第四章 随机变量的数字特征
数学期望
例子
成绩 | 0分 | 1分 | 2分 | 3分 | 4分 | 5分 |
---|---|---|---|---|---|---|
人数 | 2 | 5 | 8 | 15 | 12 | 8 |
频率 | 2/50 | 5/50 | 8/50 | 15/50 | 12/50 | 8/50 |
平均成绩为
(0×2+1×5+2×8+3×15+4×12+5×8)/50=3.08
加权平均
0× 250 2 50 +1× 550 5 50 +2× 850 8 50 +3× 1550 15 50 +4× 1250 12 50 +5× 850 8 50 =3.08
离散型随机变量的数学期望
定义
设离散型随机变量X的分布律为
P{X= xk x k }= pk p k (k=1,2,…)
若无穷极数 ∑∞k=1xkpk ∑ k = 1 ∞ x k p k 绝对收敛,即 ∑∞k=1|xk|pk ∑ k = 1 ∞ | x k | p k 收敛则称这个级数为随机变量X的数学期望,简称期望或均值。记作E(X)
即
一个随机变量的数学期望是一个常数,它表示随机变量取值的一个平均,并不是算术平均,而是以概率为权重的加权平均。
为什么要绝对收敛?
因为绝对收敛级数具有交换律,即级数的各项任意重新排列后,级数的和不会变,从而保证任意交换xi的位置,不会改变X的数学期望。
如果此级数发散或者条件收敛,则X的数学希望就不存在。
如果X只取有限个值,则此级数只有有限项相加,它一定绝对收敛。
计算
X | x1 x2 x3 … xn … |
---|---|
pk | P1 p2 p3 … pn … |
将分布律中X的歌取值 xi x i 与对应概率 pi p i 相乘,再将乘积相加,得到X的期望
E(X)= x1p1+x2p2+…+xnpn+... x 1 p 1 + x 2 p 2 + … + x n p n + . . .
0-1分布数学期望
E(X)=0×(1-p)+1×p=p
二项分布的数学期望
P{X=k}= \Cknpk(1−p)n−k \C n k p k ( 1 − p ) n − k (k=0,1,…,n)
E(X)= ∑nk=0k·pk ∑ k = 0 n k · p k = ∑nk=1k·\Cknpk(1−p)k−1 ∑ k = 1 n k · \C n k p k ( 1 − p ) k − 1
= p∑nk=1k·nk\Ck−1n−1pk−1(1−p)n−k p ∑ k = 1 n k · n k \C n − 1 k − 1 p k − 1 ( 1 − p ) n − k
= np∑nk=1\Ck−1n−1pk−1(1−p)n−k n p ∑ k = 1 n \C n − 1 k − 1 p k − 1 ( 1 − p ) n − k
= np[p+(1−p)]n n p [ p + ( 1 − p ) ] n
=np
\Cmn=nm\Cm−1n−1 \C n m = n m \C n − 1 m − 1
牛顿二项式: (a+b)n ( a + b ) n = ∑nr=0\Crnan−rbr ∑ r = 0 n \C n r a n − r b r
泊松分布的数学期望
pk p k =P{X=k}= λk!e−λk(λ>0) λ k ! e − λ k ( λ > 0 ) (k=1,2,…)
E(X)= ∑∞k=1k·λkk!e−λ ∑ k = 1 ∞ k · λ k k ! e − λ
= e−λ∑∞k=1λk(k−1)! e − λ ∑ k = 1 ∞ λ k ( k − 1 ) !
= e−λλ∑∞k=1λk−1(k−1)! e − λ λ ∑ k = 1 ∞ λ k − 1 ( k − 1 ) !
= e−λλeλ e − λ λ e λ
=e
∑∞k=0λkk!=eλ ∑ k = 0 ∞ λ k k ! = e λ
连续性随机变量的数学期望
定义
设连续性随机变量X的概率密度为f(x),若反常积分 ∫+∞−∞xf(x)dx ∫ − ∞ + ∞ x f ( x ) d x 绝对收敛,即 ∫+∞−∞|x|f(x)dx ∫ − ∞ + ∞ | x | f ( x ) d x 收敛或者<+ ∞ ∞ ,则称这个积分为随机变量X的数学期望简称期望,记作E(X)
即 E(X)= ∫+∞−∞xf(x)dx ∫ − ∞ + ∞ x f ( x ) d x
连续性随机变量的数学期望是它的概率密度f(x)与x的乘积在整个实数域上的积分
均为分布的数学期望
$$ f(x)=\left{
\begin{aligned}
&{1 \over {b-a}},{a < x < b} \
&0, 其他
\end{aligned}
\right.
$$
E(X)= ∫+∞−∞xf(x)dx ∫ − ∞ + ∞ x f ( x ) d x = ∫ba1b−adx ∫ a b 1 b − a d x = 1b−a∫baxdx 1 b − a ∫ a b x d x
= 1b−a[x22]ba 1 b − a [ x 2 2 ] a b
= 1b−a·b2−a22 1 b − a · b 2 − a 2 2
= b+a2 b + a 2
正态分布的数学期望
f(x)=12π√e−(x−μ)22σ2 f ( x ) = 1 2 π e − ( x − μ ) 2 2 σ 2
E(X)= ∫+∞−∞x12π√e−(x−μ)22σ2 ∫ − ∞ + ∞ x 1 2 π e − ( x − μ ) 2 2 σ 2
= 1π√∫+∞−∞xe−(x−μ2√σ)2d(x−μ2√σ) 1 π ∫ − ∞ + ∞ x e − ( x − μ 2 σ ) 2 d ( x − μ 2 σ ) 令z= x−μ2√σ x − μ 2 σ
= 1π√∫+∞−∞(2‾√σz+μ)e−z2dz 1 π ∫ − ∞ + ∞ ( 2 σ z + μ ) e − z 2 d z 对称性 ∫+∞−∞ze−z2dz ∫ − ∞ + ∞ z e − z 2 d z =0
= μπ√∫+∞−∞e−z2dz μ π ∫ − ∞ + ∞ e − z 2 d z
= μπ√π‾‾√ μ π π
= μ μ
均值为图像对称轴的很坐标
推出:
一般的,若X的概率密度f(x)的图形关于直线x=a对称,即
f(a-x)=f(a+x) ( −∞<x<+∞ − ∞ < x < + ∞ )
则X的数学期望必为a
指数分布的数学期望
E(x)= ∫+∞−∞xf(x)dx ∫ − ∞ + ∞ x f ( x ) d x
= ∫+∞0xλe−λxdx ∫ 0 + ∞ x λ e − λ x d x $
= λx−1λe−λx−∫+∞0e−λxdx λ x − 1 λ e − λ x − ∫ 0 + ∞ e − λ x d x 部分积分法
= −[xe−λx|+∞0−(−1λe−λx)|+∞0] − [ x e − λ x | 0 + ∞ − ( − 1 λ e − λ x ) | 0 + ∞ ]
= −[(0−0)+1λe−λx|+∞0] − [ ( 0 − 0 ) + 1 λ e − λ x | 0 + ∞ ] limx→+∞xe−λx=limx→+∞xeλx=limx→+∞1λx=0 lim x → + ∞ x e − λ x = lim x → + ∞ x e λ x = lim x → + ∞ 1 λ x = 0
= −1λ(0−1) − 1 λ ( 0 − 1 )
= 1λ 1 λ
柯西分布的数学期望
为正无穷,所以不存在
随机变量的函数的期望
离散型
设X是离散型随机变量,其分布律为p{X= xk x k }= pk p k (k=1,2,…)
设Y是随机变量X的函数:Y=g(X)
则E(Y)=E[g(X)]= ∑∞k=1g(xk)pk ∑ k = 1 ∞ g ( x k ) p k 要求绝对收敛
连续性
设X是连续性随机变量,其概率密度为f(x),设Y是随机变量X的函数:Y=g(X),其中g是连续函数
则E(Y)=E[g(x)]= ∫+∞−∞g(x)f(x)dx ∫ − ∞ + ∞ g ( x ) f ( x ) d x 要求绝对收敛
这个定理的意义在于:当我们求E(Y)时,不必求出Y=g(X)的概率密度,只需利用X的概率密度f(x)即可。
二维随机变量的期望
离散型
设二维离散型随机变量(X,Y)的分布律为P{X= Xi X i ,Y= yj y j }= pij p i j (i,j=1,2,…)
则函数Z=g(X,Y)的数学期望
E(Z)=E(g(X,Y))= ∑∞j=1∑∞i=1g(xi,yj)pij ∑ j = 1 ∞ ∑ i = 1 ∞ g ( x i , y j ) p i j 要求绝对收敛
连续性
设二维连续性随机变量(X,Y)的概率密度为f(x,y),则函数Z=g(X,Y)的数学期望
E(Z)=E(g(X,Y))= ∫+∞−∞∫+∞−∞g(x,y)f(x,y)dxdy ∫ − ∞ + ∞ ∫ − ∞ + ∞ g ( x , y ) f ( x , y ) d x d y 要求绝对收敛
例子
设随机变量(X,Y)的概率密度为
求数学期望E(Y),E(1/XY)
1.E(Y)
区域在y=1/x,y=x之间
E(Y)= ∫+∞−∞∫+∞−∞yf(x,y)dxdy ∫ − ∞ + ∞ ∫ − ∞ + ∞ y f ( x , y ) d x d y 先对y积分
= ∫+∞1dx∫x1/xy32x3y2dy ∫ 1 + ∞ d x ∫ 1 / x x y 3 2 x 3 y 2 d y 整理得
= 32∫+∞11x3dx∫x1/xy1y2dy 3 2 ∫ 1 + ∞ 1 x 3 d x ∫ 1 / x x y 1 y 2 d y
= 32∫+∞11x3[lny]|x1/xdx 3 2 ∫ 1 + ∞ 1 x 3 [ l n y ] | 1 / x x d x
= 32∫+∞11x3(2lnx)dx 3 2 ∫ 1 + ∞ 1 x 3 ( 2 l n x ) d x
= 32∫+∞1x−3lnxdx 3 2 ∫ 1 + ∞ x − 3 l n x d x 分部积分法
= 3−2[lnxx2]+∞1−∫+∞1x−2dlnx 3 − 2 [ l n x x 2 ] 1 + ∞ − ∫ 1 + ∞ x − 2 d l n x
=3/4
数学期望的性质
性质1
常数C的数学期望就是该常数本身,即
E(C)=C
性质2
设X是随机变量,C是常数,则
E(CX)=CE(X)
性质3
设X,Y是随机变量,则
E(X+Y)=E(X)+E(Y)
推论 线性性质
设X1,X2,..,Xn是n个随机变量,C1,C2,..,Cn是n个常数,
则
E(C1X1+C2X2+…+CnXn)=C1E(X1)+C2E(X2)+…+CnE(Xn)
性质4
设X,Y是相互独立的随机变量则
E(XY)=E(X)E(Y)
方差
例如,三个随机变量X,Y,Z,其分布律为
X | 0 |
---|---|
p | 1 |
Y | -1 1 |
---|---|
p | 0.5 0.5 |
Z | -100 100 |
---|---|
p | 0.5 0.5 |
虽然它们的数学期望都是0,但Y的取值分散度大于X,而Z取值的分散程度大于Y
由此可见,我们有必要考虑随机变量与其均值的偏离程度
定义
设X是一个随机变量,若 E[X−E(X)]2 E [ X − E ( X ) ] 2 存在,则称之为X的方差
记作D(X)或者Var(X)
称 D(X)‾‾‾‾‾√ D ( X ) 为标准差或者均方差或者根方差,
记作 σ σ (X)
表示X的取值与其数学期望E(X)的偏离程度。
D(X)较小意味着X的取值比较其中在E(X)附近。
反之,D(X)较大则表示X的取值比较分散。
因此,D(X)是刻画X取值分散程度的一个量,是衡量X的取值分散程度的一个标尺。
计算
离散型
设X是离散型随机变量。X的方差
D(X)= E{[X−E(X)]2} E { [ X − E ( X ) ] 2 } = ∑∞k=1[xk−E(X)]2pk ∑ k = 1 ∞ [ x k − E ( X ) ] 2 p k E[g(x)]= ∑∞k=1g(xk)pk ∑ k = 1 ∞ g ( x k ) p k
连续性
设X是连续性随机变量,其概率密度为f(x)
则X的方差
D(X)= E{[X−E(X)]2} E { [ X − E ( X ) ] 2 } = ∫+∞−∞[x−E(X)]2f(x)dx ∫ − ∞ + ∞ [ x − E ( X ) ] 2 f ( x ) d x
重要公式
D(X)=E( X2 X 2 )- [E(X)]2 [ E ( X ) ] 2
0-1分布的方差
E(X)=p
E( X2 X 2 )= 02(1−p)+12p 0 2 ( 1 − p ) + 1 2 p =p
D(X)=E( X2 X 2 )- [E(X)]2 [ E ( X ) ] 2 =p- p2 p 2 =p(1-p)
二项分布的方差
D(X)=D(X1+X2+..+Xn)=D(X1)+D(X2)+…+D(Xn)=np(1-p)
泊松分布
E(X)= ∑∞k=1k·λkk!e−λ ∑ k = 1 ∞ k · λ k k ! e − λ = λ λ
E( X2 X 2 )= ∑∞k=1k2·λkk!e−λ ∑ k = 1 ∞ k 2 · λ k k ! e − λ
= e−λλ∑∞k=1kλk−1(k−1)! e − λ λ ∑ k = 1 ∞ k λ k − 1 ( k − 1 ) !
= e−λλ∑∞k=1[(k−1)+1]λk−1(k−1)! e − λ λ ∑ k = 1 ∞ [ ( k − 1 ) + 1 ] λ k − 1 ( k − 1 ) ! ∑∞k=1λkk!=eλ ∑ k = 1 ∞ λ k k ! = e λ
= e−λλ[∑∞k=1(k−1)λk−1(k−1)!+∑∞k=1λk−1(k−1)!] e − λ λ [ ∑ k = 1 ∞ ( k − 1 ) λ k − 1 ( k − 1 ) ! + ∑ k = 1 ∞ λ k − 1 ( k − 1 ) ! ]
= e−λλ[λ∑∞k=2λk−2(k−2)!+∑∞k=1λk−1(k−1)!] e − λ λ [ λ ∑ k = 2 ∞ λ k − 2 ( k − 2 ) ! + ∑ k = 1 ∞ λ k − 1 ( k − 1 ) ! ]
= e−λλ(λeλ+eλ) e − λ λ ( λ e λ + e λ )
= λ(λ+1) λ ( λ + 1 )
D(X)= λ(λ+1)−λ2 λ ( λ + 1 ) − λ 2 = λ λ
均匀分布的方差
$$
f(x)=\left{
\begin{aligned}
&{1 \over {b-a}}, {a < x < b} \
&0, 其他
\end{aligned}
\right.
$$
E(X)= (a+b)2 ( a + b ) 2
E( X2 X 2 )= ∫+∞−∞x2f(x)dx ∫ − ∞ + ∞ x 2 f ( x ) d x = ∫ba1b−adx ∫ a b 1 b − a d x = 1b−a∫bax2dx 1 b − a ∫ a b x 2 d x
= 1b−a[x33]ba 1 b − a [ x 3 3 ] a b
= 1b−a·b3−a33 1 b − a · b 3 − a 3 3
= b2+ab+a23 b 2 + a b + a 2 3
D(X)= b2+ab+a23−(a+b)24 b 2 + a b + a 2 3 − ( a + b ) 2 4 = 112(b−a)2 1 12 ( b − a ) 2
正态分布的方差
f(x)=12π√e−(x−μ)22σ2 f ( x ) = 1 2 π e − ( x − μ ) 2 2 σ 2
E(X)= μ μ
D(X)= ∫[x−E(X)]2f(x)dx ∫ [ x − E ( X ) ] 2 f ( x ) d x
D(X)= E{[X−E(X)]2} E { [ X − E ( X ) ] 2 } =E [(X−μ)2] [ ( X − μ ) 2 ]
= ∫+∞−∞(x−μ)212π√σe−(x−μ)22σ2dx ∫ − ∞ + ∞ ( x − μ ) 2 1 2 π σ e − ( x − μ ) 2 2 σ 2 d x
= 1π√∫+∞−∞(x−μ)2e−(x−μ2√σ)2d(x−μ2√σ) 1 π ∫ − ∞ + ∞ ( x − μ ) 2 e − ( x − μ 2 σ ) 2 d ( x − μ 2 σ ) 令z= x−μ2√σ x − μ 2 σ
= 1π√∫+∞−∞(2‾√σ−z2)e−z2dz 1 π ∫ − ∞ + ∞ ( 2 σ − z 2 ) e − z 2 d z 分部积分法
= (σ2π√)−[ze−z2|+∞−∞−∫+∞−∞e−z2dz] ( σ 2 π ) − [ z e − z 2 | − ∞ + ∞ − ∫ − ∞ + ∞ e − z 2 d z ]
= (σ2π√) ( σ 2 π ) -[(0-0)- π‾‾√ π ]
= σ2 σ 2
X~N{ μ,σ2 μ , σ 2 } 两个参数分别是数学期望和方差
指数分布的方差
E(x)= 1λ 1 λ
E( 2x 2 x )= ∫+∞−∞x2f(x)dx ∫ − ∞ + ∞ x 2 f ( x ) d x
= ∫+∞0x2λe−λxdx ∫ 0 + ∞ x 2 λ e − λ x d x $
= 1λ2∫+∞0(λx)2e−λxdx 1 λ 2 ∫ 0 + ∞ ( λ x ) 2 e − λ x d x u= λ λ x
= 1λ2∫+∞0(u)2e−udu 1 λ 2 ∫ 0 + ∞ ( u ) 2 e − u d u Γ(α)=∫(0+∞)xα−1e−xdx Γ ( α ) = ∫ 0 ( + ∞ ) x α − 1 e − x d x Γ(n+1)=n! Γ ( n + 1 ) = n !
= 1λ2∫+∞0Γ(3) 1 λ 2 ∫ 0 + ∞ Γ ( 3 )
= 2λ2 2 λ 2
D(X)= 1λ2 1 λ 2
方差的性质
性质1
常数C的方差为零,即D(C)=0
性质2
设X是随机变量,C是常数,则
D(CX)= C2 C 2 D(X),D(X+C)=D(X)
D(CX)≠CD(X)
推论 σ(CX)=|C|σ σ ( C X ) = | C | σ (X)
性质3
设X,Y是随机变量,则
D(X+Y)=D(X)+D(Y)+2Cov(X,Y)
若X,Y相互独立则
D(X+Y)=D(X)+D(Y)
性质4
D(X)=0 ⇔ ⇔ P{X=E()X}=1
协方差及相关系数
协方差定义
设(X,Y)是二维随机变量,称
E{[X-E(X)][Y-E(Y)]}
为X与Y的协方差,记为Cov(X,Y)或 σ(X,Y) σ ( X , Y )
相关系数定义
设(X,Y)是二维随机变量,X与Y的协方差
Cov(X,Y)=E{[X-E(X)][Y-E(Y)]}= σ σ (X,Y)
当D(X)和D(Y)不等于0时,定义X与Y的相关系数为
ρXY=Cov(X,Y)D(X)D(Y)√√ ρ X Y = C o v ( X , Y ) D ( X ) D ( Y )
ρXY=σ(X,Y)σ(X)σ(Y) ρ X Y = σ ( X , Y ) σ ( X ) σ ( Y )
协方差计算公式
离散型
设(X,Y)是二维离散型随机变量,其分布律为
pij p i j =P{X= xi x i ,Y= yi y i },i,j=1,2,…
则X与Y的协方差
Cov(X,Y)=E{[X-E(X)][Y-E(Y)]}= ∑+∞j=1∑+∞i=1[xi−E(X)][yi−E(Y)]pij ∑ j = 1 + ∞ ∑ i = 1 + ∞ [ x i − E ( X ) ] [ y i − E ( Y ) ] p i j
连续性
设(X,Y)是二维连续型随机变量,其概率密度为f(x,y),则X与Y的协方差
Cov(X,Y)=E{[X-E(X)][Y-E(Y)]}= ∫+∞−∞∫+∞−∞[x−E(X)][y−E(Y)]f(x,y)dxdy ∫ − ∞ + ∞ ∫ − ∞ + ∞ [ x − E ( X ) ] [ y − E ( Y ) ] f ( x , y ) d x d y
协方差的一个计算公式
Cov(X,Y)=E(XY)-E(X)E(Y)
当X与Y相互独立时,E(XY)=E(X)E(Y)
Cov(X,Y)=0
Cov(X,X)=D(X)
协方差性质
1.Cov(X,Y)=Cov(Y,X) 对称性
2.Cov(X,a)=0
3.Cov(aX,bY)=abCov(X,Y)
4.Cov(X±Y,Z)=Cov(X,Z)±Cov(Y,Z) 线性性质
相关系数的性质
1. ρXY ρ X Y = ρYX ρ Y X 对称性
2.| ρXY ρ X Y |≤1 有界性
设X是随机变量,令 X∗=X−E(X)σ(X) X ∗ = X − E ( X ) σ ( X )
则E( X∗ X ∗ )=0 D( X∗ X ∗ )=1
X∗=X−E(X)σ(X) X ∗ = X − E ( X ) σ ( X ) 为X的标准
例如,X~N( μ,σ2 μ , σ 2 ) => X∗ X ∗ = X−μσ X − μ σ ~N(0,1)
引理 设随机变量X和Y的数学期望和方差都存在,
令 X∗=X−E(X)σ(X) X ∗ = X − E ( X ) σ ( X ) Y∗=Y−E(Y)σ(Y) Y ∗ = Y − E ( Y ) σ ( Y )
则 ρXY=Cov(X∗,Y∗) ρ X Y = C o v ( X ∗ , Y ∗ )
3.| ρXY ρ X Y |=1的充分必要条件是存在常数a,b,(a≠0)使得P{Y=aX+b}=1 Y以概率1等于X的线性函数
当a>0时, ρXY ρ X Y =1 ;当a<0时, ρXY ρ X Y =-1
X与Y独立 =>X与Y不相关
矩、协方差矩阵
矩定义
E(X)是X的一阶原点矩
D(X)=E{ [X−E(X)]2 [ X − E ( X ) ] 2 }是X的二阶中心距
Cov(X,Y)=E{[X-E(X)][Y-E(Y)]}是X和Y的二阶混合中心距
E( Xk X k )(k=1,2,..)是X的k阶原点矩
D(X)=E{ [X−E(X)]k [ X − E ( X ) ] k }(k=1,2,..)是X的k阶中心距
Cov(X,Y)=E{ [X−E(X)]k[Y−E(Y)]l [ X − E ( X ) ] k [ Y − E ( Y ) ] l }(k,l=1,2,..)是X和Y的k+l阶混合中心距
矩的计算公式
离散型
E(Xk)=∑∞i=1xkipi E ( X k ) = ∑ i = 1 ∞ x i k p i
E([X−E(X)]k)=∑∞i=1[xi−E(X)]kpi E ( [ X − E ( X ) ] k ) = ∑ i = 1 ∞ [ x i − E ( X ) ] k p i
E{[X−E(X)]k[Y−E(Y)]l} E { [ X − E ( X ) ] k [ Y − E ( Y ) ] l } = ∑∞j=1∑∞i=1[xi−E(X)]k[yi−E(Y)]lpij ∑ j = 1 ∞ ∑ i = 1 ∞ [ x i − E ( X ) ] k [ y i − E ( Y ) ] l p i j
连续性
E(Xk)=∫+∞−∞xkf(x)dx E ( X k ) = ∫ − ∞ + ∞ x k f ( x ) d x
E([X−E(X)]k)=∫+∞−∞[x−E(X)]kf(x)dx E ( [ X − E ( X ) ] k ) = ∫ − ∞ + ∞ [ x − E ( X ) ] k f ( x ) d x
E{[X−E(X)]k[Y−E(Y)]l} E { [ X − E ( X ) ] k [ Y − E ( Y ) ] l } = ∫+∞−∞∫+∞−∞[x−E(X)]k[y−e(Y)]lf(x,y)dxdy ∫ − ∞ + ∞ ∫ − ∞ + ∞ [ x − E ( X ) ] k [ y − e ( Y ) ] l f ( x , y ) d x d y
E(XkYl)=∑∞j=1∑∞i=1xkiyljpij=∫+∞−∞∫+∞−∞xkylf(x,y)dxdy E ( X k Y l ) = ∑ j = 1 ∞ ∑ i = 1 ∞ x i k y j l p i j = ∫ − ∞ + ∞ ∫ − ∞ + ∞ x k y l f ( x , y ) d x d y
协方差矩阵
二维随机变量( X1,X2 X 1 , X 2 )有四个二阶中心矩
c11=E{[X1−E(X1)][X1−E(X1)]}=D(X1) c 11 = E { [ X 1 − E ( X 1 ) ] [ X 1 − E ( X 1 ) ] } = D ( X 1 )
c12=E{[X1−E(X1)][X2−E(X2)]}=Cov(X1,X2) c 12 = E { [ X 1 − E ( X 1 ) ] [ X 2 − E ( X 2 ) ] } = C o v ( X 1 , X 2 )
c21=E{[X2−E(X2)][X1−E(X1)]}=Cov(X2,X1) c 21 = E { [ X 2 − E ( X 2 ) ] [ X 1 − E ( X 1 ) ] } = C o v ( X 2 , X 1 )
c22=E{[X2−E(X2)][X2−E(X2)]}=D(X2) c 22 = E { [ X 2 − E ( X 2 ) ] [ X 2 − E ( X 2 ) ] } = D ( X 2 )
它们构成的矩阵
称为( X1,X2 X 1 , X 2 )的协方差矩阵
n维随机变量(
X1,X2,…,Xn
X
1
,
X
2
,
…
,
X
n
)的协方差矩阵为
cii=D(Xi) c i i = D ( X i )
cij=Cov(Xi,Yj) c i j = C o v ( X i , Y j )