概率统计Python计算：协方差与相关系数计算

我们知道，若随机向量$(X,Y)$存在$E(X)$，$E(Y)$，$E(XY)$，则存在$(X,Y)$的协方差$\text{Cov}(Y,X)$：
$$\text{Cov}(Y,X)=E[(Y-E(Y))(X-E(X))]=E(XY)-E(X)E(Y).$$
若还有$D(X)$和$D(Y)$存在，且$D(X)D(Y)>0$，则$X$, $Y$的相关系数为
$${\rho }_{XY}=\frac{\text{Cov}(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}}.$$
根据协方差的计算公式和相关系数的定义，编写如下的通用Python函数。

def cov(Exy, Ex, Ey):                   #协方差函数定义
    return Exy-Ex*Ey
def rhoxy(Exy, Ex, Ey, sigmax, sigmay): #相关系数函数定义
    return cov(Exy, Ex, Ey)/sigmax/sigmay

第1~2行定义的函数cov计算$(X,Y)$的协方差$\text{Cov}(X,Y)$。参数Exy，Ex，Ey分别表示期望$E(XY)$、$E(Y)$和$E(Y)$。第3~4行定义的函数rhoxy计算相关系数${\rho }_{XY}$。参数Exy，Ex，Ey与cov函数的同名参数意义相同，参数sigmax和sigmay分别表示$\sqrt{D(X)}$和$\sqrt{D(Y)}$。
我们还知道，若$X$，$Y$相互独立，则不难推得$\text{Cov}(X,Y)=0$，由时必有${\rho }_{XY}=0$，反之却不然。
例1 设$(X,Y)$的联合分布律为

不难算得，$E(X)=5/2$，$E(Y)=0$，$E(XY)=0$，故${\rho }_{XY}=0$。即$X$与$Y$不相关。但是，
$$P(X=1,Y=-2)=0\ne \frac{1}{2}\cdot \frac{1}{4}=P(X=1)\cdot P(Y=-2)$$
故$X$与$Y$不相互独立。
下列代码验证本例计算结果。

import numpy as np                                  #导入numpy
X=np.array([1, 4])                                  #X的取值
Y=np.array([-2, -1, 1, 2])                          #Y的取值
Pxy=np.array([[0, 1/4, 1/4, 0],                     #联合分布律的概率
            [1/4, 0, 0, 1/4]])
Ex=expect(Pxy, X)                                   #E(X)
Ey=expect(Pxy, Yv=Y, func=lambda x, y:y)            #E(Y)
Exy=expect(Pxy, X, Y, func=lambda x, y:x*y)         #E(XY)
covar=cov(Exy, Ex, Ey)                              #Cov(X,Y)
indep=independent(Pxy)                              #检验独立性
print('X与Y不相关是%s, X与Y相互独立是%s'%(covar==0, indep))

程序的2~5行完成随机向量$(X,Y)$的联合分布律的数据设置。第6、7、8三行调用expect函数（详见博文《离散型自定义分布数学期望的计算》）计算期望$E(X)$、$E(Y)$和$E(XY)$。第9行调用上列程序定义的函数cov计算协方差$\text{Cov}(X,Y)$。第10行调用independent函数（详见博文《离散型变量独立性判断》）检验$X$与$Y$是否独立。第12行输出计算结果：

X与Y不相关是True, X与Y相互独立是False

写博不易，敬请支持：
如果阅读本文于您有所获，敬请点赞、评论、收藏，谢谢大家的支持！
代码诚可贵，原理价更高。若为AI学，读正版书好。
返回《导引》