第4章﹝随机变量的数字特征与极限定理﹞4.4-4.5.ppt

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，最重要是: 4.4 协方差和相关系数 首先,我们注意到 有 与 独立时， 当 与 不相互独立，那么它们之间存在某种关系. 则 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 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 协方差的大小在一定程度上反映了X和Y相互间的关系，但它还受X与Y本身度量单位的影响. 例如： Cov(kX, kY)=k2Cov(X,Y) 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 . 例1 已知离散型随机向量 的概率分布如右表, 求 解 容易求得 的概率分 的概率分布为: 布为: 例1 已知离散型随机向量 的概率分布如右表, 求 解 计算得 于是有 于是 例2 设连续型随机变量 的密度函数为 求 和 解 由 的密度函数可求得其边缘密度函 数分别为: 从而 又 于是 从而 又 所以 故 4.4.2 相关系数 为随机变量X和Y的相关系数 . 定义: 设D(X)0, D(Y)0, 称 在不致引起混淆时，记 为 . 相关系数的性质： 证: 由方差的性质和协方差的定义知, 对任意实数b,有 0≤D(Y-bX)= b2D(X)+D(Y)-2b Cov(X,Y ) 令 ，则上式为 D(Y- bX)= 由于方差D(Y)是正的,故必有 1- ≥ 0,所以 | |≤1。 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. 例1 设X服从(-1/2, 1/2)内的均匀分布,而 Y=cos X, 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 . 不难求得， Cov(X,Y)=0， 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. 考虑以X的线性函数a+bX来近似表示Y， 以均方误差 e =E{[Y-(a+bX)]2} 来衡量以a+bX近似表示Y的好坏程度, e值越小表示 a+bX与Y的近似程度越好. 用微积分中求极值的方法，求出使e 达到最小时的a,b . 相关系数刻划了X和Y间“线性相关”的程度. =E(Y2)+b2E(X2)+a2- 2bE(XY)+2abE(X) - 2aE(Y) e =E{[Y-(a+bX)]2 } 解得 这样求出的最佳逼近为 L(X)=a0+b0X 这样求出的最佳逼近为L(X)=a0+b0X 这一逼近的剩余是 若 =0， Y与X无线性关系; Y与X有严格线性关系; 若 可见, 若0| |1, | |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. E[(Y-L(X))2]= D(Y)(1- ) 但对下述情形，独立与不相关等价 若(X,Y)服从二维正态分布，则 X与Y独立 X与Y不相关 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. 证明: 设二维随机变量 根据二维正态分布的边缘概率密度知 而 令 则有 于是 由于 注: 从上面的结果可见, 二维正态随机变量 的分布完全由 和 各自的数学期望、 方差以及 它们的相关系数所确定. 所以有结论: 若 服从二维正态分布, 则 与 相互独立, 当且仅当 与 不相关. 例3 设 的分布律为 易知 于是 不相关. 这表示 不存 在线性关系, 但 例3 设 的分布律为 这表示 不存在线性关系, 但 知 不是相互独立的. 事实上, 和