本文摘自《概率論和數理統計》 陳希孺著 中國科學技術大學出版社
協方差和相關係數
現在我們來考慮多維隨機向量的數字特徵。以二維的情況爲例,設(X,Y) 爲二維隨機向量。X,Y 本身都是一維隨機變量,可以定義爲其均值、方差,在本文中我們記
E(X)=m1,E(Y)=m2,Var(X)=σ21,Var(Y)=σ22
協方差定義
我們稱E[(X−m1)(Y−m2)] 爲X,Y 的協方差,並記爲Cov(X,Y)∗ 。
“協”即“協同”的意思。X 的方差是X−m1 與X−m1 的乘積的期望,如今把一個X−m1 換爲Y−m2 ,其形式接近方差,又有X,Y 二者的參與,由此得出協方差的名稱。由定義看出,Cov(X,Y) 與X,Y 的次序無關,即Cov(X,Y)=Cov(Y,X) 。可直接由定義得到協方差的一些簡單性質。例如,若c1,c2,c3,c4 都是常數,則,
Cov(c1X+c2,c3Y+c4)=c1c3Cov(X,Y) 公式(1)
又易知:
Cov(X,Y)=E(XY)−m1m2 公式(2)
這些簡單的證明就不在這裏證明了。
協方差的重要性質
定理1
- 若X,Y 獨立,則Cov(X,Y)=0
- [Cov(X,Y)]2≤σ21σ22 。等號成立僅當X,Y 之間有嚴格的線性關係(即存在常熟a,b ,使得Y=a+bX )時成立。
證明1
因爲當X,Y 獨立的時候,E(XY)=m1m2 ,且Cov(X,Y)=E(XY)−m1m2 ,故Cov(XY)=m1m2−m1m2=0 。
證明2
預備小知識:
- 若a,b,c 爲常數,a>0 ,而二次三項式at2+2bt+c 對t 任何實值都非負,則必有ac≥b2 。(二次函數沒有實根 )
- 如果隨機變量Z 只能夠非負值,而E(Z)=0 ,則Z=0 。
證明小知識1:注意到若ac<b2 ,則at2+2bt+c=0 有兩個不同的實根t1<t2 ,因而at2+2bt+c=a(t−t1)(t−t2) 。取t0 使t1<t0<t2 ,則有at20+2bt0+c=a(t−t0)(t0−t2)<0 ,與at2+2bt+c 對任何t 非負矛盾。這就證明了小知識的第一點。
證明小知識2:若Z≠0 ,則因Z 只能取非負值,它必以一定的大於0的概率取大於0的值,這將導致E(Z)>0 ,與E(Z)=0 的假定不符合。
現考慮:
E[t(X−m1)+(Y−m2)]2=σ21t2+2Cov(X,Y)t+σ22 公式(3)
由於此等式左邊是一個非負隨機變量的均值,故它對任何t 非負。按預備知識1,有
σ21σ22≥[Cov(X,Y)]2 公式(4)
進一步,如果公式(4)等號成立,則公式(3)右邊等於(σ1t±σ2)2 。± 號視Cov(X,Y)>0 或<0 而定,爲確定符合,暫設Cov(X,Y)>0 ,則公式(3)右邊爲(σ1t+σ2)2 。此式在t=t0=−σ2/σ1 時爲0。以t=t0 帶入公式(3),有:
E[t0(X−m1)+(Y−m2)]2=0
再按預備知識2,即知t0(X−m1)+(Y−m2)=0 ,因而X,Y 之間有嚴格線性關係。
反之,若X,Y 之間有嚴格線性關係Y=aX+b ,則
σ22=Var(Y)=Var(aX+b)=Var(aX)=a2Var(X)=a2σ21 ,
且
m2=E(Y)=aE(X)+b=am1+b ,
因而有
Y−m2=(aX+b)−(am1+b)=a(X−m1) 。
於是
Cov(X,Y)=E[(X−m1)a(X−m1)]=a[E(X−m1)]=aσ21
因此,
[Cov(X,Y)]2=a2σ4=σ21(a2σ2)=σ21σ22
即公式(4)等號成立,這就證明了定理1中第2個知識點的全部結論。
相關係數定義
定義:我們把Cov(X,Y)σ1σ2 稱爲X,Y 的相關係數,並記爲Corr(X,Y)∗ 。
形式上可以把相關係數視爲“標準尺度下的協方差”。變量X,Y 的協方差作爲(X−m1)(Y−m2) 的均值,依賴於X,Y 的度量單位,選擇適當單位使X,Y 的方差都爲1,這協方差就是相關係數。這樣就能更好地反應X,Y 之間的關係,不受單位影響。
定理
- 若X,Y 獨立,則Corr(X,Y)=0 。
- −1≤Corr(X,Y)≤1 ,或∣Corr(X,Y)∣≤1 ,等號當且僅當X 和Y 有嚴格的線性關係時能達到。
相關解釋:
第一條
當Corr(X,Y)=0 ,(或Cov(X,Y)=0 一樣)時,稱“X,Y 不相關”。本定理1說明由X,Y 的獨立性推出他們的不相關。但反過來一般不成立:由Corr(X,Y)=0 不一定有X,Y 獨立。下面是一個簡單的例子。
例子:
設(X,Y) 服從單位圓內的均勻分佈,即其密度函數爲:
f(x,y)=⎧⎩⎨⎪⎪π−1 ,0 ,當x2+y2<1時當x2+y2≥1時
由於x,y 是對稱的,故他們擁有相同的概率密度函數。概率密度函數的求法請往下找,這裏爲了排版美觀將其內容放在下方。由於X,Y 擁有相同的邊緣密度函數,所以我們只求一個就可以了:
g(x)=∫1−x2√−1−x2√f(x,y)dy=∫1−x2√−1−x2√π−1dy={2π−11−x2‾‾‾‾‾‾‾√ ,0 , 當∣x∣<1時當∣x∣≥1時
這個函數關於0對稱,因此其均值爲0,故E(X)=E(Y)=0 。而
Cov(X,Y)=E(XY)−m1m2=E(XY)=1π∬xydxdyx2+y2<1 =0
故Corr(X,Y)=0 。但X,Y 不獨立,因爲聯合密度f(x,y) 不等於其邊緣密度之積g(x)g(y) 。
第二條
相關係數也常稱爲“線性相關係數”。這是因爲,實際上相關係數並不是刻畫了X,Y 之間“一般”關係的程度,而只是“線性關係的程度。這種說法的根據之一就在於,當且僅當X,Y 具有嚴格的線性關係時,纔有∣Corr(X,Y)∣ 達到最大值1.可以容易舉出例子說明:即使X 與Y 有某種嚴格的函數關係但非線性關係,∣Corr(X,Y)∣ 不僅不爲1,還可以爲0.
例子:
設X∼R(−12,12) ,即區間[−12,12] 內均勻分佈,而Y=cosX ,Y 與X 有嚴格的函數關係。但因E(X)=0 ,得到:
Cov(X,Y)=E(XY)−m1m2=E(XY)=E(XcosX)=∫1/2−1/2xcosxdx=0
故,Corr(X,Y)=0 。雖然求出來的相關係數爲0,也就是所謂的“不相關”,它們之間確有着嚴格的關係Y=cosX 。足見這樣的相關只能指線性而言,一超出了這個範圍,這個概念就失去了意義。
第三條
如果0<∣Corr(X,Y)∣<1 ,則解釋爲:X,Y 之間有“一定程度的”線性關係而非嚴格的線性關係。何謂“一定程度”的線性關係?我們可以用下面的圖來說明一下。在這三幅圖中,我們都假定(X,Y) 服從所畫區域A內的均勻分佈(即聯合概率密度f(x,y) 在A內爲∣A∣−1 ,在A外爲0,∣A∣ 爲區域A的面積)。在這三張圖中,X,Y 都沒有嚴格的線性關係,因爲由X 的值不能決定Y 的值。可是,由這幾個圖我們都能“感覺”出,X,Y 之間存在着一種線性的“趨勢”。這種趨勢,在圖(a)中已較顯著且是正向的(X 增加Y 傾向於增加),這相應於Corr(X,Y) 大比較顯著地大於0。在(b)中,這種線性趨勢比(a)更明顯,程度更大,反映∣Corr(X,Y)∣ 比(a)的情況更大,但爲負向的。至於(c),則多少有一點線性傾向,但已經很微弱,所以Corr(X,Y) 雖然大於0,但是很接近0。
邊緣密度函數
概率密度函數的求法如下:設X=(X1,⋯,Xn) 有概率密度函數f(x1,⋯,xn) ,爲求分量Xi 的概率密度函數,只需要把f(x1,⋯,xn) 中的xi 固定,然後對x1,⋯,xi−1,xi+1,⋯,xn 在−∞ 到+∞ 之間做定積分。例如,X1 的概率密度函數爲:
f1(x1)=∫+∞−∞⋯∫+∞−∞f(x1,x2,⋯,xn)dx2⋯dxn