13讲协方差,相关系数,矩,正态分布

x2 +y2 ≤ 1 − 1 1
1−y xdx dy =π ∫−1 y ∫− 1−y
2 2
= ∫−10 dy = 0.
1
所以，Cov(X, Y)= E(XY)-E(X) E(Y) = 0 . 所以， 此外， 此外，Var(X) > 0, Var(Y) > 0 . 不相关。 所以， ， 所以，ρXY = 0，即 X 与 Y 不相关。 但是， 与 不独立 不独立。 但是，X与Y不独立。
协方差性质 (1). Cov(X, Y) = Cov(Y, X)； ； (2). 设 a, b, c, d 是常数，则 是常数， Cov( aX+b, cY+d ) = ac Cov(X, Y) ； (3). Cov(X1+X2, Y)= Cov(X1, Y) + Cov(X2, Y) ； (4). Cov(X, Y) =E(XY)-[E(X)][E(Y)] ， 相互独立时， 当 X 和 Y 相互独立时，Cov(X, Y)=0； ； (5). Var(X+Y)=Var(X)+Var(Y)+2Cov(X, Y) .
4.3.2 相关系数 定义2: 设Var(X) > 0, Var(Y) > 0, 则称 定义
Cov(X, Y) Var(X ) Var(Y)
ρXY =
为随机变量X 为随机变量 和Y 的相关系数 。 在不致引起混淆时， 在不致引起混淆时，记 ρXY 为 ρ 。
相关系数性质
(1). | ρ |≤1;
Cov( X,Y) ρ= = 0； Var( X )Var(Y)
并不一定能推出X和 独立。 但ρ=0 并不一定能推出 和 Y 独立。 反例： 反例：
例 1：设 (X,Y) 服从单位 D={ (x, y): x2+y2≤1} ： 上的均匀分布，证明： 。 上的均匀分布，证明： ρXY = 0。 证明: 证明
概率论与数理统计 第十三讲
主讲教师： 主讲教师：张冬梅副教授 浙江工业大学理学院
§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 对于二维随机向量 ， 除了其分量 的期望与方差之外, 还有一些数字特征, 和Y 的期望与方差之外 还有一些数字特征 用以刻画X与 之间的相关程度 之间的相关程度， 用以刻画 与Y之间的相关程度，其中最主要 的就是协方差和相关系数。 的就是协方差和相关系数。 4.3.1 协方差 定义1： 存在， 定义 ：若 E{[ X-E(X)][Y-E(Y)]} 存在， 则称其为X 的协方差，记为Cov(X,Y), 即 则称其为 与Y 的协方差，记为 Cov(X, Y) = E{[ X-E(X)][Y-E(Y) ]}. (1)
Baidu Nhomakorabea
性质(5)可推广到 个随机变量的情形 性质 可推广到n个随机变量的情形： 可推广到 个随机变量的情形：
Var(∑Xi ) = ∑Var(Xi ) + 2∑∑ (Xi , X j ) . Cov
i=1 i=1 i< j
n
n
两两独立， 若 X1, X2, …, Xn 两两独立，则
Var(∑Xi ) = ∑Var(Xi ) .
证：由方差与协方差关系，对任意实数 有 由方差与协方差关系，对任意实数b, 0≤Var(Y-bX)=b2Var(X)-2b Cov(X,Y ) +Var(Y ), 利用韦达定理得到 1-ρ 2≥ 0, 所以 | ρ |≤1。 。
(2). X 和Y 独立时 ρ=0，但其逆不真； 独立时, ，但其逆不真； 独立时， 由于当 X 和 Y 独立时，Cov(X, Y)= 0 . 所以， 所以，
(3). |ρ|=1
存在常数a, 存在常数 b(b≠0)， ，
以概率1 使 P{ Y = a+bX } = 1 ，即 X和 Y以概率 和 以概率 线性相关。 线性相关。
前面, 我们已经看到： 前面 我们已经看到： 独立， 不相关；但由X 若X 与Y 独立，则X 与Y 不相关；但由 不相关，不一定能推出X与 独立 独立。 与Y 不相关，不一定能推出 与Y独立。 但对下述情形，独立与不相关是一回事： 但对下述情形，独立与不相关是一回事： 服从二维正态分布， 若(X, Y )服从二维正态分布，则X 与Y 独 服从二维正态分布 立的充分必要条件是X与 不相关 不相关。 立的充分必要条件是 与Y不相关。
(3). 设(X1,X2, …,Xn)服从 元正态分布，则 服从n元正态分布 服从 元正态分布， “X1, X2, …, Xn 相互独立” 等价于 相互独立” “X1,X2, …,Xn两两不相关”。 两两不相关”
设随机变量X和 相互独立 相互独立， 例2: 设随机变量 和Y相互独立，且X~N(1, 2), Y~N(0, 1)。求 Z = 2X-Y+3 的概率密度。 的概率密度。 。 相互独立, 解: 由X~N(1,2), Y~N(0,1)，且X与Y相互独立 ， 与 相互独立 服从正态分布， 知 Z=2X-Y+3 服从正态分布，且 E(Z) = 2E(X)-E(Y)+3 = 2-0+3=5 ， Var(Z) = 4Var(X)+Var(Y) = 8+1 = 9, 故，Z~N(5, 32) .
1/π, (x, y) ∈D, f (x, y) = . 0, (x, y)∉D
E( X ) = =π
x2 + y2 ≤ 1 1 − 1
∫∫ x/π dxdy
∫−1 ∫−
1−y2 1−y2
x dx dy
= ∫ 10dy = 0, −
1
同样， E(Y)=0, 同样，得 E( )=0, E(XY) = ∫∫ (xy/π) dxdy
§4.4 n元正态分布的几条重要性质： 元正态分布的几条重要性质： (1). X =(X1, X2, …, Xn) ' 服从 n 元正态分布
对一切不全为 0 的实数 a1, a2, …, an， a1X1+ a2 X2+ …+ an Xn 服从正态分布。 服从正态分布。
(2). 若 X=(X1,X2, …,Xn)'服从 元正态分布， 服从n 服从 元正态分布， Y1,Y2,…,Yk 是 Xj (j=1, 2,…, n)的线性组合 的线性组合, … … 的线性组合 服从k 则(Y1,Y2, …, Yk)'服从 元正态分布。 服从 元正态分布。 这一性质称为正态变量的线性变换不变性。 这一性质称为正态变量的线性变换不变性。
i=1 i=1
n
n
协方差的大小在一定程度上反映了X 协方差的大小在一定程度上反映了 和Y 相互间的关系，但它还受X 相互间的关系，但它还受 和Y 本身度量单位 的影响。 例如： 的影响。 例如： Cov(aX, bY) = ab Cov(X, Y). 为了克服这一缺点， 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 矩与协方差矩阵
4.3.1 矩 定义1： 是随机变量, 定义 ：设X是随机变量 若E(Xk) 存在 是随机变量 (k =1, 2, …), 则称其为 的 k 阶原点矩；若 则称其为X 阶原点矩； E{[X-E(X)]k} 存在 = 1,2, …), 则称其为 存在(k 则称其为X 阶中心矩。 的 k 阶中心矩。 易知： 易知：X 的期望 E(X) 是 X 的一阶原点 方差Var(X) 是 X 的二阶中心矩。 的二阶中心矩。 矩，方差
Z 的概率密度为
1 fZ (z) = e 3 2π
( z−5)2 − 18
, − ∞ < z < ∞.
小结
协方差及相关系数的概念、性质和计算； 协方差及相关系数的概念、性质和计算； 随机变量矩(k 阶原点矩、 阶中心矩)； 随机变量矩 阶原点矩、 k 阶中心矩 ； n 元正态分布的概念和三条重要性质。 元正态分布的概念和三条重要性质。