第三节 协方差及相关系数　.docVIP

第三节 协方差及相关系数　 　　　　　　　　　 ★ 协方差的定义 ★ 协方差的性质　　 ★ 例1 ★ 例2　 ★ 相关系数的定义 ★ 相关系数的性质　　 ★ 例3 ★ 例4 ★ 例5 ★ 例6　　 ★ 矩的概念 ★ 协方差矩阵　　 ★ n维正态分布的概率密度　 ★ n维正态分布的几个重要性质 ★ 例7　　 ★ 内容小结 ★ 课堂练习　　 ★ 习题4-3 ★ 返回　　 　　　　　　为二维随机向量,若　 　 存在, 则称其为随机变量和的协方差, 记为,即 　 按定义, 若为离散型随机向量,其概率分布为　 　　　　 若为连续型随机向量, 其概率分布为 则　　 .　 此外, 利用数学期望的性质, 易将协方差的计算化简.　 　 特别地, 当与独立时, 有 　 　　 二、协方差的性质　 1. 协方差的基本性质　　 　　　 　　　 是常数;　　　为任意常数;　　 　 与相互独立时,则　 2. 随机变量和的方差与协方差的关系　 　　 特别地, 若与相互独立时, 则　　　.　　 　 三、相关系数的定义与性质　　　为二维随机变量,称　 　 为随机变量和的相关系数.有时也记为. 特别地，当时，称与不相关.　 相关系数的性质　 1. 　 和相互独立, 则.　　 3. 若,则当且仅当存在常数 使, 而且当时, ;当时, .　 注: 相关系数刻画了随机变量Y与X之间的“线性相关”程度.　 的值越接近1, Y与X的线性相关程度越高;　　 的值越近于0, Y与Y的线性相关程度越弱.　　 当时, Y与X的变化可完全由X的线性函数给出.　　 当时, Y与X之间不是线性关系.　　　称为用来近似Y的均方误差,则有下列结论. 　　　 则使均方误差达到最小.　 注: 我们可用均方误差e来衡量以近似表示Y的好坏程度, e值越小表示与Y的近似程度越好.且知最佳的线性近似为而其余均方误差. 从这个侧面也能说明. 越接近1, e越小.反之, 越近于0, e就越大.Y与X的线性相关性越小.　　 　　 四、矩的概念　 定义 设和为随机变量, 为正整数, 称　 为阶原点矩(简称阶矩阵);　　　 为阶中心矩;　　 为阶绝对原点矩;　　 为阶绝对中心矩;　　　 为和的阶混合矩;　　　 为和的阶混合中心矩;　　　 的数学期望是的一阶原点矩;　　　 的方差是的二阶中心矩;　　 (3)协方差是和的二阶混合中心矩.　　 　　 五、协方差矩阵　　 将二维随机变量的四个二阶中心矩　　 　　 排成矩阵的形式: （对称矩阵），称此矩阵为的协方差矩阵.　　　维随机变量的协方差矩阵.　　　都存在, 则称　　 　　 为的协方差矩阵.　 　 六、n维正态分布的概率密度　　 七、n维正态分布的几个重要性质　　 　　　　　　的概率分布为　 　　 Y 　 X 　　　　 0　 2　　　　　　　　　　　　　　　求.　　 例2 (讲义例2) 设连续型随机变量的密度函数为　　 　 求和.　　 相关系数的性质　 例3 (讲义例3) 设(X,Y)的分布律为　　 X　 Y　　　　　　　 1　　　　　　　　　　　　　　　　　　　　　　 1/4　　　　　　　　　于是不相关. 这表示不存在线性关系. 但知不是相互独立的. 事实上, 和具有关系: 的值完全可由的值所确定.　 例4 (讲义例4) 设服从上的均匀分布, 判断与是否不相关, 是否独立.　　 例5 (讲义例5) 已知, 且与的相关系数　 　 设 求及　　 例6 (讲义例6) 设服从二维正态分布, 它的概率密度为　 求和的相关系数.　 注：在上一章中我们已经得到：若服从二维正态分布, 那么和相互独立的充要条件为. 现在知道即为与的相关系数, 故有下列结论:　 “若服从二维正态分布，则与相互独, 立当且仅当与不相关”.　　　　　　和相互独立且 ，试求的概率密度.　　　为其所得分数(百分制). 已知　　 ; 　 现以服从正态分布的综合分来决定各参评品牌的名次　 .(1) 试求Y的分布; (2) 如果对综合分的品牌颁奖, 试计算获奖者的百分比.