E(Y))} =E(X-E(X))2+E(Y-E(Y))2+2E{(X-E(X))(Y-E(Y))} =D(X)+D(Y)+2E{(X-E(X))(Y-E(Y))} D(X+Y)=D(X)+D(Y)+2E{(X-E(X))(Y-E(Y))}. 关键在后一项2E{(X-E(X))(Y-E(Y))}, 定义E{(X-E(X))(Y-E(Y))}为X和Y的协方差, 用Cov(X,Y)表示. 则 D(X+Y)=D(X)+D(Y)+2Cov(X,Y) 当X和Y相互独立时, 联系最不紧密, 这时候Cov(X,Y)=0, 因此D(X+Y)=D(X)+D(Y) 而当X=Y时, 联系最紧密, 这时候 D(X)=D(Y)=Cov(X,Y), 因此D(X+Y)=D(2X)=4D(X) Cov(X,Y)=E{(X-E(X))(Y-E(Y))} D(X+Y)=D(X)+D(Y)+2Cov(X,Y) 当协方差为0时表示X,Y联系最不紧密, 但协方差多大表示X,Y联系最紧密却是与X及Y的方差的大小有关的, 为去除这个因素, 因此定义 现证明|?XY|?1 令X=X-E(X), Y=Y-E(Y) 对于任给的实数t, 有E(X+tY)2?0, 即E(X2)+2tE(XY)+t2E(Y2) ?0, 即关于t的一元二次方程E(X2)+2tE(XY)+t2E(Y2) =0最多只有单个实根或者没有实根, 判别式b2-4ac?0 当|?XY|=1时 E(X2)+2tE(XY)+t2E(Y2)=0存在着一个单根,假设这单根为t0, 则有 E(X2) +2t0E(XY)+t02E(Y2) =0 即E(X+t0Y)2=0, 又随机变量(X+t0Y)2总是取非负值， 所以存在着实数t0使得X+t0Y=0, 即X和Y的离差是正好成比例的, 我们将这种情况称作X与Y呈线性关系, 因此就有定理(接后页) 定理: 两个随机变量X和Y呈线性关系的充分必要条件是:它们的相关系数的绝对值为1, 即 |?XY|=1 如果X和Y相互独立, 则它们的相关系数必为0, 即?XY=0. 但是当?XY=0时未见得X和Y相互独立, 并在作业或者例子(p132,例1)中经常给出反例. 协方差的统计 对协方差E(X-E(X))(Y-E(Y))的统计是这样, 先是通过试验获得了X和Y的n对数据(a1,b1),(a2,b2),...,(an,bn)然后令 几种重要的分布 1 二项分布 在第一章介绍过独立试验概型,做n次相互独立的试验, 每次试验事件A出现的概率为p, 不出现的概率为q=1-p, 事件A出现的次数X为一离散型随机变量, 则 定义 如果随机变量X有概率函数 其中0p1, q=1-p, 则称X服从参数为n,p的二项分布. 简记作X~B(n,p). 在这里P{X=k}的值恰好是二项式(q+px)n展开式中第k+1项xk的系数. 如果X~B(n,p), 则X可看作是由n个取概率为p的相互独立的0-1分布的随机变量Xi,i=1,2,...,n的和, X=X1+X2+...+Xn X的分布函数为 例1 某工厂每天用水量保持正常的概率为3/4, 求最近6天内用水量正常的天数的分布.解 设最近6天内用水量保持正常的天数为X, 则X~B(6,0.75), 因此 其分布表如下表所示 例2 10部机器各自独立工作, 因修