概率论课堂讲义4.3协方差与相关系数.pptVIP

(2) 性质 (1)n维随机向量(X1，…，Xn)服从n维正态分布的充要条件是X1，…，Xn的任意线性组合 l1X1+l2X2+…+lnXn(l1,l2,…,ln不全为0)服从一维正态分布。 (2)若X=(X1,…,Xn)?～N(μ,C)，设Y=(Y1,Y2,…,Ym)?=AX,即Yi为Xj(j=1，2，…，n)的线性函数,i=1，2，…，m，则Y～N(Aμ，ACA?)，其中A为－m行n列且秩为m的矩阵。 (3)设(X1，…，Xn)服从n维正态分布，则“X1，…，Xn”相互独立与“X1，…，Xn两两不相关”是等价的。 例3: 设X～N（0，1），Y～N(0，1 ),若X与Y相互独立，求E(|X-Y|)。 解: 令Z=X-Y，问题化为求E(|Z|)，为求E(|Z|),我们先求出Z的分布密度. 由于(X，Y)服从二维正态分布，由性质知Z服从一维正态分布，而E(Z)=E(X-Y)=E(X)-E(Y)=0，D(Z)=D(X-Y)=D(X)+D(Y)=2，故Z～N（0，2），即Z的分布密度为 于是 例4: 设 ,问X与Z是 否独立? 解: 由性质知(X，Z)服从二维正态分布，再由性质知判断X与Z是否独立等价于判断X与Z是否不相关。 D(X)=32， D(Y)=42，ρXY=-1/2, 于是ρXZ=0 所以X与Z不相关，由此可得X与Z相互独立。 * * 注意：由定义可知：一阶原点矩就是数学期望，一阶中心矩为0，二阶中心矩是方差D(X)。所以，上述概念是数学期望、方差概念的推广,注意：混合中心矩是协方差的推广。 * 前面介绍了一维，二维正态分布，那么n维正态分布该如何定义呢?为此我们先将二维正态分布的概率密度写成另一种形式。现将上式用向量与矩阵来表达， 4.3 协方差与相关系数 引言 若X，Y独立，则： D(X+Y)=D(X)+D(Y);E(XY)=E(X)E(Y), 从而有 E{[X-E(X)][Y-E(Y)]}=0. 说明E{[X-E(X)][Y-E(Y)]}的大小反映了X，Y间关联的程度。 一、协方差与相关系数的定义 1．协方差的定义 E{[X-E(X)][Y-E(Y)]}称为随机变量X与Y的协方差，记为Cov(X,Y)，即 Cov(X,Y)= E{[X-E(X)][Y-E(Y)]}. 而当D(X)0, D(Y)0时， 称为随机变量X与Y的相关系数。 注释： (1)Cov(X,Y)作为[X-E(X)][Y-E(Y)]的均值，依赖于X，Y 的度量单位，选择适当的单位使X，Y的方差是1，协方 差就是相关系数，这能更好的反映X，Y之间的关系，而 不受所用单位的影响。 一般地，数学期望为0，方差为1的随机变量的分布称为标准分布，故ρXY又称为标准协方差。 2．关系公式: (1) 协方差与方差的关系：D(X+Y)=D(X)+D(Y)+2Cov(X，Y) (2) 协方差与数学期望的关系：Cov(X，Y)=E(XY)-E(X)E(Y) 我们常用这个公式计算协方差。 (3) 若X，Y独立，则Cov(X，Y)=0,但反之不成立。 3．协方差与相关系数的性质 协方差具有下述性质： (1) Cov(X，Y)= Cov(Y，X)； (2) Cov(aX，bY)= abCov(X，Y)； (3) Cov(X1+X2，Y)= Cov(X1，Y)+ Cov(X2，Y) 相关系数具有下述性质： (1)|ρXY|≦1 ; 证： 由柯西一许瓦兹不等式知 所以 |ρXY|≦1。 (2) |ρXY|=1 ? 存在常数a,b使P{Y=aX+b}=1. 意义 |ρXY|=1当且仅当Y跟X几乎有线性关系。这在一定程度上说明了相关系数的概率意义。ρXY并不是刻画X，Y之间的“一般”关系，而只是刻画X，Y之间线性相关的程度。 4．计算公式： (1)用定义求： 若X，Y为离散型随机变量 若X，Y为连续型随机变量 (2)用公式： 解：(1)因为X、Y相互独立，所以E(XY)= E(X) E(Y)； (2) E(Z)= 3[D(X)+[E(X)]2]-2E(XY)+[D(Y)+[E(Y)]2]-3 E(Z)=E(3X2-2XY+Y2-3)= 3 E(X2)-2E(X)E(Y)+ E(Y2)-3 =3[D(X)+[E(X)]2]-2E(X)E(Y)+[D(Y)+[E(Y)]2]-3=62； =24-2[Cov(X,Y)+ E(X)E(Y)]+25-3 =24-2