概率论第13讲.pptVIP

概率论与数理统计 第十三讲 §4.3 协方差与相关系数 对于二维随机向量(X,Y)， 除了其分量X和Y 的期望与方差之外, 还有一些数字特征, 用以刻画X与Y之间的相关程度，其中最主要的就是下面要讨论的协方差和相关系数。 定义1：若 E{[ X-E(X)][Y-E(Y)]} 存在，则称其为X 与Y 的协方差，记为 C o v (X,Y), 即 4.3.1 协方差 C o v (X, Y) = E{[ X-E(X)][Y-E(Y) ]}. (1) (3). Cov(X1+X2, Y)= Cov(X1, Y) + Cov(X2, Y) ； (1). C o v (X, Y) = C o v (Y, X)； 协方差性质 (2). 设 a, b, c, d 是常数，则 C o v ( a X +b, c Y +d ) = ac C o v (X, Y) ； (4). C o v (X, Y) =E(XY)-[E(X)][E(Y)] ， (5). V a r (X+Y)=Var(X)+Var(Y)+2Cov(X, Y) . 当 X 和 Y 相互独立时，C o v (X, Y)=0； 若 X1, X2, …, Xn 两两独立，则 性质(5)可推广到 n 个随机变量的情形： 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 和Y 本身度量单位的影响。 例如： C o v (a X, b Y) = a b C o v (X, Y). 为了克服这一缺点，对协方差进行标准化，这就引入了相关系数 。 4.3.2 相关系数 为随机变量X 和Y 的相关系数 。 定义2: 设V a r (X) 0, V a r (Y) 0, 则称 在不致引起混淆时，记 为 相关系数性质 证：由方差与协方差关系， 对任意实数b, 有 0≤Var(Y-bX) =b2Var(X)+Var(Y)-2b C o v (X,Y ), 令 则有 V a r (Y- b X) = 由方差V a r (Y)0, 知 1-ρ 2≥ 0, 所以 | ρ |≤1。 由于当 X 和 Y 独立时，C o v (X, Y)= 0 . 请看下例： (2). X 和Y 独立时, ，但其逆不真； 但ρ=0 并不一定能推出 X 和 Y 独立。 所以， 证明: 例 1：设 (X,Y) 服从单位 D={ (x, y): x2+y2≤1}上的均匀分布，证明： ?XY = 0。 同样，得 E(Y)=0, 所以， C o v (X, Y)= E(XY)-E(X) E(Y) = 0 . 此外，V a r (X) 0, V a r (Y) 0 . 所以，?XY = 0，即 X 与 Y 不相关。 但是，在例3.6.2已计算过: X与Y不独立。 存在常数a, b (a ≠0)， 使 P{ Y = a X + b} = 1 ，即 X 和 Y 以概率 1 线性相关。 (3). |ρ|=1 但对下述情形，独立与不相关是一回事： 前面, 我们已经看到： 1. 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。 2. 若(X, Y )服从二维正态分布，则X 与Y 独立的充分必要条件是X与Y不相关。 对上述第2点可以加以推广 设(X1,X2, …, X n)服从n元正态分布，则 “X1,X2, …, X n两两不相关”。 “X1, X2, …, Xn 相互独立” 等价于 定义1：设X是随机变量, 若E (X k) 存在(k =1, 2, …), 则称其为X 的 k 阶原点矩；若 E{[X - E (X)] k} 存在(k = 1,2, …), 则称其为X的 k 阶中心矩。 §4.4 矩与协方差矩阵 4.4.1 矩 易知：X 的期望 E(X) 是 X 的一阶原点 矩，方差 V a r (X) 是 X 的二阶中心矩。 定义2：设X和Y是随机变量, 若 E (X k Y m) 存在(k, m=1, 2,…), 则称其为X与Y的 k + m 阶混合原点矩； 若 E{[X- E (X) ]k [Y-E (Y) ]m}存在(k, m=1,2,…，)则称其为X与Y的 k + m 阶混合中心矩。 4.4.2 协方差矩阵 将随机向量 (X1, X2) 的四个二阶中心矩 排成一个2×2矩阵