协方差矩阵相关系数教学课件.ppt

例4.22 解 于是 类似定义n维随机变量(X1,X2, …,Xn) 的协方差矩阵. 下面给出n元正态分布的概率密度的定义. 为(X1,X2, …,Xn) 的协方差矩阵 称矩阵 都存在, i, j=1,2,…,n 若 f (x1,x2, …,xn) 则称X服从n元正态分布. 其中Σ是(X1,X2, …,Xn) 的协方差矩阵. |Σ|是它的行列式， 表示C的逆矩阵， X和 是n维列向量， 表示X的转置. 设 =(X1,X2, …,Xn)是一个n维随机向量, 若它的概率密度为 n元正态分布的几条重要性质（略） 1. X=(X1,X2, …,Xn)服从n元正态分布 a1X1+ a2 X2+ …+ an Xn均服从正态分布. 对一切不全为0的实数a1,a2,…,an， n元正态分布的几条重要性质 2. 若 X=(X1,X2, …,Xn)服从n元正态分布， Y1,Y2, …，Yk是Xj（j=1,2,…,n）的线性函数， 则(Y1,Y2, …，Yk)也服从多元正态分布. 这一性质称为正态变量的线性变换不变性. n元正态分布的几条重要性质 3. 设(X1,X2, …,Xn)服从n元正态分布，则 “X1,X2, …,Xn相互独立” 等价于 “X1,X2, …,Xn两两不相关” 这一讲我们介绍了协方差和相关系数 相关系数是刻划两个变量间线性相关程度 的一个重要的数字特征. 它取值在-1到1之间. 如果两个变量之间存在强相关，则已知一个变量的值对预测另一个变量的值将很有帮助. 如果两个变量之间只有很弱的相关，则关于一个变量的信息对猜测另一个变量的值没有多大帮助. 注意独立与不相关并不是等价的. 当(X,Y)服从二维正态分布时，有 X与Y独立 X与Y不相关 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，就是现在要讨论的 4.4 协方差和相关系数 在讨论这个问题之前，我们先看一个例子。 在研究子女与父母的相象程度时，有一项是关于父亲的身高和其成年儿子身高的关系. 这里有两个变量，一个是父亲的身高，一个是成年儿子身高. 为了研究二者关系. 英国统计学家皮尔逊收集了1078个父亲及其成年儿子身高的数据, 画出了一张散点图. 那么要问：父亲及其成年儿子身高是一种什么关系呢？ 类似的问题有： 吸烟和患肺癌有什么关系？ 受教育程度和失业有什么关系？ 任意两个随机变量X和Y的协方差,记为Cov(X,Y), 定义为 ⑶ Cov(X1+X2,Y)= Cov(X1,Y) + Cov(X2,Y) ⑴ Cov(X,Y)= Cov(Y,X) 4.4.1 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 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(性质4) 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 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 常用上式计算不互相独立的随机变量和的方差. 例4.16 设二维随机变量（X，Y）的概率密度为 试求cov(X, Y),并讨论X与Y是否相互独立。 解 所以 同理， 显然， 所以X与Y 不相互独立。 而 所以 Cov(X,Y)=E(XY) -E(X)E(Y) =0 注： Cov(X,Y)= 0 时，称X与Y不相关。此例说明， X与Y不相关，不一定相互独立。 例4.17 已知随机变量(X,Y)的分布律如下表，问X，Y是否相关？是否独立。？ X -2 0 2 Y -2 0 2 0 1/4 0 1/4 0 1/4 0 1/4 0 Pi. 1/4 1/2 1/4 P.j 1/4 1/2 1/4 1 解 类似地有 易知XY的分布为 XY -4 0 4 P 0 1 0 于是 E(XY)=(-4) ×0 + 0×1 + 4