Files
MathNotesVersion1/公式笔记/概率论/Ch04_随机变量的数字特征/题型5_协方差与相关系数.md
T
2026-10-04 11:44:56 +08:00

6.0 KiB
Raw Blame History

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

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)"