確率･統計Ⅰ

確率･統計Ⅰ
第5回確率変数の共分散
ここです！
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
確率変数と確率分布
確率変数の同時分布、独立性
確率変数の平均
確率変数の分散
確率変数の共分散
ベルヌイ試行、二項分布
二項分布（続き）、幾何分布
ポアソン分布
正規分布
正規分布（続き）
大数の法則、中心極限定理
統計学の基礎1（母集団と標本、確率論との関係）
統計学の基礎2（正規分布を用いた推定・検定）
確率変数の共分散
1. 確率変数の共分散（定義）
2. 共分散の公式
3. 相関係数
4. チェビシェフの不等式
確率変数の共分散
E(X)=μ, E(Y)=νとする。
Cov(X, Y) = E[(X-μ) (Y-ν)]
を X と Y の共分散という。
確率変数の共分散
Cov(X, X) = V(X) 分散
自分自身との共分散が「分散」にほかならない。
確率変数の共分散
1. 確率変数の共分散（定義）
2. 共分散の公式
3. 相関係数
4. チェビシェフの不等式
共分散の公式(a)
V(X+Y) = V(X) + 2Cov(X,Y) + V(Y)
証明
V(X+Y) = E[(X+Y -μ-ν)2]
= E[( X -μ)2 + 2 ( X -μ) (Y -ν) + (Y -ν) 2]
= E[( X -μ)2]+ 2E [( X -μ) (Y -ν) ]+ E[(Y -ν) 2]
= V(X) + 2Cov(X,Y) + V(Y)
共分散の公式(b)
Cov(X,Y) = E(XY) - E(X) E(Y)
証明
Cov(X,Y) = E[(X-μ)(Y-ν)]
= E( XY -νX -μY + μν )
= E(XY) -νE(X) -μE(Y) +μν
= E(XY) - μν
共分散の意味？
X, Y が独立ならば
Cov(X,Y) = 0
証明
X, Y が独立 ⇒ E(XY) = E(X)E(Y)
だったから、これと
Cov(X,Y) = E(XY) - E(X) E(Y)
より明らか。
確率変数の共分散
1. 確率変数の共分散（定義）
2. 共分散の公式
3. 相関係数
4. チェビシェフの不等式
2つの確率変数の相関係数
Cov( X , Y )
 ( X ,Y ) 
V ( X ) V (Y )
を X と Y の相関係数という。
※ 内積との類似性に注目せよ！
確率変数の共分散
1. 確率変数の共分散（定義）
2. 共分散の公式
3. 相関係数
4. チェビシェフの不等式
チェビシェフの不等式
P(| X   |  ) 
V (X )

μ=E(X)
2
チェビシェフの不等式
証明（離散型の場合）
V(X) = Σ(xi-μ)2 pi
≧（|xi-μ|≧εだけの和で）Σ(xi-μ)2 pi
≧ （|xi-μ|≧εだけの和で） Σε2 pi
= ε2 （|xi-μ|≧εだけの和で） Σpi
= ε2 P( |xi-μ|≧ε)
チェビシェフの不等式
チェビシェフの不等式から、X がどんな分布に
従う場合でも、平均μ, 分散σ2 とすれば
1
P(| X   | n )  2
n
たとえば平均から±3σ 以上離れた値になる確率は
1/9 = 0.111… 以下であることがわかる。
チェビシェフの不等式
チェビシェフの不等式から、X の分散σ2 が小さ
いほど、平均μの近くの確率が大きいことがわ
かる。

P(| X   |  )  1  2

2
（「分散の意味」の証明！）
メニューに戻る
メニューへ

Download Report