Поможем в ✍️ написании учебной работы

Имя

Поможем с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой

Выберите тип работыЧасть дипломаДипломная работаКурсовая работаКонтрольная работаРешение задачРефератНаучно - исследовательская работаОтчет по практикеОтветы на билетыТест/экзамен onlineМонографияЭссеДокладКомпьютерный набор текстаКомпьютерный чертежРецензияПереводРепетиторБизнес-планКонспектыПроверка качестваЭкзамен на сайтеАспирантский рефератМагистерская работаНаучная статьяНаучный трудТехническая редакция текстаЧертеж от рукиДиаграммы, таблицыПрезентация к защитеТезисный планРечь к дипломуДоработка заказа клиентаОтзыв на дипломПубликация статьи в ВАКПубликация статьи в ScopusДипломная работа MBAПовышение оригинальностиКопирайтингДругое

Нажимая кнопку "Продолжить", я принимаю политику конфиденциальности

 

Между случайными величинами может существовать функциональная взаимосвязь. Однако связь может быть и такого рода, что закон распределения одной случайной величины изменяется в зависимости от значений, принимаемых другой случайной величиной. Такую зависимость называют стохастической или вероятностной. Одной из характеристик стохастической взаимосвязи двух случайных величин является ковариация случайных величин.

Определение 1. Ковариацией случайных величин Х _i и Х _j называется число, равное математическому ожиданию произведения отклонений случайных величин Х _i и X_j от своих математических ожиданий

.                 (1)

 

При вычислении используется формула

 

.                       (2)

 

Покажем справедливость этого утверждения:

 

s_ij= M((X_i – MX_j) (X_j – MX_j)) = M(Х _i Х _j – X_i MX_j – MX_j X_j + MX_j MX_j) =M(Х _i Х _j) – MX_j MX_j – MX_j MX_j + MX_j MX_j = M(Х _i Х _j) – MX_j MX_j .

 

Если Х _i и Х _j независимы, то ковариация равна нулю, так как М(Х _i , X_j) = МХ _i М X_j. Обратное утверждение неверно. Если ковариация не равна нулю, то случайные величины зависимы.

 

Рассмотрим некоторые свойства ковариации:

1) cov(X, Y) = cov(Y, X);

2) cov(X, X) = DX;

3) cov(X + c, Y + c) = cov(X, Y);

4) cov(Xc₁ + Yc₂, Z) = с ₁ cov(X, Z) + с ₂ cov(Y, Z), с ₁ , c₂ – const.

 

Пусть задан случайный вектор X = (X₁, X_2,…, X_n).

Определение 2. Ковариационной матрицей случайного вектора X = ( X ₁ , X _2,…, X_n ) назвается матрица å , элементами которой являются ковариации :

                                               (3)

Очевидно, что матрица симметричная, а диагональные элементы равны дисперсиям случайных величин Х_i, s_ii = DX_i , i = 1,2,…

Определение 3. Определитель ковариационной матрицы å называется обобщенной дисперсией случайного вектора, который характеризует меру рассеивания случайного n -мерного вектора.

В теории вероятностей и её приложениях часто появляется необходимость перейти с помощью линейного преобразования к новым случайным величинам, X = (X₁, X_{2, …,} X_n)→ Y = (Y₁, Y_{2, …,}Y_m), при этом .

Обозначим через С = {c_ij} матрицу коэффициентов линейного преобразования, через Х и Y – векторы столбцы , тогда линейное преобразование можно записать как Y = CX .

Теорема 1. Если для случайного вектора Х существует ковариационная матрица Σ, то при любых значениях элементов матрицы С существует ковариационная матрица Н для случайного вектора Y = CX, причём .

Доказательство. Пусть ; ;

Следствие 1.

.                                              (4)

Доказательство. Пусть .

например, если n = 2, то

Следствие 2. Если в формуле из следствия 1 предположить, что , то 

.                                             (5)

Следствие 3. Если в формуле из следствия 1 предположить, что n = 1, то

 

.

Следствие 4. Если в формуле из следствия 2 предположить, что n = 2, то

 

                             (6)

Следствие 5. Если Х _k независимы, то в матрице å все недиагональные элементы равны нулю, а диагональные элементы равны дисперсиям соответствующих элементов Х_к, поэтому, учитывая следствие 2, имеем

.

Пример 1. Вычислим ковариационную матрицу å случайного вектора Z = (X , Y), дисперсии случайных величин U₁ = X+Y, U₂ = 2X–3Y и ковариационную матрицу Н вектора U = (U₁, U₂). Распределение случайного вектора Z задано в таблице.

                                                                                                     

	J	1	2	3	4	pi·
I	Yj     Xi	0	0,1	0,2	0,3
1	5	0,2	0,1	0,05	0,05	0,4
2	6	0	0,15	0,15	0,15	0,1
3	7	0	0	0,1	0,1	0,2
p·j		0,2	0,25	0,3	0,25

МХ = 5·0,4+6·0,4+7·0,2 = 5,8;  М Y  =  0·0,2+0,1·0,25+0,2·0,3+0,3·0,25 = 0,16;

М(Х ,Y)= 5·0·0,2+5·0,1·0,1+5·0,05·0,2+5·0,05·0,3+6·0·0+6·0,1·0,1+6·0,15·0,2+6·0,1·0,3+7·0·0+7·0·0,1+7·0,1·0,2+7·0,1·0,3 = 0,975.

Матрица å имеет вид å= , где s_{11 =} cov(X,X), s_{12 =} cov(X,Y), s_{21 =} cov(Y,X), s_{22 =}  cov(Y,Y);

s₁₂ = s₂₁ = M(XY)-MXMY = 0,975-5,8·0,16 = 0,047;

s₁₁ = cov(X,X) = DX=MX² – (MX)² = (5²·0,4+6²·0,4+7²·0,2) – 5,8² = 0,56;

s_{22 =} cov(Y,Y) = DY = MY² – (MY)² = (0·0,2+0,1²·0,25+0,2²·0,3+0,3²·0,25) – 0,16² = 0,0114.

Следовательно, å = .

 

Найдем DU₁ = D(X + Y)= 0,56 + 0,047 + 0,047 + 0,0114 = 0,6654;

         DU₂ = D(2X – 3Y) =  c₁s₁₁c₁ + c₁s₁₂c₂ + c₂s₂₁c₁+ c₂s₂₂c₂ = 2·2·0,56 – 2·3·0,047 – 3·2·0,047 + 3·3·0,0114 = 1,778.

 

Ковариационную матрицу вектора U = (U₁, U₂) можно определить по формуле

 

, где С = , тогда Н = .

 

Из свойств ковариации следует, что значение ковариации линейно зависит от масштаба измерения случайных величин. Если изменить масштаб, то изменится и значение ковариации, например, если от случайной величины Х₂ перейти к новой случайной величине Y₂ = с₂ Х₂, то cov(X₁, Y₂) = c₂cov(X₁,X₂). Это свойство ковариации ограничивает возможности его применения. Для получения характеристики взаимосвязи случайных величин, которая бы не зависела от преобразования случайных величин вида Y = а X + в, перейдем к рассмотрению нормированных случайных величин.

Пусть Х₁, Х₂ – случайные величины. Тогда им соответствуют нормированные величины:                                     , .

Найдем ковариацию Y₁,Y₂

 

 – коэффициент корреляции случайных величин.

Определение 4. Коэффициентом корреляции случайных величин Х₁, Х₂ называется число r _{х1, х2} равное ковариации нормированных случайных величин Х₁, Х₂, т.е.

 

r_{х1, х2} = .

Для независимых случайных величин r_х1,х2 = 0, так как cov(X₁,X₂) = 0. Обратное утверждение не верно (оно справедливо только для нормально распределенных случайных величин), но если r_х1,х2 ¹ 0, то случайные величины Х₁, Х₂ – зависимы.

Определение 5. Случайные величины называются некоррелированными, если r _{х1, х2} = 0.

При изменении масштаба случайной величины значение корреляции не изменяется.

 

Рассмотрим пример, который показывает, что из равенства нулю коэффициента корреляции не следует независимость случайных величин.

Пусть , тогда

.

Теорема 2. Абсолютное значение коэффициента корреляции меньше либо равно 1:                                               .

Доказательство. Пусть заданы случайные величины Х₁, Х₂. Рассмотрим нормированные случайные величины , . Тогда в соответствии с формулой (6)

 

 следовательно, .

 

Теорема 3. , тогда и только тогда, когда X_1, X₂ связаны линейной зависимостью, т.е. Х₂ = aХ₁ + b, причем если a > 0, то ; если a< 0, то

Доказательство. 

I. Пусть . Покажем, что Х₁ и Х₂ линейно зависимы.

 

, т.е.  

Покажем, что с = 0.

 

, т.е. ,

 

следовательно . Запишем последнее равенство в виде

,

выразим из него Х₂:

,

 

обозначив множитель при первом слагаемом a, а два других через b, получим, что 

Х₂ = aХ₁ + b.

 

Аналогичный результат можно получить в предположении, что

 

II. Пусть Х₂ = aХ₁ + b, покажем, что .

 

 

, , следовательно