- •Введение
- •Глава 1. Cлучайные события
- •§ 1. Предмет теории вероятностей
- •§ 2. Пространство элементарных событий
- •§ 3. Классическое определение вероятности
- •§ 4. Некоторые комбинаторные формулы
- •§ 5. Геометрические вероятности
- •§ 6. Аксиоматическое построение теории вероятностей
- •§ 7. Условные вероятности
- •§ 8. Вероятность суммы и произведения событий
- •§ 9. Зависимые и независимые события
- •§ 10. Формула полной вероятности
- •§ 11. Формула Байеса
- •Глава 2. Случайные величины
- •§ 1. Дискретные случайные величины
- •§ 2. Функция распределения случайной величины
- •§ 3. Числовые характеристики дискретных случайных величин
- •§ 4. Моменты
- •§ 5. Производящая функция
- •§ 6. Биномиальное распределение
- •§ 7. Распределение Пуассона
- •§ 8. Геометрическое распределение
- •§ 9. Непрерывные случайные величины
- •§ 10. Характеристики непрерывных случайных величин
- •§ 11. Примеры непрерывных случайных величин
- •§ 12. Функция распределения нормального закона
- •Глава 3. Cиcтемы случайных величин
- •§ 1. Распределение системы случайных величин
- •§ 3. Нормальное распределение на плоскости
- •§ 4. Зависимость и ковариация
- •§ 5. Kоэффициент корреляции и его свойства
- •Глава 4. Некоторые предельные теоремы
- •§ 1. Центральная предельная теорема
- •§ 2. Закон больших чисел
- •Литература
Таким образом, ненулевая ковариация - это признак наличия зависимости между случайными величинами.
Утверждение 6. Дисперсия суммы независимых случайных величин равна сумме дисперсий этих случайных величин.
Доказательство сразу следует из формулы для дисперсии суммы случайных величин. ♣
§ 5. Kоэффициент корреляции и его свойства
Если ковариация случайных величин X и Y (cov(X, Y) = M((X –
– MX)(Y – MY))) невелика, то это не всегда является следствием слабой зависимости между ними, а может просто указывать на то, что случайные величины мало отклоняются от своего математического ожидания. Поэтому для характеристики связи случайных величин рассматривают коэффициент корреляции:
corr(X ,Y ) = cov(X ,Y ) ,
σX σY
где σX и σY - средние квадратические отклонения случайных величин
X и Y.
Случайные величины, для которых ковариация, а значит и коэффициент корреляции равны нулю, называются
некоррелированными.
Из независимости вытекает некоррелированность. Обратное неверно: коэффициент корреляции может оказаться равным нулю, когда одна случайная величина является функцией от другой.
Пример 7. Пусть случайные величины U и V имеют одинаковые распределения и X = U + V, Y = U – V. Тогда M(XY) = M(X 2) – M(Y 2) = 0
и M(Y) = 0. Cледовательно, cov(X, Y) = M(XY) – M(X)(Y) = 0, поэтому corr (X, Y) = 0. Например, X и Y могут быть соответственно суммой и разностью очков, выпавших на двух костях. Тогда величины X и Y либо обе четны, либо обе нечетны и, cледовательно, зависимы. ♦
Пример 8. Из некоррелированности случайных величин, подчиненных двумерному нормальному закону, вытекает их независимость. Действительно, параметр r двумерного нормального распределения совпадает с коэффициентом корреляции и, следовательно, плотность распределения
|
|
|
|
|
|
|
|
− |
−(x−mx )2 |
|
− |
( y−my )2 |
||||||
|
|
|
|
|
1 |
|
|
2σ |
2 |
|
|
2σ |
2 |
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
f |
(x, y) = |
|
|
|
e |
|
|
|
x |
|
|
|
|
y |
= |
||
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
2πσxσy |
|
|
|
|
|
|
|
|
|
|
|
|||
|
1 |
|
−(x−mx )2 |
|
1 |
|
|
−( y−my )2 |
|
|
|
|
||||||
= |
e |
2σx |
2 |
|
|
e |
2σY |
2 |
|
= f1 |
(x) f2 ( y) , |
|||||||
2πσx |
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
2πσY |
|
|
|
|
|
|
|
|
где f1(x), f2 ( y) - плотности компонент Х и Y.
Таким образом, для компонент X и Y нормально распределенного случайного вектора свойства некоррелированности и независимости совпадают.♦
Коэффициент корреляции обладает следующими свойствами.
Утверждение 7. corr(X, Y) ≤ 1.
Доказательство. Введем случайную величину Z = σY X ± σX Y .
DZ = σY 2 DX + σX 2 DY ± 2σX σY cov(X ,Y ) =
= 2DX DY ± 2σX σY cov(X ,Y ) , DZ ≥ 0.
Cледовательно,
2σX 2σY 2 ± 2σX σY cov(X ,Y ) ≥ 0 ; 2σX σY ± cov(X ,Y ) ≥ 0 ;
±cov(X ,Y ) ≤ σX σY ; cov(X ,Y ) ≤ σX σY ; corr(X ,Y ) ≤1 .♣
Утверждение 8. Если X и Y cвязаны точной линейной функциональной зависимостью Y = aX + b, то
1, |
если |
a > 0; |
corr(X ,Y ) = |
если |
a < 0. |
−1, |
||
Доказательство. |
|
|
cov(X , Y ) = M ((X − MX )(Y − MY )) = M [(X − MX )(aX + b − a MX −b)]= = a M (X − MX )2 = a DX ;
|
DY = D(aX + b)= a2DX ; |
|
|
|||
corr(X ,Y ) = |
aDX |
= |
aDX |
1, |
a > 0; |
♣ |
DX DY |
a DX |
= |
a < 0. |
|||
|
|
−1, |
|
Таким образом, коэффициент корреляции является характеристикой линейной зависимости между случайными величинами.
Пример 9. Вернемся к плотности двумерного нормального закона. Уравнения эллипсов рассеивания двумерной нормальной плотности:
|
(x − m |
X |
)2 |
|
2r(x − m |
X |
)(y − m |
) |
|
(y |
− m |
)2 |
|
|
|
|||
|
|
|
− |
|
|
Y |
|
+ |
|
|
Y |
|
|
= C . |
|
|||
|
σ2X |
|
|
σX σY |
|
|
|
|
σY2 |
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
Если коэффициент корреляции |
r > 0, |
главные |
оси |
эллипсов |
||||||||||||||
расположены под |
некоторым |
углом |
α |
|
к |
координатным |
осям (из |
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
2rσ2 |
σ2 |
|
|
||
аналитической геометрии известно, что |
tg2α = |
|
|
X |
|
Y |
). Происходит |
|||||||||||
|
σ2 |
− σ2 |
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
X |
|
|
Y |
|
|
как бы "намагничивание" двумерного случайного вектора вдоль одной из главных осей y = kx + b, т.е. линейная составляющая присутствует в функциональной зависимости между X и Y.
Если коэффициент корреляции r = 0, уравнения эллипсов
(x − mX )2 + (y − mY )2 = C .
σ2X σY2
Главные оси рассеивания параллельны осям координат у = 0, x = 0. Линейной зависимости между компонентами X и Y нет. ♦