概率论和 与数理统计课件 4.3二维随机向量的协方差.pptVIP

二维随机向量(X,Y)，其协方差定义为 4.2.1 二维随机向量的协方差 由定义 3) Cov(X1+X2,Y)= Cov(X1,Y) + Cov(X2,Y) (对称性) 证明： 证明： 注：性质(3)和(5)说明协方差满足双线性，即     定理1 对二维随机向量(X, Y)， (1) 若X,Y独立，则cov(X, Y)＝0 证明 相关系数的性质： 2. X和Y独立时， ，但其逆不真. 由于当X和Y独立时，Cov(X,Y)= 0. 故 请看下例. Cov(X,Y)=0， 事实上，X的密度函数 例1 设X服从(-1/2, 1/2)内的均匀分布 , 而Y=cos X, 不难求得 即 X 和 Y 以概率 1 线性相关. 因而 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 .     若 的值越接近于1, Y 与 X 的线性相关程度越高; 的值越接近于0, Y与X的线性相关程度越弱. 相关系数刻划了X和Y间“线性相关”的程度. 但对下述情形，独立与不相关等价 前面，我们已经看到： 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. 例 设二维随机向量（X,Y）的联合密度为 解： 4.2.3 条件数学期望 离散型随机变量的条件数学期望 连续型随机变量的条件数学期望 条件期望的性质 (1) (2) (3) 特别地 (4) 例 (随机个随机变量的和) 解：