概率论与数理统计第三节协方差和相关系数.pptVIP

第三节 例3 例4 例4 作业 例4 设随机变量 第四节 作业 2. X 和Y 独立时， =0，但其逆不真. 由于当 X 和 Y 独立时，Cov(X,Y)= 0. 故 = 0 但由 并不一定能推出 X 和 Y 独立. 若随机变量X 与Y 相互独立，则X 与Y 不相关， 2） (X,Y) ~ N (μ1,σ 21; μ2 , σ22; ρ) ,则 X, Y 相互独立 ρ＝0 . 注 1） 此定理的逆定理不成立, 即由ρXY＝0 不能得到X 与Y 相互独立. 定理 即有 ρXY ＝ 0 . 设 因而 = 0， 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 . 证 证明X与Y不相关。 COV( X,Y )＝E( XY ) －EX EY 例1 (X,Y)在以原点为圆心的单位圆内服从均匀分布 例2 判断随机变量X,Y的不相关性与相互独立性。 解 已计算得 Cov(X, Y)=0. 随机变量不相关不一定相互独立! 当x2+y2≤1. 但 称它为X和Y的 k +l 阶混合中心矩。 设X,Y是随机变量， 二 矩和协方差矩阵 若 称它为X的k阶原点矩， 简称为k阶矩。 若 存在,称它为X的 阶中心矩。 阶混合矩。 若 存在,称它为X和Y的 若 存在, 存在， 称随机变量X的k 次幂的数学期望, 设随机变量X的离差X－EX 的k次幂的数学期望 为X的k 阶原点矩. 称为X的k 阶中心矩. 当X为离散型随机变量设分布列 矩 当X为连续型随机变量时，设概率密度为 显然一阶原点矩就是期望 一阶中心矩恒等于零 其中 DX = E[(X－EX)2]= E(X2) －(EX)2 注意到 V1=EX, V2=E( X2 ) 二阶中心矩就是方差 随机变量的矩是数！！！ P219 14; 15; 设X服从(-0.5, 0.5)内的均匀分布, （请自行验证） 因而 =0， 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 . 而 Y = cos X,不难求得， Cov(X,Y)=0， 例3 * 第四章 一 、协方差和相关系数的概念 协方差、相关系数 二、协方差的计算公式 三 、协方差和相关系数的性质 特征中，最重要的就是本讲要讨论的 协方差和相关系数 前面我们介绍了随机变量的数学期望和方差， 数学期望反映了随机变量在概率意义下的平均值， 方差则反映了随机变量相对于其均值的离散程度， 这对我们了解随机变量有一定的帮助。 随机变量 ， 但对于二维 我们除了关心 的期望和方差外， 还希望知道之间的关系， 在反映分量之间关系的数字 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. 收集了1078个父亲及其成年儿子身高的数据, 画出了 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 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？ 高考入学分数和大学学习成绩有什么关系？ 我们需要从理论上对两变量的相互关系加以研究. 为了研究诸如此类的两变量的相互关系问题， 这一讲就来讨论这个问题. 一、 协方差与相关系数的概念 D(X＋Y )=DX ＋DY+2E [(X－EX ) （Y－EY)] D(X－Y )=DX ＋DY －2E[(X－EX )(Y－EY)] 定义：若 E[(X－E X )(Y－EY )] 存在，称 COV ( X,Y ) = E[( X－E X )(Y－E Y )] 为随机变量 X, Y 的协方差. D(X士Y) = D X + DY士2COV( X,Y ) 方差与协方差的关系： 定义4.5 设二维随机变量（X ,Y)， 则称它为X与Y的协方差，记为 即 称 为随机变量X与Y的相关系数。 若 存在， E[(X－E X )(Y－E Y )] COV ( X,Y）。 COV ( X,Y )= E[(X－E X )(Y－E Y )] COV ( X,Y )=E[(X－E X ) (Y－E Y )] 若随机变量 X, Y 为离散型. 若随机变量 X, Y 为连续型. 协方差 相关系数 证明：由协方差的定义及期望的性质，可得 Cov(X,Y )=E[(X － EX )(Y － EY )] = E(XY) － EX EY － EYEX+EXEY = E( X