first commit

This commit is contained in:
2026-10-04 11:44:56 +08:00
commit e7cbe2cdae
265 changed files with 52919 additions and 0 deletions
@@ -0,0 +1,195 @@
# 题型五:协方差与相关系数
## 识别特征
- 题干涉及 $\text{Cov}(X,Y)$ 或 $\rho_{XY}$
- 要求**计算**协方差或相关系数
- 利用性质:$\text{Cov}(aX+b, cY+d) = ac \cdot \text{Cov}(X,Y)$
## 解题流程
```mermaid
flowchart TD
A[识别:Cov 或 ρ] --> B{已知联合密度?}
B -->|是| C["Cov X,Y = ∬ x-E X y-E Y f x,y dxdy"]
B -->|否| D["Cov X,Y = E XY - E X E Y"]
C --> E[计算 E XY 和 E X E Y]
D --> E
E --> F{求相关系数?}
F -->|是| G["ρ = Cov / σ_X σ_Y"]
F -->|否| H[得 Cov X,Y]
```
## 通法步骤
### 一、协方差的定义与等价公式
**定义**:
$$
\text{Cov}(X,Y) = E[(X - E(X))(Y - E(Y))]
$$
**等价公式**(**计算首选**):
$$
\boxed{\text{Cov}(X,Y) = E(XY) - E(X) E(Y)}
$$
> *极简例子:* $X, Y$ 独立时 $E(XY) = E(X)E(Y)$,故 $\text{Cov}=0$
### 二、相关系数 $\rho_{XY}$
**定义**(标准化协方差):
$$
\rho_{XY} = \frac{\text{Cov}(X,Y)}{\sqrt{D(X)} \sqrt{D(Y)}} = \frac{\text{Cov}(X,Y)}{\sigma_X \sigma_Y}
$$
**性质**:
- $-1 \le \rho_{XY} \le 1$(Cauchy-Schwarz 不等式)
- $\rho_{XY} = 0$ $\iff$ $X, Y$ **不相关**
- $|\rho_{XY}| = 1$ $\iff$ $\exists a \ne 0, b$ 使得 $P(Y = aX+b) = 1$
- $|\rho_{XY}|$ 越大,$X, Y$ **线性关系**越强
### 三、协方差的性质 ⭐
| 性质 | 公式 |
|------|------|
| **自身** | $\text{Cov}(X,X) = D(X)$ |
| **对称** | $\text{Cov}(X,Y) = \text{Cov}(Y,X)$ |
| **伸缩** | $\text{Cov}(aX, bY) = ab \cdot \text{Cov}(X,Y)$ |
| **平移** | $\text{Cov}(aX+b, cY+d) = ac \cdot \text{Cov}(X,Y)$(常数消失) |
| **分配律** | $\text{Cov}(X_1+X_2, Y) = \text{Cov}(X_1,Y) + \text{Cov}(X_2,Y)$ |
| **与方差** | $D(X \pm Y) = D(X) + D(Y) \pm 2\text{Cov}(X,Y)$ |
### 四、计算路径
**路径 A**:已知联合密度 $f(x,y)$
$$
\text{Cov}(X,Y) = \iint (x-\mu_X)(y-\mu_Y) f(x,y) dxdy
$$
**路径 B**(**更常用**):先求 $E(X), E(Y), E(XY)$
$$
\text{Cov}(X,Y) = E(XY) - E(X) E(Y)
$$
**路径 C**:利用性质分解
$$
\text{Cov}(aX+b, cY+d) = ac \cdot \text{Cov}(X,Y)
$$
### 五、相关系数的计算
求 $\rho_{XY}$ 需先算:
1. $\text{Cov}(X,Y)$(用上述路径)
2. $D(X) = E(X^2) - E^2(X)$
3. $D(Y) = E(Y^2) - E^2(Y)$
4. $\rho_{XY} = \text{Cov}(X,Y) / \sqrt{D(X) D(Y)}$
## 常见陷阱
- **$\rho_{XY}=0$ 不等价独立**:除二维正态外,独立是不相关的**充分非必要**条件
- **正态分布的 $\rho$**:$(X,Y) \sim N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$ 的 $\rho$ 就是 $\rho_{XY}$
- **$\rho$ 只测线性**:$Y = X^2$($X \sim U(-1,1)$)的 $\rho_{XY}=0$,但有强非线性关系
- **$\text{Cov}$ 的伸缩**:$\text{Cov}(aX+b, cY+d) = ac \cdot \text{Cov}(X,Y)$,**不要忘了系数相乘**
- **$D(X \pm Y)$ 中的协方差符号**:减法对应 $-2\text{Cov}(X,Y)$
## 经典母题
> **题目 1**:$(X,Y)$ 联合密度 $f(x,y) = \dfrac{1}{8}(x+y), 0 \le x, y \le 2$。求 $\text{Cov}(X,Y)$ 和 $\rho_{XY}$。
**解析**:
由对称性 $E(X) = E(Y)$。
**求 $E(X)$**:边缘密度 $f_X(x) = \int_0^2 \frac{1}{8}(x+y) dy = \frac{x+1}{4}$
$$
E(X) = \int_0^2 x \cdot \frac{x+1}{4} dx = \frac{1}{4} \left[ \frac{x^3}{3} + \frac{x^2}{2} \right]_0^2 = \frac{1}{4} \left( \frac{8}{3} + 2 \right) = \frac{7}{6}
$$
**求 $E(XY)$**:
$$
E(XY) = \int_0^2 \int_0^2 xy \cdot \frac{1}{8}(x+y) dy dx
$$
先算内层:$\int_0^2 y(x+y) dy = x \cdot 2 + 8/3 = 2x + 8/3$(再乘 $\frac{1}{8}$,得 $\frac{x}{4} + \frac{1}{3}$)
外层:$\int_0^2 xy \cdot \frac{1}{8}(x+y) dx = \int_0^2 \left( \frac{x^2}{4} + \frac{x}{3} \right) x dx = \int_0^2 \left( \frac{x^3}{4} + \frac{x^2}{3} \right) dx$
$$
= \frac{1}{4} \cdot 4 + \frac{1}{3} \cdot \frac{8}{3} = 1 + \frac{8}{9} = \frac{17}{9}
$$
Wait, redo carefully:
$$
E(XY) = \int_0^2 \int_0^2 xy \cdot \frac{1}{8}(x+y) dy dx = \frac{1}{8} \int_0^2 \int_0^2 (x^2 y + xy^2) dy dx
$$
外层对 $x$:$\int_0^2 (x^2 y + xy^2) dx = \frac{8y}{3} + 2y^2$
再对 $y$:$\int_0^2 \left(\frac{8y}{3} + 2y^2\right) dy = \frac{16}{3} + \frac{16}{3} = \frac{32}{3}$
故 $E(XY) = \frac{1}{8} \cdot \frac{32}{3} = \frac{4}{3}$
**协方差**:
$$
\text{Cov}(X,Y) = E(XY) - E(X)E(Y) = \frac{4}{3} - \frac{7}{6} \cdot \frac{7}{6} = \frac{4}{3} - \frac{49}{36} = \frac{48 - 49}{36} = -\frac{1}{36}
$$
**复盘**:$\text{Cov}<0$ 说明 $X, Y$ 负相关。
---
> **题目 2**:设 $X \sim N(0,1), Y = X^2$。求 $\rho_{XY}$。
**解析**:
- $E(X) = 0, D(X) = 1$
- $E(Y) = E(X^2) = 1, D(Y) = E(X^4) - 1 = 3 - 1 = 2$
- $E(XY) = E(X^3) = 0$(正态的奇数阶原点矩为 0)
- $\text{Cov}(X,Y) = 0 - 0 \cdot 1 = 0$
- $\rho_{XY} = 0$
**复盘**:$\rho_{XY} = 0$ 但 $Y = X^2$($Y$ 完全由 $X$ 决定)——**不相关但不独立**的经典反例!
---
> **题目 3**:$D(X) = 4, D(Y) = 9, \rho_{XY} = 0.5$。求 $\text{Cov}(X,Y)$ 和 $D(X+Y)$。
**解析**:
$$
\text{Cov}(X,Y) = \rho_{XY} \sigma_X \sigma_Y = 0.5 \times 2 \times 3 = 3
$$
$$
D(X+Y) = D(X) + D(Y) + 2\text{Cov}(X,Y) = 4 + 9 + 2 \times 3 = 19
$$
**复盘**:$\rho$ 是"标准化协方差",已知 $\rho$ 和 $\sigma$ 可还原 $\text{Cov}$。
---
> **题目 4**:设 $(X,Y) \sim N(0, 0, 1, 1, \rho)$。$Z = X + Y$,$W = X - Y$。求 $\rho_{ZW}$。
**解析**:
- $\text{Cov}(Z,W) = \text{Cov}(X+Y, X-Y) = \text{Cov}(X,X) - \text{Cov}(X,Y) + \text{Cov}(Y,X) - \text{Cov}(Y,Y)$
- $= D(X) - D(Y) = 1 - 1 = 0$
**复盘**:$\text{Cov}(Z,W) = 0 \Rightarrow Z, W$ **不相关**;二维正态下进一步 ⇒ $Z, W$ **独立**。
---
> **变式 1**:$X, Y$ 独立,$\text{Cov}(2X+3, 4Y-5) = ?$
>
> **解**:$\text{Cov}(2X+3, 4Y-5) = 2 \times 4 \cdot \text{Cov}(X,Y) = 8 \times 0 = 0$。
> **变式 2**:$D(X) = D(Y) = 4, \rho_{XY} = -0.8$,求 $D(2X+3Y)$。
>
> **解**:$D(2X+3Y) = 4 D(X) + 9 D(Y) + 12 \text{Cov}(X,Y) = 16 + 36 + 12 \times (-0.8) \times 2 \times 2 = 52 - 38.4 = 13.6$。
---
> **口诀速记**:
> - "**$\text{Cov}(X,Y) = E(XY) - E(X)E(Y)$**"
> - "**$\rho = \text{Cov} / (\sigma_X \sigma_Y)$**"
> - "**$|\rho| \le 1$**,$|\rho|=1$ ⇔ 线性"
> - "**$\rho=0$ 不相关,独立 ⇐ 不相关(一般),独立 ⇔ 不相关(二维正态)**"