协方差与相关系数课件.ppt

例4．设（X，Y）服从二维正态分布，求X，Y的相关系数。 《概率统计》 下页 结束 返回 前面我们介绍了随机变量的数学期望和方差，对于多维随机变量，反映分量之间关系的数字特征中，最重要的，就是本讲要讨论的“协方差和相关系数”. §4.4 协方差和相关系数 下页 任意两个随机变量X和Y的协方差,记为Cov(X,Y), [Covariance] 定义为 ⑶ Cov(X1+X2,Y)= Cov(X1,Y) + Cov(X2,Y) ⑴ Cov(X,Y)= Cov(Y,X) 一、协方差 2.简单性质 ⑵ Cov(aX,bY) = ab Cov(X,Y) a,b是常数 Cov(X,Y)=E{[ X-E(X)][Y-E(Y) ]} 1.定义 下页 Cov(X,Y)=E(XY) -E(X)E(Y) 可见，若X与Y独立， Cov(X,Y)= 0 . 3. 计算协方差的一个简单公式 由协方差的定义及期望的性质，可得 Cov(X,Y)=E{[ X-E(X)][Y-E(Y) ]} =E(XY)-E(X)E(Y)-E(Y)E(X)+E(X)E(Y) =E(XY)-E(X)E(Y) 即 下页 若X1,X2, …,Xn两两独立,，上式化为 D(X+Y)= D(X)+D(Y)+ 2Cov(X,Y) 4. 随机变量和的方差与协方差的关系 下页 二、相关系数 为随机变量X和Y的相关系数 . 定义: 设D(X)0, D(Y)0, 称 在不致引起混淆时，记 为 . 下页 例1. 求Cov(X,Y) ,ρXY 解： E(X) = 2 , E(Y) = 2； E(X2) = 9/2 , E(Y2) = 9/2 D(X) =1/2 , D(Y) = 1/2 E(XY) = Cov(X,Y) = 23/6 – 4 = - 1/6 ; ? ? ? Y 1 2 3 1 0 1/6 1/12 2 1/6 1/6 1/6 3 1/12 1/6 0 X 1/4 1/2 1/4 1）相关系数的计算 下页 例2. 设随机变量X的方差D( X )≠０且Y=aX+b(a≠０), 求X和Y的相关系数ρXY . 解： 下页 2. X和Y独立时， =0，但其逆不真. 由于当X和Y独立时，Cov(X,Y)= 0. 故 = 0 但由 并不一定能推出X和Y 独立. 请看下例. 2）相关系数的性质及其与独立性的关系 下页 例3. 设X服从(-1/2, 1/2)内的均匀分布,而 Y=cos (X)，求X，Y的相关系数。 因而 =0， 即X和Y不相关 . 但Y与X有严格的函数关系， 即X和Y不独立 . 解：不难求得 Cov(X,Y)=0. 相关系数刻划了X和Y间“线性相关”的程度. 下页 但对下述情形，独立与不相关等价 若(X,Y)服从二维正态分布，则 X与Y独立 X与Y不相关 显然，若X与Y独立，则X与Y不相关， 但由X与Y不相关，不一定能推出X与Y独立. 下页 解：X，Y的联合密度f(x,y)及边缘密度 fX(x), fY(y) 如下： 从而说明二维正态分布随机变量X、Y相互独立 ρ=0，即X、Y相互独立与不相关是等价的。 下页 例5．(X,Y)的概率密度如下,试证X与Y既不相关也不相互独立。 因fX(x)fY(y)≠f(x,y)，故X与Y不相互独立。 证明：(1) 因为 同样 E（Y）=0 于是 ρXY= 0 ，所以 X与Y不相关。 (2) 下页 §4.5 矩和协方差矩阵 设X是随机变量，若 k=1,2,… 存在， 称它为X的k阶原点矩. k=1,2,… 存在， 若 称它为X的k阶中心矩. 显然，期望是X的一阶原点矩， 方差是X的二阶中心矩. 下页 协方差Cov(X,Y)是X和Y的 二阶混合中心矩. 称它为X和Y的k+L阶混合（原点）矩. 若 存在， 称它为X和Y的k+L阶混合中心矩. 设X和Y是随机变量，若 k,L=1,2,… 存在， 可见， 下页