协方差及相关系数.ppt
合集下载
协方差与相关系数 PPT
D(V ) D(2X Y ) D(2X ) D(Y ) 2Cov(2X ,Y )
4D( X ) D(Y ) 2 2 Cov( X ,Y ) 17
所以
Cov(U ,V ) Cov(2X Y , 2X Y )
Cov(2X , 2X ) Cov(2X ,Y ) Cov(Y , 2X ) Cov(Y ,Y )
所以D(t0X*-Y*)=0,由方差得性质知它等价于 P{t0X*-Y* =0}=1,即P{Y=aX+b}=1
其中a=t0σ(Y)/σ(X),b=E(Y)- t0 E(X) σ(Y)/σ(X)、
• 性质3:若X与Y相互独立,则ρXY=0、 证明 若X与Y相互独立,则E(XY)=E(X)E(Y), 又 Cov(X,Y)= E(XY)-E(X)E(Y),所以
协方差与相关系数
一、协方差得概念及性质 二、相关系数得概念及性质 三、协方差得关系式
§1 协方差
• 定义:设二维随机向量(X,Y)得数学期望 (E(X),E(Y))存在,若E[(X-E(X))(Y-E(Y))]存在,则称 它为随机变量X与Y得协方差,记为Cov(X,Y),即
Cov(X,Y)= E[(X-E(X))(Y-E(Y))] • 协方差有计算公式
9 ， XY
1 3
，设
U
2X
Y
，
V 2X Y ， 求 UV .
解
Cov( X ,Y ) XY
D( X ) D(Y ) 1 3
49 2
D(U ) D(2X Y ) D(2X ) D(Y ) 2Cov(2X ,Y )
4D( X ) D(Y ) 2 2 Cov( X ,Y ) 33
E( X ) (1) 0.15 1 0.35 0.20
协方差和相关系数的计算ppt(共24张PPT)
E(X 2) 2
D( X ) D(Y ) 2
E(Y 2 ) 2
cov(U ,V ) (a2 b2 ) 2
而 D(U ) a2D( X ) b2D(Y ) (a2 b2 ) 2
D(V ) a2D( X ) b2D(Y ) (a2 b2 ) 2
故
UV
a2 a2
b2 b2
XY 1 0 P pq
E(X ) p, E(Y ) p, D(X ) pq, D(Y ) pq, E(XY ) p, D(XY ) pq,
cov( X ,Y ) pq, XY 1
例2 设 ( X ，Y ) ~ N ( 1，12，2，22，)， 求
XY ．
解
cov( X ,Y )
当D(X ) > 0， D(Y ) > 0 时，当且仅当
P(Y E(Y ) t0 ( X E( X ))) 1
时，等式成立 —Cauchy-Schwarz不等式．
证明 令
g(t) E[(Y E(Y )) t( X E( X ))]2 D(Y ) 2t cov( X ,Y ) t2D( X )
在寒冷的年代里，母爱是温暖。
协方差和相关系数的计算
cov(U ,V ) 解 在文明的年代里，母爱是道德。
继续讨论：a，b 取何值时，U，V 不相关？
E(UV
)
E(U
)E(V
)
为X，Y 的相关系数，记为
a E( X ) b E(Y ) 例2 设 ( X ，Y ) ~ N ( 1， 12， 2， 22，2 )， 求 2XY ． 2
E( XY ) p, D( XY ) pq,
cov( X ,Y ) pq, XY 1
X X p ,Y Y p , P(X Y ) 1
概率论与数理统计课件 协方差与相关系数
试求二维正态随机变量的边缘概率密度 .
p( x, y)
1
e 1 2(1 ρ2
)
(
x
μ1 σ12
)2
2
ρ(
x
μ1 )( σ1σ2
y
μ2
)
(
y
μ2 σ22
)2
2πσ1σ2 1 ρ2
pX (x) pY ( y)
1
e ,
(
x μ1 2 σ12
)2
2πσ1 1
e
(
y μ2 2σ22
)2
1
2πσ1σ2
1 ρ2
( x μ1 )( y μ2 )
e e d y d x.
(
x μ1 2σ12
)2
1 2(1
ρ2
)
y
μ2 σ2
ρ
x
μ1 σ1
2
令t
1 1
ρ2
y
μ2 σ2
ρ
x
μ1 σ1
,
u x μ1 , σ1
2019/4/24
4-3—协方差和相关系数
3 .不相关与相互独立的关系
相互独立 不相关
2019/4/24
4-3—协方差和相关系数
10
例1 设 ( X ,Y ) 在圆域 x2 y2 1 上服从均匀分布, （1）问X与Y是否独立？ （2）求相关系数
例2 X ~N(0,1),Y X 2, 证明X与Y不相关且不独立
解：E( XY ) E( XX 2 ) x3 ( x)dx 0 Cov( X ,Y ) E( XY ) E( X )E(Y ) 0 故X与Y不相关
2019/4/24
4-3—协方差和相关系数
协方差与相关系数
其余均方误差
e
D(Y
)(1
2 XY
).
从这个侧面也
能说明 XY 越接近1，e 越小. 反之， XY 越近于0，
e 就越大， Y与X的 线性相关性越小.
完
例3 设 ( X ,Y ) 的分布律为
X
Y
2 1 1 2 P{Y yi }
1
0 1/4 1/4 0
1/ 2
4
1/4 0 0 1/4 1/2
D(Y
)[1
2 XY
],
D(Y
)1
[cov( X ,Y )]2 D( X )D(Y )
D(Y
)[1
2 XY
],
由于方差
D(Y
)
是正的，
故必有
1
2 XY
0,
所以
XY 1.
性质2. 若 X 和 Y 相互独立，则 XY 0;
注意到此时 cov( X ,Y ) 0, 易见结论成立.
注： X 与Y 相互独立
完
例4 设 服从 [ , ] 上的均匀分布, 且
X sin , Y cos
判断 X 与 Y 是否不相关, 是否独立.
解
由于
E( X )
1
2
sind 0,
E(Y
)
1
2
cosd 0,
而
E(
XY
)
1
2
sin cosd 0.
2
因此
E( XY ) E( X )E(Y ),
从而 X 与 Y 不相关. 但由于 X 与 Y 满足关系:
完
例2 设连续型随机变量 ( X ,Y ) 的密度函数为
f
(
x,
概率论教学课件第四章4.4协方差与相关系数
1
一、协方差
对于二维随机变量(X,Y),讨论描述X与Y之间相互 依赖关系的数字特征.
X与Y相互独立 E[(X EX )(Y EY )] 0
或者：E[(X EX )(Y EY )] 0 X与Y一定不相互独立
定义1. 若E[(X EX )(Y EY )]存在, 则称E[(X EX )(Y EY )]为X与Y的协方差.
(连续型)．
-
3
或者用以下公式计算
Cov(X , Y ) E(XY ) EX EY
Cov (X , Y ) E[(X EX )(Y EY )]
E(XY XEY YEX EXEY ) E(XY ) EX EY EX EY EX EY E(XY ) EX EY
4
定义2* 设 DX 0 , DY 0，称X,Y的标准化随机变量
X , Y 的协方差 Cov ( X , Y ) 为X与Y的相关系数.
记 为 XY , 即
XY Cov( X , Y ) E( X Y ) EX EY E( X Y )
E[( X EX )(Y EY )] Cov( X ,Y ) .
其逆命题不真！
注:若Cov X,Y 0,即E XY EXEY,则X与Y不相互独立.
4. D(X Y ) DX DY 2Cov(X , Y ).
5
例4.14 设二维随机变量(X,Y )的联合分布列为
XY 0 1 pi 0 0.2 0.3 0.5 1 0.5 0 0.5
p j 0.7 0.3
1 R
2
R
dx
R
R2 x2
xydy
R2 x2
0，
Cov(X , Y ) E(XY ) EXEY 0 00 0 .
8
Cov(X , Y ) E(XY ) EXEY 0 .
一、协方差
对于二维随机变量(X,Y),讨论描述X与Y之间相互 依赖关系的数字特征.
X与Y相互独立 E[(X EX )(Y EY )] 0
或者：E[(X EX )(Y EY )] 0 X与Y一定不相互独立
定义1. 若E[(X EX )(Y EY )]存在, 则称E[(X EX )(Y EY )]为X与Y的协方差.
(连续型)．
-
3
或者用以下公式计算
Cov(X , Y ) E(XY ) EX EY
Cov (X , Y ) E[(X EX )(Y EY )]
E(XY XEY YEX EXEY ) E(XY ) EX EY EX EY EX EY E(XY ) EX EY
4
定义2* 设 DX 0 , DY 0，称X,Y的标准化随机变量
X , Y 的协方差 Cov ( X , Y ) 为X与Y的相关系数.
记 为 XY , 即
XY Cov( X , Y ) E( X Y ) EX EY E( X Y )
E[( X EX )(Y EY )] Cov( X ,Y ) .
其逆命题不真！
注:若Cov X,Y 0,即E XY EXEY,则X与Y不相互独立.
4. D(X Y ) DX DY 2Cov(X , Y ).
5
例4.14 设二维随机变量(X,Y )的联合分布列为
XY 0 1 pi 0 0.2 0.3 0.5 1 0.5 0 0.5
p j 0.7 0.3
1 R
2
R
dx
R
R2 x2
xydy
R2 x2
0，
Cov(X , Y ) E(XY ) EXEY 0 00 0 .
8
Cov(X , Y ) E(XY ) EXEY 0 .
概率论与数理统计(第三版)第三章4协方差与相关系数-PPT精品文档
o 3 X , Y 不相关 E ( XY ) E ( X ) E ( Y ).
3. 相关系数的性质
是一个用来表征 X ,Y之间线性关系紧密 XY
程度的量 .
1 . 1 ρ XY
a , b使 1 的充要条件是 :存在常数 2 ρ XY
P { Y a bX } 1 .
0.3 0.7
0 . 3 0 0 . 7 1 0 . 7
0 . 6 1 0 . 4 2 1 . 4
0 . 9 50 . 7 1 . 4 0.03
c o v (,) X Y E X Y E X E Y
三、 相关系数的意义
1 . 当 ρ 表明 X,Y的线性关系联 XY 较大时
例1 已知 (X,Y)的分布律求Cov(X，Y)
x 0 1 y 1 2 0.15 0.15 0.45 0.25
解: c o v (,) X Y E X Y E X E Y
EX ( Y ) 0 .9 5
x 0 1
EX ( ) EY ( )
y 1 0.15 0.45 0.6
2 0.15 0.25 0.4
3.设X和Y是随机变量，若
E(XkYL)
k, L=1,2,…
存在，
称它为X和Y的k+L阶混合（原点）矩.
k L 4.若 E {[ X E ( X )] [ Y E ( Y )] } 存在，
称它为X和Y的k+L阶混合中心矩.
二、协方差与相关系数的概念及性质
1. 问题的提出
若随机变量 X 和 Y 相ቤተ መጻሕፍቲ ባይዱ独立 ,那么
3 Cov( X X , Y ) Cov( X , Y ) Co X , Y ). 1 2 1 2
第十三讲协方差与相关系数
• 图中的点群向右上方倾斜，点的y坐标随 坐标的 图中的点群向右上方倾斜，点的 坐标随 坐标随x坐标的 增加而增加。 是云团的中心。 增加而增加。(E(X),E(Y)), 是云团的中心。D(X)与 与 D(Y)只描述了 和Y各自的离散程度，缺少一个能 只描述了X和 各自的离散程度 各自的离散程度， 只描述了 够刻划云团XY线性关系的量 线性关系的量。 够刻划云团 线性关系的量。
•
−1 (x −µ1)2 (x −µ1)(y −µ2) (y −µ2)2 解：f (x, y) = exp −2ρ + 2 2 2 2 2(1− ρ ) σ1 σ1σ2 σ2 2πσσ2 1− ρ 1 1
2 1
• X服从 N ( µ1 , σ ) Y服从 N(µ2,σ ) • E(X)= µ1 , D(X)= σ 12 , E(Y)= µ 2 , D(Y)= σ
• 协方差矩阵的意义：在多元正态分布中， 协方差矩阵的意义：在多元正态分布中， 只要知道所有的一阶矩 协方差矩阵， 一阶矩和 只要知道所有的一阶矩和协方差矩阵，分 布就确定了。 布就确定了。
X1 X2 记X = ⋮ X n
µ1 E ( X 1 ) µ2 E(X 2 ) µ = = ⋮ ⋮ µ E(X ) n n
服从以2为参数的泊松分 设X～ π ( 2) , 即X服从以 为参数的泊松分 ～ 服从以 布，Z=3X-2 , 求COV(X,Z) 。 • 解：COV(X,Z)=COV(X,3X-2) • =3COV(X,X)-2COV(X,1) • COV(X,X)=E{[X-E(X)][X-E(X)]}=D(X)=2 (Poisson分布 分布) 分布 • Cov(X,1)=E{[X-E(X)][1-E(1)]} • =E{[X-E(X)].0}=0 • Cov(X,Z)=3×2-2×0=6 × ×
协方差及相关系数PPT课件
3) 1 存在常数 a, b(b≠0), 使 P{ Y=aX+b }=1,
即: X 和 Y 以概率 1 线性相关.
相关系数刻划了X 和Y 间“线性相关”的程度.
概率论
可见, 若 ρ = ±1, Y 与 X 有严格线性关系; 若 ρ = 0, Y 与 X 无线性关系; 若 0 < |ρ| < 1, |ρ|的值越接近于1, Y 与 X的线性相关程度越高; |ρ|的值越接近于0, Y 与 X的线性相关程度越弱.
可见, 均值 E(X)是 X 的一阶原点矩, 方差 D(X)是 X的二阶中心矩。
概率论
2. 定义: 设 X 和 Y 是随机变量,
若 E X k Y l k ,l 1 ,2 , 存 在
称它为 X 和 Y 的 k+l 阶混合(原点)矩. ((k+l)-th mixed raw moment)
若 E [ X E ( X ) ] k [ Y E ( Y ) ] l k , l 1 , 2 ,存 在
称它为 X 和 Y 的 k+l 阶混合中心矩. ((k+l)-th mixed central moment)
可见, 协方差 cov(X, Y)是 X 和 Y 的二阶混合中心矩.
四、协方差矩阵
概率论
将二维随机变量 (X1, X2) 的四个二阶中心矩:
c11 E {X [1E (X 1)2} ]
c 1 2 E { X 1 [ E (X 1 )X ]2 [ E (X 2 )]}
若 cij coX vi,(Xj) E {X [i E (X i)] X j[ E (X j)]}
( i, j=1,2,…,n ) 都存在, 称矩阵:
c11
C
c21
即: X 和 Y 以概率 1 线性相关.
相关系数刻划了X 和Y 间“线性相关”的程度.
概率论
可见, 若 ρ = ±1, Y 与 X 有严格线性关系; 若 ρ = 0, Y 与 X 无线性关系; 若 0 < |ρ| < 1, |ρ|的值越接近于1, Y 与 X的线性相关程度越高; |ρ|的值越接近于0, Y 与 X的线性相关程度越弱.
可见, 均值 E(X)是 X 的一阶原点矩, 方差 D(X)是 X的二阶中心矩。
概率论
2. 定义: 设 X 和 Y 是随机变量,
若 E X k Y l k ,l 1 ,2 , 存 在
称它为 X 和 Y 的 k+l 阶混合(原点)矩. ((k+l)-th mixed raw moment)
若 E [ X E ( X ) ] k [ Y E ( Y ) ] l k , l 1 , 2 ,存 在
称它为 X 和 Y 的 k+l 阶混合中心矩. ((k+l)-th mixed central moment)
可见, 协方差 cov(X, Y)是 X 和 Y 的二阶混合中心矩.
四、协方差矩阵
概率论
将二维随机变量 (X1, X2) 的四个二阶中心矩:
c11 E {X [1E (X 1)2} ]
c 1 2 E { X 1 [ E (X 1 )X ]2 [ E (X 2 )]}
若 cij coX vi,(Xj) E {X [i E (X i)] X j[ E (X j)]}
( i, j=1,2,…,n ) 都存在, 称矩阵:
c11
C
c21
《概率论》第4章_协方差及相关系数
X ,Y互不相关
12/14 12/14
指 X ,Y之间没有线 性关系, 性关系,但可能有 其它关系
2 设 ( X ,Y) ~ N(µ1, µ2,σ12 ,σ2 , ρ), 则 ρ =0 相互独立 X ,Y相互独立 ρXY = 0
X ,Y互不相关
第四章 随机变量的数字特征
§3 协方差及相关系数 设 X 的概率密度为： 的概率密度为：
相关
第四章 随机变量的数字特征
§3 协方差及相关系数
Y
8/14
Y
Y = a0+b0 X ( b0 < 0 )
Y
Y= a0 +b0 X ( b0 > 0 )
O
ρXY = 1
Y
X
O
Y
ρXY = − 1
y = a0 +b0 x ( b0 < 0 )
X
O
y = a0 +b0 x ( b0 > 0 )
ρσ1σ2p{− −t /1 [∞x − µ−u / 2 ( 2 ) ∞ 2 f (x, y) = ex = e dt ⋅ u e du 2π σ 1− ρ π ∫−∞ 2(1− ρ )∫−∞ σ σ 2 (x − µ )( y − µ 2) ( y − µ ) − 2ρ σ1σ2σ − ρ + −t / 2 ]}∞ −u / 2 1 ∞ + σ te σ dt ⋅ ∫−∞ ue du ∫−∞ − µ x − µ 1 = ex − π 1 p{ 2 [( yσ − ρ σ ) + (1− ρ ) (x − µ ) ]} （ σ 2πσ σ 1− ρρσ1σ 2 2 1− ρ ） = −µ 2π µ2π = ρσ1− µ σ y 2π x− 1 x 21 2 令 t = 1 2( −ρ ), u = , J =1 σ σ1 σ1 1− ρ ρσ1σ2 Cov( X2Y ) , = =ρ ∴ ρXY = D( X ) D(Y) σ1σ2
12/14 12/14
指 X ,Y之间没有线 性关系, 性关系,但可能有 其它关系
2 设 ( X ,Y) ~ N(µ1, µ2,σ12 ,σ2 , ρ), 则 ρ =0 相互独立 X ,Y相互独立 ρXY = 0
X ,Y互不相关
第四章 随机变量的数字特征
§3 协方差及相关系数 设 X 的概率密度为： 的概率密度为：
相关
第四章 随机变量的数字特征
§3 协方差及相关系数
Y
8/14
Y
Y = a0+b0 X ( b0 < 0 )
Y
Y= a0 +b0 X ( b0 > 0 )
O
ρXY = 1
Y
X
O
Y
ρXY = − 1
y = a0 +b0 x ( b0 < 0 )
X
O
y = a0 +b0 x ( b0 > 0 )
ρσ1σ2p{− −t /1 [∞x − µ−u / 2 ( 2 ) ∞ 2 f (x, y) = ex = e dt ⋅ u e du 2π σ 1− ρ π ∫−∞ 2(1− ρ )∫−∞ σ σ 2 (x − µ )( y − µ 2) ( y − µ ) − 2ρ σ1σ2σ − ρ + −t / 2 ]}∞ −u / 2 1 ∞ + σ te σ dt ⋅ ∫−∞ ue du ∫−∞ − µ x − µ 1 = ex − π 1 p{ 2 [( yσ − ρ σ ) + (1− ρ ) (x − µ ) ]} （ σ 2πσ σ 1− ρρσ1σ 2 2 1− ρ ） = −µ 2π µ2π = ρσ1− µ σ y 2π x− 1 x 21 2 令 t = 1 2( −ρ ), u = , J =1 σ σ1 σ1 1− ρ ρσ1σ2 Cov( X2Y ) , = =ρ ∴ ρXY = D( X ) D(Y) σ1σ2
概率论与数理统计协方差及相关系数详解演示文稿
故有 D[Y (a0 b0 X )] 0 E[Y (a0 b0 X )] 0
从而有 P{Y (a0 b0 X )} 1,即P{Y a0 b0 X} 1
第十四页，共35页。
(2) 若存在常数a*,b*使得P{Y=a*+b*X}=1,则有P{[Y(a*+b*X)]2=0}=1.即得E {[Y-(a*+b*X)]2}= 0,又由
特别, 若X=Y,则 cov(X,X)=E(X-E(X))2=D(X) 因此,方差是协方差的特例,协方差刻画两个随机
变量之间的“某种”关系.
第七页，共35页。
3. 计算 对于任意随机变量X与Y,总有
D( X Y ) D( X ) D(Y ) 2Cov( X ,Y )
由协方差定义得
cov(X ,Y ) E{[ X E( X )][Y E(Y )]}
Cov(X ,Y ) E[(XY ) YE(X ) XE(Y ) E(X )E(Y )]
Cov(X,Y)=E(XY)-E(X)E(Y)
这是计算协方差的常用公式.
可见，若X与Y独立，则 Cov(X,Y)= 0 .
第八页，共35页。
4.协方差的性质
(1) Cov(X,Y)=Cov(Y,X)
(对称性)
(1) 求 Z 的数学期望和方差. (2) 求 X 与 Z 的相关系数.
解 (1)由E( X ) 1, D( X ) 9, E(Y ) 0, D(Y ) 16.
得 E(Z ) E( X Y ) 1 E( X ) 1 E(Y )
32 3
2
1. 3
第二十五页，共35页。
D(Z ) D( X ) D(Y ) 2Cov( X ,Y )
0 E{[Y (a* b*X )]2}
相关系数PPT课件
第1页/共21页
2、协方差的定义 (X, Y)为二维随机变量，则称下式为X、Y的协方差。
说明：
Cov(X,Y) =E{[ X-E(X)][Y-E(Y) ]}
⑴ 协方差为X,Y偏差[ X-E(X)] 与[Y-E(Y) ] 乘积的数学期望
(2) Cov(X,Y)>0，正相关；Cov(X,Y)<0, 负相关。=0，不相关
2 2
0.5,
0.4
x1*
0.5 0.4 0.3* 0.5 0.3 0.5 2* 0.4 0.3* 0.5
0.704
第20页/共21页
谢谢您的观看！
第21页/共21页
(3) Cov(aX, bY) =E{[aX-E(aX)][bY-bE(Y) ]} =E{ab [X-E(X)][Y-E(Y) ]} = ab cov(X, Y)
(4) Cov(X1+X2, Y)=E{[X1+X2 -E(X1+X2)][Y-E(Y) ]} =E{[X1 -E(X1)][Y-E(Y) ]}+E{[ X2 -E(X2)] [Y-E(Y) ]}} =Cov(X1, Y) + Cov(X2, Y)
(3) 当X，Y相同时，Cov(X, X) = D(X)=Var(X).
(4) 离散型 : COV ( X ,Y )
[xi E( X )][y j E(Y )] pij
ij
连续型 : COV (X ,Y ) [x E(X )][y E(Y )]f (x, y)dxdy
第2页/共21页
x12
2 1
(1
x1
)2
2 2
2x1(1
x1 )1 2
第19页/共21页
求D( P )
2、协方差的定义 (X, Y)为二维随机变量，则称下式为X、Y的协方差。
说明：
Cov(X,Y) =E{[ X-E(X)][Y-E(Y) ]}
⑴ 协方差为X,Y偏差[ X-E(X)] 与[Y-E(Y) ] 乘积的数学期望
(2) Cov(X,Y)>0，正相关；Cov(X,Y)<0, 负相关。=0，不相关
2 2
0.5,
0.4
x1*
0.5 0.4 0.3* 0.5 0.3 0.5 2* 0.4 0.3* 0.5
0.704
第20页/共21页
谢谢您的观看！
第21页/共21页
(3) Cov(aX, bY) =E{[aX-E(aX)][bY-bE(Y) ]} =E{ab [X-E(X)][Y-E(Y) ]} = ab cov(X, Y)
(4) Cov(X1+X2, Y)=E{[X1+X2 -E(X1+X2)][Y-E(Y) ]} =E{[X1 -E(X1)][Y-E(Y) ]}+E{[ X2 -E(X2)] [Y-E(Y) ]}} =Cov(X1, Y) + Cov(X2, Y)
(3) 当X，Y相同时，Cov(X, X) = D(X)=Var(X).
(4) 离散型 : COV ( X ,Y )
[xi E( X )][y j E(Y )] pij
ij
连续型 : COV (X ,Y ) [x E(X )][y E(Y )]f (x, y)dxdy
第2页/共21页
x12
2 1
(1
x1
)2
2 2
2x1(1
x1 )1 2
第19页/共21页
求D( P )
协方差及相关系数
+∞
=0
ρX X
所以 X 与 X 不相关
( 3 ) 独立性由其定义来判断
对于任意的常数 a > 0 , 事件 ( X < a ) ( X < a ), 且 P ( X < a ) > 0 , P ( X < a ) < 1,因此有 P( X < a, X < a) = P( X < a) P ( X < a)P( X < a) < P( X < a) 所以 P ( X < a , X < a ) ≠ P ( X < a ) P ( X < a ) 故 X 与 X 不独立
Cov ( X , Y ) = E ( XY ) EXEY = pq Cov ( X , Y ) ρ XY = =1 DX DY
例2 设 ( X ,Y ) ~ N ( μ1, σ12,μ2,σ22,ρ), 求 ρXY 解
令 x μ1
Cov ( X ,Y ) = ∫
σ1 y μ2 =t σ2
=s
ξ ,η 为 X , Y的线性组合
所以 ξ ,η 都服从正态分布 N ( 0, + b )σ ) (a
2 2 2
在正态分布中 , 不相关与独立是等价的
所以当 a = b 时, ξ ,η 独立 当 a ≠ b 时, ξ ,η 不独立
( 3) 当ξ ,η 相互独立时 , 即a 2 = b 2 , ξ ,η 都服从
例1 已知 X ,Y 的联合分布为 X Y 1 0 p 0 0 q 1 0 0 < p <1 p+q=1
求 Cov (X ,Y ), ρXY 解 X P 1 p 0 q Y P 1 p 0 q XY P 1 p 0 q
=0
ρX X
所以 X 与 X 不相关
( 3 ) 独立性由其定义来判断
对于任意的常数 a > 0 , 事件 ( X < a ) ( X < a ), 且 P ( X < a ) > 0 , P ( X < a ) < 1,因此有 P( X < a, X < a) = P( X < a) P ( X < a)P( X < a) < P( X < a) 所以 P ( X < a , X < a ) ≠ P ( X < a ) P ( X < a ) 故 X 与 X 不独立
Cov ( X , Y ) = E ( XY ) EXEY = pq Cov ( X , Y ) ρ XY = =1 DX DY
例2 设 ( X ,Y ) ~ N ( μ1, σ12,μ2,σ22,ρ), 求 ρXY 解
令 x μ1
Cov ( X ,Y ) = ∫
σ1 y μ2 =t σ2
=s
ξ ,η 为 X , Y的线性组合
所以 ξ ,η 都服从正态分布 N ( 0, + b )σ ) (a
2 2 2
在正态分布中 , 不相关与独立是等价的
所以当 a = b 时, ξ ,η 独立 当 a ≠ b 时, ξ ,η 不独立
( 3) 当ξ ,η 相互独立时 , 即a 2 = b 2 , ξ ,η 都服从
例1 已知 X ,Y 的联合分布为 X Y 1 0 p 0 0 q 1 0 0 < p <1 p+q=1
求 Cov (X ,Y ), ρXY 解 X P 1 p 0 q Y P 1 p 0 q XY P 1 p 0 q
概率论协方差与相关系数
D ( X * ) D (Y * ) 2 XY 1 1 2 XY 2(1 XY ) ，
*
*
由此可得 | XY | 1 ．
* * D ( X Y ) 2(1 XY ) ，易知 (2) 由上述证明，得
XY 1 的充分必要条件是
例1 已知 X ,Y 的联合分布为
Y
pij X
1 p 0
0 0 q 0 < p <1 p+q=1
1
0
求 Cov (X ,Y ), XY
解
X P 1 0 Y P 1 0 XY P 1 0
p q
p q
p
q
E ( X ) p, E (Y ) p, D( X ) pq, D(Y ) pq,
D( X * Y * ) 0 ，
* * * * E ( X Y ) E ( X ) E ( Y ) 0 及方差的性质知， 再由 上式
等价于
X E ( X ) Y E (Y ) P 0 1 ， D(Y ) D( X )
取
则X ,Y 相互独立
0
X ,Y 不相关
例3 设 ( X ,Y ) ~ N ( 1,1，4,4,0.5 ), Z = X + Y , 求 XZ 解 D ( X ) D (Y ) 4,
Cov( X , Y ) XY DX DY 2 Cov( X , Z ) Cov( X , X ) Cov( X , Y ) 6
D( Z ) D( X Y ) D( X ) D(Y ) 2Cov( X , Y ) 12 3 故 XZ 3 / 12 2 .
例4 设 X , Y 服从圆域x2 y2 r 2上的均匀分布，证明
*
*
由此可得 | XY | 1 ．
* * D ( X Y ) 2(1 XY ) ，易知 (2) 由上述证明，得
XY 1 的充分必要条件是
例1 已知 X ,Y 的联合分布为
Y
pij X
1 p 0
0 0 q 0 < p <1 p+q=1
1
0
求 Cov (X ,Y ), XY
解
X P 1 0 Y P 1 0 XY P 1 0
p q
p q
p
q
E ( X ) p, E (Y ) p, D( X ) pq, D(Y ) pq,
D( X * Y * ) 0 ，
* * * * E ( X Y ) E ( X ) E ( Y ) 0 及方差的性质知， 再由 上式
等价于
X E ( X ) Y E (Y ) P 0 1 ， D(Y ) D( X )
取
则X ,Y 相互独立
0
X ,Y 不相关
例3 设 ( X ,Y ) ~ N ( 1,1，4,4,0.5 ), Z = X + Y , 求 XZ 解 D ( X ) D (Y ) 4,
Cov( X , Y ) XY DX DY 2 Cov( X , Z ) Cov( X , X ) Cov( X , Y ) 6
D( Z ) D( X Y ) D( X ) D(Y ) 2Cov( X , Y ) 12 3 故 XZ 3 / 12 2 .
例4 设 X , Y 服从圆域x2 y2 r 2上的均匀分布，证明
一协方差与相关系数的概念及性质-27页PPT资料
σ 1σ22π 1ρ2 u eu 2 2du tet2 2dt
ρσ 1σ2 2 2, 2
故 C X 有 ,o Y ) v ρ 1 σ 2 ( σ .
于是 XY D C (X )o X ,D Y v ()Y )(.
结论
(1)二 维正态分布 中 ,参 密数 ρ度 代函 表X数 了 与Y的相关; 系数 ( 2)二 维正态X随 与 Y机 相变 关量 系数 等价 X与 于 Y相互.独立
例 2 已知 X,Y 分 随别 机 N (1 服 ,3 变 2)N ,从 (量 0,42), ρXY 12,设 ZX3Y2.
(1) 求Z的数学期望.和方差 (2) 求X与Z的相关系 . 数 (3) 问X与Z是否相互?为 独什 立?么
解 ( 1 ) 由 E ( X ) 1 , D ( X ) 9 , E ( Y ) 0 , D ( Y ) 1 .
5. 性质
( 1 )CX o ,Y ) v C (Y ,o X )v ; ( ( 2 )C a o ,b X ) v Y a ( C b X ,o Y ),v a ,b ( 为 ;常 ( 3 ) C X 1 X o 2 , Y ) C v X 1 ( , Y ) o C X v 2 , Y ) o ( .
例1 设 (X ,Y )~ N (μ 1 ,μ 2 ,σ 1 2 ,σ 2 2 ,ρ )试 , X 与 求 Y 的
相关 . 系数 解 由f(x,y) 1
2πσ1σ2 1ρ2
ex 2p(11ρ2)(x σ12 μ1)22ρ(xμσ 11 )σ(y2μ2)(y σ2 2 μ2)2
fX(x)
1 e(x2 σ μ 1 2 1)2,x, 2πσ1
一、协方差与相关系数的概念及性质
1. 问题的提出
ρσ 1σ2 2 2, 2
故 C X 有 ,o Y ) v ρ 1 σ 2 ( σ .
于是 XY D C (X )o X ,D Y v ()Y )(.
结论
(1)二 维正态分布 中 ,参 密数 ρ度 代函 表X数 了 与Y的相关; 系数 ( 2)二 维正态X随 与 Y机 相变 关量 系数 等价 X与 于 Y相互.独立
例 2 已知 X,Y 分 随别 机 N (1 服 ,3 变 2)N ,从 (量 0,42), ρXY 12,设 ZX3Y2.
(1) 求Z的数学期望.和方差 (2) 求X与Z的相关系 . 数 (3) 问X与Z是否相互?为 独什 立?么
解 ( 1 ) 由 E ( X ) 1 , D ( X ) 9 , E ( Y ) 0 , D ( Y ) 1 .
5. 性质
( 1 )CX o ,Y ) v C (Y ,o X )v ; ( ( 2 )C a o ,b X ) v Y a ( C b X ,o Y ),v a ,b ( 为 ;常 ( 3 ) C X 1 X o 2 , Y ) C v X 1 ( , Y ) o C X v 2 , Y ) o ( .
例1 设 (X ,Y )~ N (μ 1 ,μ 2 ,σ 1 2 ,σ 2 2 ,ρ )试 , X 与 求 Y 的
相关 . 系数 解 由f(x,y) 1
2πσ1σ2 1ρ2
ex 2p(11ρ2)(x σ12 μ1)22ρ(xμσ 11 )σ(y2μ2)(y σ2 2 μ2)2
fX(x)
1 e(x2 σ μ 1 2 1)2,x, 2πσ1
一、协方差与相关系数的概念及性质
1. 问题的提出
期望、协方差、方差与相关系数PPT22页
期望、协方差、方差与相关系数
41、俯仰终宇宙，不乐复何如。 42、夏日长抱饥，寒夜无被眠。 43、不戚戚于贫贱，不汲汲于富贵。 44、欲言无予和，挥杯劝孤影。 45、盛年不重来，一日难再晨。及时 当勉励 ，岁月 不待人 。
期望、协方差、方差与相关系数
张宏浩
协方差的一些性质
独立意味着不相关
方差是协方差矩阵的对角元
多个随机变量之和的方差
方差的一些性质
切比雪夫不等式
相关系数的定义
相关系数的性质
ห้องสมุดไป่ตู้
66、节制使快乐增加并使享受加强。 ——德 谟克利 特 67、今天应做的事没有做，明天再早也 是耽误 了。——裴斯 泰洛齐 68、决定一个人的一生，以及整个命运 的，只 是一瞬 之间。 ——歌 德 69、懒人无法享受休息之乐。——拉布 克 70、浪费时间是一桩大罪过。——卢梭
41、俯仰终宇宙，不乐复何如。 42、夏日长抱饥，寒夜无被眠。 43、不戚戚于贫贱，不汲汲于富贵。 44、欲言无予和，挥杯劝孤影。 45、盛年不重来，一日难再晨。及时 当勉励 ，岁月 不待人 。
期望、协方差、方差与相关系数
张宏浩
协方差的一些性质
独立意味着不相关
方差是协方差矩阵的对角元
多个随机变量之和的方差
方差的一些性质
切比雪夫不等式
相关系数的定义
相关系数的性质
ห้องสมุดไป่ตู้
66、节制使快乐增加并使享受加强。 ——德 谟克利 特 67、今天应做的事没有做，明天再早也 是耽误 了。——裴斯 泰洛齐 68、决定一个人的一生，以及整个命运 的，只 是一瞬 之间。 ——歌 德 69、懒人无法享受休息之乐。——拉布 克 70、浪费时间是一桩大罪过。——卢梭
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
D(X )D(Y )
E ( X EX
E(X ))(Y
E(X )2 EY
E(Y ))2 E(Y )2
设U=X-E(X),V=Y-E(Y), 由许瓦兹不等式[E(UV)]2E(U2)E(V2)， 知[E((X-E(X))(Y-E(Y)))]2
E[(X-E(X))2] E[(Y-E(Y))2]
所以2XY 1, 即| XY |1
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
2. | XY |=1
存在常数a,b(b≠0），
使P{Y=a+bX}=1，
即X和Y以概率1线性相关.
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
3. X和Y独立时， =0，但其逆不真.
n
n
D( Xi ) D( Xi )
i 1
i 1
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
5.许瓦兹不等式
[E(XY)] 2E(X2)E(Y2)
证明：设(t)=E(X+tY)2，则 (t)=E(X2)+2tE(XY)+t2E(Y2)0，
其判别式0，即 =[2E(XY)]2-4E(X2)E(Y2)0， 所以[E(XY)] 2E(X2)E(Y2)。
0.5
E( XY ) E( X cos X ) x cos x 1dx 0 0.5
E(X)=0， 故 Cov(X,Y)=0
2.简单性质 ⑴ Cov(X,Y)= Cov(Y,X) ⑵ Cov(aX,bY) = ab Cov(X,Y) a,b是常数 ⑶ Cov(X1+X2,Y)= Cov(X1,Y) + Cov(X2,Y)
(4) Cov(X,X)= D(X) ; Cov(X,a)= 0
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
协方差和相关系数
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
D(X1 X2) E{[( X1 X2) E(X1 X2)]2} E{[( X1 E(X1)) (X2 E(X2))]2}
E{( X1 E(X1))2} E{(X2 E(X2))2} 2E{(X1 E(X1))(X2 E(X2))}
可见，若X与Y独立， Cov(X,Y)= 0 .
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
4. 随机变量和的方差与协方差的关系 D(X+Y)= D(X)+D(Y)+ 2Cov(X,Y)
证明： D( X Y ) E{[( X Y ) E( X Y )]2}
E{[( X E( X )) (Y E(Y ))]2} E{(X E(X))2} E{(Y E(Y ))2} 2E{(X E(X))(Y E(Y ))} D( X ) D(Y ) 2Cov( X ,Y )
相关系数的性质：
1. | | 1 这一性质
证: 由由方于差方的差性D质也(Y和可)是协以正方用的差,的故定必义有知,
对任意1-实2数≥b0许,,有所瓦以兹|不 |≤1。
0≤D(Y-bX)= 等b2D式(证X)+明D(Y)-2b Cov(X,Y )
令 b Cov( X ,Y )，则上式为
3. 计算协方差的一个简单公式 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)Y-E(Y)X+E(X)E(Y) ] =E(XY)-E(X)E(Y)-E(Y)E(X)+E(X)E(Y) =E(XY)-E(X)E(Y) 即 Cov(X,Y)=E(XY) -E(X)E(Y)
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
二、相关系数
定义: 设D(X)>0, D(Y)>0, 称
XY
Cov( X ,Y ) D( X ) D(Y )
为随机变量X和Y的相关系数 .
在不致引起混淆时，记 XY为 .
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
D( X )
D(Y- bX)= D(Y ) [Cov( X ,Y )]2
D( X ) D(Y )[1 [Cov( X ,Y )]2 ] D(Y )[1 2]
D( X )D(Y )
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
2 XY
Cov(X ,Y )2
D(X1) D(X2) 2E{( X1 E(X1))(X2 E(X2))}
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
一、协方差 1.定义 任意两个随机变量X和Y的协方差, 记为Cov(X,Y), 定义为
Cov(X,Y)=E{[ X-E(X)][Y-E(Y) ]}
数理与ห้องสมุดไป่ตู้息工程系 数学教研室
机动 目录 上页 下页 返回 结束
4. 随机变量和的方差与协方差的关系
D(X+Y)= D(X)+D(Y)+ 2Cov(X,Y)
n
n
D( Xi ) D( Xi ) 2 Cov( Xi, X j )
i1
i1
i j
若X1,X2, …,Xn两两独立,，上式化为
由于当X和Y独立时，Cov(X,Y)= 0.
故 Cov( X ,Y ) = 0
D( X )D(Y )
但由 0 并不一定能推出X和Y 独立.
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
例1 设X服从(-1/2, 1/2)内的均匀分布,而 Y=cos X, 因Cov(X,Y)=E(XY)-E(X)E(Y)，
协方差及相关系数
一、协方差
1.定义
2.简单性质
3. 计算协方差的一个简单公式 4. 随机变量和的方差与协方差的关系 5.许瓦兹不等式
二、相关系数
相关系数的性质
四个等价命题
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
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，反映各随机 变量之间关系的数字特征中，最重要的， 就是本讲要讨论的
E ( X EX
E(X ))(Y
E(X )2 EY
E(Y ))2 E(Y )2
设U=X-E(X),V=Y-E(Y), 由许瓦兹不等式[E(UV)]2E(U2)E(V2)， 知[E((X-E(X))(Y-E(Y)))]2
E[(X-E(X))2] E[(Y-E(Y))2]
所以2XY 1, 即| XY |1
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
2. | XY |=1
存在常数a,b(b≠0），
使P{Y=a+bX}=1，
即X和Y以概率1线性相关.
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
3. X和Y独立时， =0，但其逆不真.
n
n
D( Xi ) D( Xi )
i 1
i 1
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
5.许瓦兹不等式
[E(XY)] 2E(X2)E(Y2)
证明：设(t)=E(X+tY)2，则 (t)=E(X2)+2tE(XY)+t2E(Y2)0，
其判别式0，即 =[2E(XY)]2-4E(X2)E(Y2)0， 所以[E(XY)] 2E(X2)E(Y2)。
0.5
E( XY ) E( X cos X ) x cos x 1dx 0 0.5
E(X)=0， 故 Cov(X,Y)=0
2.简单性质 ⑴ Cov(X,Y)= Cov(Y,X) ⑵ Cov(aX,bY) = ab Cov(X,Y) a,b是常数 ⑶ Cov(X1+X2,Y)= Cov(X1,Y) + Cov(X2,Y)
(4) Cov(X,X)= D(X) ; Cov(X,a)= 0
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
协方差和相关系数
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
D(X1 X2) E{[( X1 X2) E(X1 X2)]2} E{[( X1 E(X1)) (X2 E(X2))]2}
E{( X1 E(X1))2} E{(X2 E(X2))2} 2E{(X1 E(X1))(X2 E(X2))}
可见，若X与Y独立， Cov(X,Y)= 0 .
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
4. 随机变量和的方差与协方差的关系 D(X+Y)= D(X)+D(Y)+ 2Cov(X,Y)
证明： D( X Y ) E{[( X Y ) E( X Y )]2}
E{[( X E( X )) (Y E(Y ))]2} E{(X E(X))2} E{(Y E(Y ))2} 2E{(X E(X))(Y E(Y ))} D( X ) D(Y ) 2Cov( X ,Y )
相关系数的性质：
1. | | 1 这一性质
证: 由由方于差方的差性D质也(Y和可)是协以正方用的差,的故定必义有知,
对任意1-实2数≥b0许,,有所瓦以兹|不 |≤1。
0≤D(Y-bX)= 等b2D式(证X)+明D(Y)-2b Cov(X,Y )
令 b Cov( X ,Y )，则上式为
3. 计算协方差的一个简单公式 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)Y-E(Y)X+E(X)E(Y) ] =E(XY)-E(X)E(Y)-E(Y)E(X)+E(X)E(Y) =E(XY)-E(X)E(Y) 即 Cov(X,Y)=E(XY) -E(X)E(Y)
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
二、相关系数
定义: 设D(X)>0, D(Y)>0, 称
XY
Cov( X ,Y ) D( X ) D(Y )
为随机变量X和Y的相关系数 .
在不致引起混淆时，记 XY为 .
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
D( X )
D(Y- bX)= D(Y ) [Cov( X ,Y )]2
D( X ) D(Y )[1 [Cov( X ,Y )]2 ] D(Y )[1 2]
D( X )D(Y )
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
2 XY
Cov(X ,Y )2
D(X1) D(X2) 2E{( X1 E(X1))(X2 E(X2))}
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
一、协方差 1.定义 任意两个随机变量X和Y的协方差, 记为Cov(X,Y), 定义为
Cov(X,Y)=E{[ X-E(X)][Y-E(Y) ]}
数理与ห้องสมุดไป่ตู้息工程系 数学教研室
机动 目录 上页 下页 返回 结束
4. 随机变量和的方差与协方差的关系
D(X+Y)= D(X)+D(Y)+ 2Cov(X,Y)
n
n
D( Xi ) D( Xi ) 2 Cov( Xi, X j )
i1
i1
i j
若X1,X2, …,Xn两两独立,，上式化为
由于当X和Y独立时，Cov(X,Y)= 0.
故 Cov( X ,Y ) = 0
D( X )D(Y )
但由 0 并不一定能推出X和Y 独立.
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
例1 设X服从(-1/2, 1/2)内的均匀分布,而 Y=cos X, 因Cov(X,Y)=E(XY)-E(X)E(Y)，
协方差及相关系数
一、协方差
1.定义
2.简单性质
3. 计算协方差的一个简单公式 4. 随机变量和的方差与协方差的关系 5.许瓦兹不等式
二、相关系数
相关系数的性质
四个等价命题
数理与信息工程系 数学教研室
机动 目录 上页 下页 返回 结束
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，反映各随机 变量之间关系的数字特征中，最重要的， 就是本讲要讨论的