Теория вероятности. Лекция 4 Характеристики двумерной случайной величины

• Название: Лекция 4 Характеристики двумерной случайной величины
• Анкор: Теория вероятности
• Дата: 01.11.2022
• Размер: 238.53 Kb.
• Имя файла: Теория вероятности.pptx
• Тип: Лекция; #766659

Теория вероятностей

Числовые характеристики

двумерных и многомерных случайных величин

ЛЕКЦИЯ 4

Характеристики двумерной случайной величины

Характеристики двумерной случайной величины (ξ, η) – это характеристики одномерных величин ξ и η, и характеристики связи между ними. Дальше мы будем рассматривать именно взаимную статистическую связь. Вначале рассмотрим линейную связь и ее характеристики – ковариацию, коэффициент корреляции, уравнение линейной регрессии, остаточную дисперсию.

Анализ связей между признаками

Анализ связей между признаками – один из главных видов задач.

Например, задачей может быть установление связи между затратами и прибылью или между закупочными и отпускными ценами.

Для решения этой задачи используется корреляционный анализ.

Термин «корреляция» означает взаимную статистическую связь.

Ковариация

Определение. Ковариацией случайной величины (ξ, η) называется центральный смешанный момент второго порядка

Kξ,η = cov(ξ, η) = M[(ξ – Mξ)∙(η – Mη)].

Ковариация есть мера линейной зависимости между ξ, η.

Ковариация

Величины ξ,η называются

некоррелированными при cov(ξ, η) = 0,
положительно коррелированными при cov(ξ, η) > 0,
отрицательно коррелированными при cov(ξ, η) < 0.

Для вычисления ковариации часто используют формулу

cov(ξ, η) = M(ξ∙η) – M ξ∙M η.

Коэффициент корреляции

Определение. Коэффициентом корреляции между случайными величинами ξ, η называется число

Свойства коэффициента корреляции

1. │ρξη│≤ 1.
2. Если ξ,η независимы, то ρξη= 0.
Если │ρξη│=1, то ξ, η линейно зависимы,

то есть существуют такие a и b, что

ξ = aη + b.

Смысл коэффициента корреляции

Коэффициент корреляции есть мера линейной зависимости между ξ, η.
Его модуль указывает на силу линейной связи

(чем ближе к 1, тем сильнее),

а знак указывает на направление связи.

Пример: ρ = +0,9

Пример : ρ = +0,2

Пример: ρ = – 0,6

Линейная зависимость

Проблема: найти функцию, описывающую линейную зависимость (уравнение прямой).


Определение. Уравнением линейной регрессии η на ξ называется уравнение

параметры которого минимизируют остаточную дисперсию

Смысл. Уравнение линейной регрессии η на ξ

выражает линейную зависимость η от ξ.

Надо найти минимум остаточной дисперсии
S2ост= M (η – ηˆ)2

Нахождение коэффициентов уравнения линейной регрессии

S2ост = M[η – (aξ+b)]2 =

M[(η – Mη) – a(ξ – Mξ) + (Mη – aMξ – b)]2 =

M(η – Mη)2 + a2M(ξ – M ξ)2 + M[(Mη – aMξ – b)]2 –

2aM[(η – Mη)(ξ – Mξ)] + 2M[(η – Mη)(Mη – aMξ – b)] – 2aM[(ξ – Mξ)(Mη – aMξ – b)].

(Mη – aMξ – b) – постоянная величина, ее можно вынести за знак матожидания.
M(η – Mη) = Mη – M[Mη] = Mη – Mη = 0,
M(ξ – M ξ) = 0
Подставляя, получаем:

S2ост = M(η – Mη)2 + a2M(ξ – M ξ)2 +

+ (Mη – aMξ – b)2 – 2aM[(η – Mη)(ξ – Mξ)].

Поскольку M(η – Mη)2 = Dη = σ2η,

M(ξ – M ξ)2 = Dξ = σ2ξ,

M[(ξ – Mξ)∙(η – Mη)] = cov(ξ,η) = ρσξση, то

S2ост = σ2η+ a2σ2ξ + (Mη – aMξ – b)2 – 2a ρσξση.

S2ост – функция переменных a и b, надо найти min S2ост , то есть найти значения

a и b, при которых достигается минимум.

Найдем производные от S2ост по a и b.

S2ост = σ2η+ a2σ2ξ + (Mη – aMξ – b)2 – 2a ρσξση.

(S2ост)'b= –2(Mη – aMξ – b) = 0

(S2ост)'a = 2aσ2ξ – 2Mξ (Mη – aMξ – b) –

–2ρσξση = 0

Из первого уравнения находим:

b = Mη – aMξ.

Подставляя во второе, получаем:

a = ρ∙ση/σξ.

Подставим

a = ρ∙ση/σξ, b = Mη – aMξ

В уравнение ηˆ= aξ+b.

Получим:

ηˆ= ρ∙ση/σξ∙ ξ + Mη – ρ∙ση/σξ ∙ Mξ, или

Замечание

Коэффициент уравнения линейной регрессии ρ∙ση/σξ можно записать в виде:
ρ∙ση/σξ = cov(ξ,η)/σ2ξ.
Тогда уравнение линейной регрессии примет вид:

Остаточная дисперсия

Найдем значение S2ост = M(η – ηˆ)2 = M(η – (aξ+b))2. Для этого подставим полученные значения a и b.

S2ост = M(η – (aξ + b))2 = M(η – (aξ + b))2=

M[η – Mη – ρ∙ση/σξ(ξ – M ξ)]2 = M(η –Mη)2 +

(ρ∙ση/σξ)2 M(ξ – M ξ)]2 –2 ρ∙ση/σξ M[(ξ – Mξ)∙

(η – Mη)] = σ2η+ (ρ∙ση/σξ)2σ2ξ –

2 ρ∙ση/σξ ∙ ρσξση =

Остаточная дисперсия

σ2η + (ρ∙ση)2 – 2 ρ2∙ση2 = σ2η – ρ2∙ση2 =

= σ2η (1 – ρ2).

Смысл: остаточная дисперсия выражает ошибку приближения при замене η на ηˆ= aξ+b.

Пример

Дискретная двумерная случайная величина (X,Y) задана таблицей распределения:

Пример

Найдем одномерные законы распределения:

Пример

Вычислим числовые характеристики.
MX = 0∙0,5 + 1∙0,2 + 2∙0,3 = 0,8.
DX = 02∙0,5 + 12∙0,2 + 22∙0,3 – 0,82 = 0,76.
MY = ( –1)∙0,3 + 0∙0,4 + 3∙0,3 = 0,6.
DY = ( –1)2∙0,3 + 02∙0,4 + 32∙0,3 – 0,62 = 2,64.
M(XY) = ( –1)∙2∙0,2 = – 0,4.

Пример

Найдем ковариацию:
cov(ξ, η) = M(ξ∙η) – M ξ∙ M η.
В наших обозначениях
cov(X, Y) = M(X∙Y) – MX∙ MY.
cov(X,Y) = – 0,4 – 0,8∙0,6 = – 0,88.
Величины X,Y отрицательно коррелированы.

Коэффициент корреляции

Запишем уравнение линейной регрессии Y на X.

Подставим MX = 0,8, DX = 0,76, MY = 0,6. cov(X,Y) = – 0,88.

Yˆ – 0,6 = – 0,88/0,76∙(X – 0,8).

Остаточная дисперсия

Yˆ – 0,6 = – 1,16(X – 0,8).

Yˆ= – 1,16X +1,53.

Найдем остаточную дисперсию:

S2ост.= σ2Y (1 – ρ2).

S2ост.= 2,64∙(1 –0,642) ≈ 1,56.

График линейной регрессии

Yˆ= – 1,16X + 1,53.

Числовые характеристики многомерных случайных величин

Определение. Ковариационной матрицей случайных величин ξ1, ξ2 , …, ξn называется матрица K размерности n x n с элементами aij, равными ковариациям cov(ξi, ξj) = kij.

K= (kij)n x n = (cov(ξi, ξj)) n x n

Ковариационная матрица К

Корреляционная матрица R

Наряду с ковариационной матрицей рассматривают и матрицу R, составленную из коэффициентов корреляции ρij = ρ(ξi, ξj).

Уравнение множественной линейной регрессии

Рассмотрим случайные величины

ξ0 ξ1, ξ2 , …, ξn

с математическими ожиданиями Mξi = ai,

с дисперсиями Dξi = σ2i,

i = 0,1,…, n,

и c корреляционной матрицей R размерности (n+1) х (n+1).

Определение. Уравнением линейной регрессии ξ0 на ξ1, ξ2 , …, ξn называется уравнение


Здесь bi (i =1,…, n) – параметры, минимизирующие остаточную дисперсию


Минимизируя остаточную дисперсию, получаем, что

Остаточная дисперсия

Здесь и далее через Rij обозначено алгебраическое дополнение элемента aij матрицы R, а через |R| – определитель матрицы R.

Остаточная дисперсия равна

Частный коэффициент корреляции

Частный коэффициент корреляции используется как мера линейной зависимости между двумя какими –либо случайными величинами за вычетом влияния остальных случайных величин.

Множественный (сводный) коэффициент корреляции

Выражает зависимость между ξ0 и всей совокупностью ξ1, ξ2 , … , ξn .