长安大学：《概率统计》PPT电子教案_第四章 随机变量的数字持征（4.3）协方差、相关系数和矩

§4.3协方差、相关系数和矩 他苏差构果素数的卷 >、他市差和相素数的质 >。的会

§43协方差、相关系数和矩 主则和每关买的禽 除了关心它的各个分 量的数学期望和方差外,还需要知道这两个分量之 平间的相互关系,这种关系无法从各个分量的期望和 方差来说明,这就需要引进描述这两个分量之间相 下互关系的数字特征协方差及相关系数,但如何 广来刻画这种关系呢? 上由(417知若x与y相互独立则Ax-EXy-E0; 若(X-EXY-Ey≠0,则表示X与Y不独立X与Y之间 存在着一定的关系据此我们引入下列定义 上页

§4.3 协方差、相关系数和矩 一、协方差和相关系数的概念 对于二维随机变量 ，除了关心它的各个分 量的数学期望和方差外，还需要知道这两个分量之 间的相互关系，这种关系无法从各个分量的期望和 方差来说明，这就需要引进描述这两个分量之间相 互关系的数字特征——协方差及相关系数，但如何 来刻画这种关系呢？ 由(4-17)知,若 相互独立,则 ; 若 ,则表示X与Y不独立,X与Y之间 存在着一定的关系.据此,我们引入下列定义 (X , Y) X与Y E(X − EX)(Y − EY)= 0 E(X − EX)(Y − EY) 0

定义4.6设(X,Y)是二维随机变量,则称E(xEX)YEY r为X与Y的协方差( Covariance),记为o(X,或ax,即 王∞o(x.,y)==(x-EX=E (4-20) 若x=√DX≠0且a=Dy≠0,则称 coV(, Y XY DX.√DY (4-21) 上为X与的相关系数( Correlation Coefficient(x,)是 斗厂有量纲的量,而O则是无量纲的量 协方差常用下列公式计算 工工 ST cov(Y, Y)=E(XY)-EXEY 事实上, 上页

定义4.6 设 是二维随机变量， 则称 为X与Y的协方差（Covariance），记为 或 ， 即 （4—20） 若 且 ，则称 （4—21） 为X与Y的相关系数（Correlation Coefficient）． 是 有量纲的量，而 则是无量纲的量． 协方差常用下列公式计算 事实上， (X , Y) E(X − EX)(Y − EY) cov(X, Y)  XY cov(X, Y) = XY = E(X − EX)(Y − EY)  X = DX  0  Y = DY  0  XY X Y XY    = DX DY X Y  = cov( , ) cov(X, Y)  XY cov(X, Y) = E(XY)− EX  EY

cow(五,Y)=E[x-BxY-EF 互[xY-x.E-F.Ex+ExEy E(xY)-应x·应Y+EY应x+Ex·EY =E(Y)-Bx·EY 协方差和相关系数的性质 性质1.cov(H,Y)=cow(Y,H (4-23) H性质2.cov(x,x)=Dx (4—24) N性质3c0(ax,by)=abc0w(x,,a,b是常数 (4-25) 性质4.0x1+x2,Y)=0(x1,r)+0(x2,) (4-26) 性质5.D(x±Y)=Dx+DY±2co(x,Y (4-27) 上页

定理41(柯西许瓦兹( Cauchy- Schwarz)不等式) (X,Y)为二维随机变量,若(x)和E2)存在,则 (EXY)2≤E(X2),E(r2) (428) 证明因为Ws2(x2+y),所以E()存在另一方面对 任意λ∈R二次三项式 E(x+y)2=E(x2)+2E(xy)+B(y2)≥0,(429) 可见上述关于的二次三项式不可能有两个不同的实根, 上因而判别式 △=4(EX)2-4E(X2),E(Y2)≤0 即有EXY)≤E(X2)E(Y2) 定理42设(X,Y)是二维随机变量,若X与Y的相关系 牛数存在则 r(1)/|≤l (430) (2)p1=1的充要条件是存在常数(0b使P=ax+b}= 上页

定理4.1 (柯西—许瓦兹（Cauchy－Schwarz）不等式) （X，Y）为二维随机变量，若 和 存在，则 （4—28） 证明 因为 , 所以 存在. 另一方面,对 任意λ ，二次三项式 , （4—29） 可见上述关于λ的二次三项式不可能有两个不同的实根, 因而判别式 即有 □ 定理4.2 设（X，Y）是二维随机变量，若X与Y的相关系 数 存在，则 （1） （4—30） （2） 的充要条件是存在常数 使 ． ( ) 2 E X ( ) 2 E Y ( ) ( ) ( ) 2 2 2 EXY  E X  E Y ( ) 2 2 2 1 XY  X + Y E(XY)  R ( ) ( ) 2 ( ) ( ) 0 2 2 2 2 E X + Y =  E X + E XY + E Y  4( ) 4 ( ) ( ) 0 2 2 2  = EXY − E X  E Y  ( ) ( ) ( ) 2 2 2 EXY  E X  E Y  XY XY 1  XY =1 a ( 0)、 b, PY = aX + b=1

证明(1)由定理41知 cov(X, Y2=ELY-EXY-EY<ELY-EXEY -EY=DXDy, 平图此cox,n)1,即,ys1,所以11 DX·√Dy (2)我们略去结论(2)的充分性证明,这里只给出必要 性的证明: 生则三次三式右4+23)中的和分别换为和 E((X-EX+(Y-ED)=22 DX+2/cov(X, Y)+DY 即 D(X+Y)=22+2A0Xa,+a2≥0 上特别地,当等于二次三项式的最小值点礼=Pm时,上 广式变为 X D(0X+Y)=(1-p2x)a2≥0 上页

证明 （1） 由定理4.1知 , 因此 , 即 ，所以 ． （2）我们略去结论（2）的充分性证明，这里只给出必要 性的证明： 将二次三项式（4—29）中的X和Y分别换为 和 则对任意λ ，有 ， 即 . 特别地，当 等于二次三项式的最小值点 时，上 式变为  (X Y ) = E(X − EX )(Y − EY)  EX − EX   EY − EY = DX  DY 2 2 2 2 cov ， 1 cov( ) 2        DX  DY X，Y ( ) 1 2  XY   XY 1 (X − EX ) (Y − EY)  R ( ( ) ( )) 2 cov( , ) 2 2 E  X − EX + Y − EY =  DX +  X Y + DY ( ) 2 0 2 2 2 D X +Y =   X +  XY X  Y + Y  X XY Y     0  − ( ) (1 ) 0 2 2 D 0 X + Y = −  X Y  Y 

王 由于y|=1,故D(A0X+Y)=0.根据方差性质4有 P1X+y=E(1X+Y)}=1即P{=(-1)X+E(0X+1)=1 c于是存在常数a=-1和b=E(4nXx+1)使P{Y=ax+b}=1 显然,利用(431)亦可证(430)的结论成立不过, 给出(431)的主要目的还在于证明结论(2)的必要性 定理42表明:X与Y的相关系数是衡量X与Y之间线性相关 程度的量.当Pm=1时,X与Y依概率线性相关;特别当 滩Pxy=1时yY随X的增大而线性增大,此时称X与Y线性正相关 ( Positive correlation);当Px=-1时,Y随X的增大而线性地减 小,此时称X与Y线性负相关 Negative Correlation当变小 时,X与Y的线性相关程度就变弱如果P=0,X与Y之间就不存 在线性关系,此时称X与Y不相关( Uncorrelated) 需要指出的是:这里的不相关指的是从线性关系上看没有 关联并非X与Y之间没有任何关系也许此时还存在别的关系

由于 ，故 . 根据方差性质4,有 即 于是, 存在常数 和 使 □ 显然，利用（4—31）亦可证（4—30）的结论成立. 不过, 给出（4—31）的主要目的还在于证明结论（2）的必要性. 定理4.2表明：X与Y的相关系数是衡量X与Y之间线性相关 程度的量．当 时，X与Y依概率1线性相关；特别当 时,Y随X的增大而线性增大,此时称X与Y线性正相关 （Positive Correlation);当 时,Y随X的增大而线性地减 小，此时称X与Y线性负相关(Negative Correlation);当 变小 时,X与Y的线性相关程度就变弱;如果 =0,X与Y之间就不存 在线性关系，此时称X与Y不相关（Uncorrelated）． 需要指出的是:这里的不相关,指的是从线性关系上看没有 关联,并非X与Y之间没有任何关系,也许此时还存在别的关系．  XY =1 D(0 X +Y) = 0 P0 X +Y = E(0 X +Y) = 1 PY = (−0 )X + E(0 X +Y)=1 a = −0 ( ) b = E 0 X +Y PY = aX + b=1  XY =1  XY =1  XY = −1  XY  XY

独立与不相关都是随机变量之间相互联系程度的一种反映, 独立指的是X与Y没有任何关系,不相关指的X与Y之间没有线 H性相关关系 事实上,若X与Y独立,则X与Y一定不相关(这可以利用 (4-10)和(4-19)进行证明);但反过来,着x与Y不相 中关,则X与Y却未必独立 然而,对于二维正态随机变量(X,)而言,X与Y的独立性 与不相关性却是等价的,我们有如下结果 定理43设X,Y)~M(A1H2,o2,a2,p)则 PXy =p (432) 证明显然,我们有E(X)=12DX=G2,EY=2,DY=a2 而 上页

独立与不相关都是随机变量之间相互联系程度的一种反映, 独立指的是X与Y没有任何关系，不相关指的X与Y之间没有线 性相关关系． 事实上，若X与Y独立，则X与Y一定不相关（这可以利用 （4－10）和（4－19）进行证明）；但反过来，若X与Y不相 关，则X与Y却未必独立． 然而，对于二维正态随机变量 而言，X与Y的独立性 与不相关性却是等价的，我们有如下结果： 定理4.3 设 则 （4—32） 证明 显然，我们有 ，而 (X , Y) (X Y ) N(    ， ) 2 2 2 1 2 1 , ~ , , ,  XY =  ( ) 2 2 2 2 1 1 E X =  , DX =  , EY =  , DY = 

cov(X, Y)=(x-H1)(y-u2)f(x, y)dxdy+ rC(-X-092 x-内、2(x-A) dyer 2 12 2x-1 则 x.)=1∫“(5h-+m0) dtds ds)c 1 se 2 ds te 2 dt CIo2 2丌 因此 (x,Y) Dx√DY 上页

推论设(X,1)~N(1,2a1,a2,D),则x与Y相互独立的 充要条件是X与Y不相关 证明由定理3知若(x,Y)N(4,p2,2,o2,p),则x 与Y相互独立的充要条件是=0,由定理4.3知,y=p,因 此,X与Y相互独立的充要条件是X与Y不相关 根据上面的讨论,二维正态随机变量(X,Y的概率密度中 的参数?就是X和Y的相关系数,因而二维正态随机变量(X,Y c的分布就完全可由X和Y的数学期望、方差以及它们的相关系 数所确定 随机变量除了前面介绍的数学期望、方差、协方差以及它 c们的相关系数等数字特征外,还存在许多其它的数字特征下 面介绍另外几种常见的数字特征 三、矩的概念 上页

推论 设 ，则X与Y相互独立的 充要条件是X与Y不相关． 证明 由定理3.3知, 若 ，则X 与Y相互独立的充要条件是 ，由定理4.3知, ，因 此，X与Y相互独立的充要条件是X与Y不相关． □ 根据上面的讨论，二维正态随机变量 的概率密度中 的参数 就是X和Y的相关系数，因而二维正态随机变量 的分布就完全可由X和Y的数学期望、方差以及它们的相关系 数所确定． 随机变量除了前面介绍的数学期望、方差、协方差以及它 们的相关系数等数字特征外，还存在许多其它的数字特征,下 面介绍另外几种常见的数字特征． 三、矩的概念 (X Y ) N(    ， ) 2 2 2 1 2 1 , ~ , , , (X Y ) N(    ， ) 2 2 2 1 2 1 , ~ , , ,  = 0  XY =  (X , Y)  (X , Y)