Часто при изучении случайных явлений приходится иметь дело не с одной случайной величиной, а с двумя, тремя и более. Совместное изучение конечного числа случайных величин приводит к системе случайных величин. Приведем некоторые примеры систем случайных величин:

• 1. Точка приземления космического аппарата многоразового использования Спейс Шаттл характеризуется системой трех случайных величин: широтой (ср), долготой (А,), высотой (Н).
• 2. Успеваемость наудачу выбранной студентки характеризуется системой случайных величин - отметками, проставляемыми в приложении к диплому.

Упорядоченный набор случайных величин >,

заданных на пространстве элементарных событий, называется системой п случайных величин. Ее удобно рассматривать как координаты случайного вектора в n-мерном пространстве. Система п случайных величин является функцией элементарного события, т. е.

Каждому элементарному событию со ставится в соответствие п действительных чисел - значения, принятые случайными величинами (X , Х 2 , ..., XJ в результате опыта.

Случайные величины (Х 1? Х 2 , ..., X), входящие в систему, могут быть дискретными и недискретными (непрерывными и смешанными). На них распространяются практически без изменений все основные определения понятия одной случайной величины.

Рассмотрим систему двух случайных величин (Х;У). Ее основные понятия легко обобщаются на случай большего числа компонентов. Систему двух случайных величин (X;Y) можно изобразить случайной точкой на плоскости ОХУ (рис. 2.18) или случайным вектором (рис. 2.19).

Полной характеристикой системы случайных величин является ее закон распределения, который имеет различные формы:

• матрица распределения;
• функция распределения;
• плотность распределения.

Аналогом ряда распределения дискретной случайной величины X для системы двух случайных величин (X,Y) является матрица распределения - прямоугольная таблица, в которой

располагаются вероятности

Событие- есть произведение событий {X = х г)

и {Y = у).

Матрица распределения двух дискретных случайных величин имеет вид:

Заметим, что

На рис. 2.20 приведен график распределения двумерной дискретной случайной величины (X, Y).

Зная матрицу распределения двумерной дискретной случайной величины (X,Y) можно определить ряды распределения каждой из компонент (обратное в общем случае невозможно).

Искомые формулы имеют вид:

Наиболее универсальной формулой закона распределения для системы двух случайных величин является функция распределения, которую мы обозначаем F(x, у).

Функцией распределения двух случайных величин (X,Y) называется вероятность совместного выполнения неравенства: X х и Y у, т. е.

Геометрически F(x, у) интерпретируется как вероятность попадания случайной точки (X, Y) в бесконечный квадрат с вершиной в точке (х, у), который располагается левее и ниже ее (рис. 2.21).

Заметим, что верхняя и правая границы квадрата в него не включаются.

Если задана матрица распределения двух дискретных случайных величин (2.49), то функция распределения двумерной случайной величины определяется по формуле:

Приведем некоторые свойства функции распределения двумерной случайной величины.

1. Множество значений функции распределения F(x, у) принадлежит отрезку т. е

2. Функция распределения F(x, у) является неубывающей функцией обоих своих аргументов, т. е

3. Если хотя бы один из аргументов функции распределения F(x, у) обращается в -оо, то функция распределения обращается в ноль, т. е.

• 4. Если оба аргумента функции распределения F(x, у) обращаются в +оо, то она становиться равной единице, т. е. F(+oo, +оо) = 1.
• 5. Если один из аргументов функции распределения обращается в +оо, то функция распределения системы двух случайных величин становятся функцией распределения случайной величины, которая соответствует другому аргументу, т. е.

где F x (x) и F 2 (y ) - функции распределения случайных величин X и Y соответственно.

6. Функция распределения системы двух случайных величин F(x, у) непрерывна слева по каждому своему аргументу, т. е.

Зная функцию распределения F(x, у), можно найти вероятность попадания случайной точки (X, Y) в прямоугольник G со сторонами, параллельными осям координат, ограниченного абсциссами а, Ъ и ординатами с и d, причем левая и нижняя границы включаются в G, а правая и верхняя -- не включаются (рис. 2.22).

Если функция распределения F(x, у) непрерывна и дифференцируема по каждому из аргументов, то система двух случайных величин (X, Y) является непрерывной, причем составляющие этой системы - непрерывные случайные величины.

Для непрерывных двумерных случайных величин в качестве закона распределения вводится понятие плотности распределения (или совместной плотности распределения) f(x, у), которая является второй смешенной частной производной от функции распределения, т. е.

Плотность распределения f(x, у) представляет собой некоторую поверхность, которую называют поверхностью распределения (рис. 2.23).

Плотность распределения f(x, у) имеет следующие свойства:

• 1) плотность распределения является неотрицательной функцией, т. е. f(x, у) > 0;
• 2) объем, ограниченный поверхностью распределения и плоскостью Оху, равен единице, т. е.

3) вероятность попадания случайной точки (X, У) в область G определяется формулой

4) функция распределения системы двух случайных величин (X, У) выражается через совместную плотность распределения следующим образом:

Как и в случае одной случайной величины введем понятие элемент вероятности для системы двух непрерывных случайных величин: f(x, y)dxdy.

С точностью до бесконечно малых высших порядков элемент вероятности f(x, y)dxdy равен вероятности попадания случайной точки (X, Y) в элементарный прямоугольник с размерами dx и dy, примыкающий к точке (х, у) (рис. 2.24).

Эта вероятность приблизительно равна объему элементарного параллелепипеда с высотой f(x, у), который опирается на данный прямоугольник.

Плотности распределения одномерных составляющих X и Y двумерной непрерывной случайной величины находятся по формулам

Зная совместную плотность распределения двумерной непрерывной случайной величины/(х, у), можно найти функцию распределения каждой из ее составляющих:

Если известны законы распределения случайных величин X и Y, которые входят в систему (X, Y), то можно определить закон распределения системы только в том случае, если случайные величины X и У независимы. Две случайные величины X и У будут независимы только в том случае, если закон распределения каждой из них не зависит от того, какие значения принимает другая. В противном случае величины X и У будут зависимыми.

Приведем без доказательств условия независимости двух случайных величин.

Теорема 2.2. Для того чтобы две дискретные случайные величины X и У, образующие систему (Х,У), были независимыми, необходимо и достаточно выполнение равенства

для Vi = 1, п и j = 1, т.

Теорема 2.3. Для того чтобы случайные величины X и У, входящие в систему (X, У), были независимыми, необходимо и достаточно, чтобы функция распределения системы была равна произведению функций распределения ее составляющих, т. е.

Теорема 2.4. Для того чтобы непрерывные случайные величины X и У, входящие в систему (X, У), были независимыми, необходимо и достаточно выполнение равенства

т. е. совместная плотность распределения системы (X, У) должна быть равна произведению плотностей распределения ее составляющих.

В том случае, если случайные величины X и У, образующие систему, являются зависимыми, для характеристики их зависимости вводятся понятия условных законов распределения случайных величин.

Условных законов распределения в данном пособии касаться не будем. Желающие могут ознакомиться с ними, например в .

Так же, как и одна случайная величина X, систему двух случайных величин (X, У) можно задать числовыми характеристиками. В качестве таковых обычно используются начальные и центральные моменты различных порядков.

Начальным моментом порядка (к + s ) системы двух случайных величин (X и У) называется математическое ожидание произведения Х к на Y s , т. е.

Центральным моментом порядка (к + s) системы двух случайных величин (X, У) называется математическое ожидание

произведения Х к на У®, т. е.

где - центрированные случайные

величины.

Напомним, что порядком начального и центрального моментов является сумма его индексов, т. е. (к + s).

Приведем формулы для нахождения начального и центрального моментов.

Для системы двух дискретных случайных величин, имеем
Напомним, что

Для системы двух непрерывных случайных величин получаем

На практике чаще всего используют начальный и центральный моменты первого и второго порядков.

Имеются два начальных момента первого порядка:

Они являются математическими ожиданиями случайных величин X и Y.

Точка с координатами (М[Х ], M[Y]) на плоскости OXY - характеристика положения случайной точки (X, Y), т. е. ее разброс происходит вокруг точки (М[Х, M[Y]).

Оба центральных момента первого порядка равны нулю, т. е.

Имеются три начальных момента второго порядка:

Момент а 11 часто встречается в приложениях. Из выражений (2.66) и (2.68) следуют формулы для его вычисления:

Для системы двух дискретной случайной величин

Для системы двух непрерывных случайных величин

Имеются три центральных момента второго порядка:

Первые два момента в формулах (2.74) - это дисперсии. А момент { называется ковариацией, или корреляционным моментом системы случайных величин (X,Y). Для него вводится специальное обозначение K = К ху. Из выражений (2.67) и (2.69) следуют формулы для его вычисления:

Для системы дискретных случайных величин

Для систем непрерывных случайных величин

Центральные моменты можно выражать через начальные и наоборот. Поэтому часто ковариацию выражают через начальные моменты.

т. е. ковариация системы двух случайных величин равна математическому ожиданию их произведения минус произведение их математических ожиданий.

Приведем некоторые свойства ковариации:

1. Ковариация симметрична, т. е. при перемене индексов местами она не меняется:

2. Дисперсия случайной величины - это ее ковариация сама с собой, т. е.

3. Если случайные величины X и Y независимы, то ковариация равна нулю:

Размерность корреляционного момента равна произведению размерностей случайных величин X и Y. Удобнее пользоваться безразмерным коэффициентом, характеризующим только зависимость между случайными величинами X и Y. Поэтому ковариацию делят на произведение средних квадратических отклонений а[Х] х а[У] и получают коэффициент корреляции:

Данный коэффициент характеризует степень зависимости случайных величин X и Y, причем не любой зависимости, а только линейной. Для любых двух случайных величин X и Y выполняется неравенство

Если г ху = 0, то линейной зависимости между случайными величинами X и Y нет и они называются некоррелированными. Если г ху Ф 0, то случайные величины X и Y называются коррелированными.

Чем ближе г к ±1, тем более тесная линейная связь су- ществует между случайными величинами X и Y. Если г = ± 1, то между случайными величинами X и Y существует жесткая функциональная линейная связь вида

Из независимости случайных величин X и Y следует их некоррелированность. Но обратное положение в общем случае неверно, т. е. если г ху = 0, то это говорит только об отсутствии линейной связи между случайными величинами. Они могут быть связаны между собой криволинейной зависимостью.

Рассмотрим конкретный пример.

Пример 2.5

Задана матрица распределения системы двух дискретных случайных величин (X,Y).

Найти числовые характеристики системы (X,Y): М[Х ], M[Y], D[X], D[Y], ст[Х], a[Y], Kи M[Y ], определяемых равенствами:

,

Дисперсией системы СВ (X, Y) называется совокупность двух дисперсий D [X ]и D [Y ], определяемых равенствами:

, ,

, ,

Пример 8. Дана таблица распределения вероятностей двумерной случайной величины (X ;Y ) (табл. 1.5).

Таблица 1.5

Таблица 1.7

а) Вычисляем числовые характеристики:

б) Числовые характеристики произведения случайных величин находим, умножая их значения на соответствующие вероятности:

Для нахождения условного математического ожидания нужно сначала найти условное распределение случайной величины Y при условии, что X = 0. Для таблицы двумерного распределения (X; Y ) все вероятности в первой строке поделим на . Получим таблицу условного распределения Y :

Найдем теперь условное математическое ожидание:

ГЛАВА 2. МАТЕМАТИЧЕСКАЯ СТАТИСТИКА

Самостоятельная работа по лекционному курсу

Выполнение данного вида работы предусматривает самостоятельное изучение (по выбору) следующих тем:

1. Доверительные интервалы для оценки математического ожидания нормального распределения при известном σ.

2. Оценка точности измерений.

3. Оценка вероятности (биномиального распределения) по относительной частоте.

4. Метод моментов для точечной оценки параметров распределения.

5. Метод наибольшего правдоподобия.

6. Другие характеристики вариационного ряда.

7. Простейшие случаи криволинейной корреляции.

8. Понятие о множественной корреляции.

9. Сравнение двух дисперсий нормальных генеральных совокупностей.

10. Проверки гипотезы о значимости выборочного коэффициента корреляции.

Все перечисленные темы можно найти литературе, представленной в конце методических указаний.

По одной из выбранных тем следует составить опорный конспект лекций, который желательно проиллюстрировать решенным самостоятельно заданием.

Самостоятельная работа по практическим занятиям

По данному виду работы предлагается построение линейной регрессионной модели по экспериментальным данным.

Создание математической модели технологического процесса или иного физического явления раскрывает перед исследователем возможность прогнозирования результатов процессов при выполнении определенных условий, изучение критических ситуаций, прогнозирование качества продукции и др.

При выполнении задания по построению регрессионной модели необходимо демонстрировать понимание терминов математической статистики, анализировать и делать выводы по полученным результатам вычислений. Выполнение данной работы направлено на систематизацию и применение знаний, полученных при изучении темы «Математическая статистика».

Рассмотрим вариант построения линейной регрессионной модели по экспериментальным данным.

Пример. В результате эксперимента получены следующие статистические данные (табл.2.1):

Таблица 2.1

Для приведенной выборки выполнить следующие задания.

1) Представить выборку в виде интервальных статистических рядов по случайным величинам X и Y .

2) Для случайной величины X построить полигон частот и гистограмму. Найти эмпирическую функцию распределения и построить ее график.

3) Найти выборочные числовые характеристики (выборочное среднее, несмещенную выборочную дисперсию, несмещенное среднее квадратичное отклонение) для случайных величин X и Y .

4) Построить доверительные интервалы для математического ожидания и дисперсии для случайной величины X с доверительной вероятностью β=0,95.

5) Проверить гипотезу о нормальном распределении случайной величины X.

6) Провести корреляционный анализ.

7) Построить линейную регрессионную модель.

Решение. Объем выборки равен n =42.

1. Для представления выборки в виде интервальных статистических рядов определяем длины интервалов для каждой случайной величины.

Для случайной величины X наибольшим значением является 16,25, наименьшим – 8,35. Найдем длину интервала по X :

Выбираем h x =1,2. Получаем семь интервалов. От наименьшего значения 8,35 отступим немного левее, таким образом, первый интервал начнем со значения 8,3. Подсчитаем частоту попадания случайной величины X X принимает вид (табл.2.2):

Таблица 2.2

Для случайной величины Y наибольшим значением является 13,0, наименьшим – 1,49. Найдем длину интервала по Y :

Выбираем h y =1,8. Получаем семь интервалов. От наименьшего значения 1,49 отступим немного левее, таким образом, первый интервал начнем со значения 1,5. Подсчитаем частоту попадания случайной величины Y в каждый интервал, причем условимся, что граничное значение будет входить в больший интервал. Интервальный статистический ряд для Y принимает вид (табл.2.3):

Таблица 2.3

2. Чтобы построить полигон частот для случайной величины X , найдем середину и относительную частоту для каждого интервала (табл.2.4).

Таблица 2.4

На рис.2.1 по оси абсцисс отмечаем середины интервалов x i , по оси ординат – относительные частоты .

При построении гистограммы распределения по оси абсцисс отмечаем границы интервалов, по оси ординат – относительные частоты, деленные на длину интервала (рис.2.2).

Эмпирическую функцию распределения находим по формуле:

.

Для того чтобы найти значение эмпирической функции распределения при данном х , достаточно подсчитать число опытов, в которых величина Х приняла значение меньше, чем х , и разделить на общее число произведенных опытов n .

Построим график эмпирической функции распределения (рис.2.3).

3. X используем таблицу (2.5).

Таблица 2.5

В формулу выборочного среднего подставляем сумму по четвертому столбцу (табл.2.5):

В формулу несмещенной выборочной дисперсии подставим сумму по пятому столбцу (табл.2.5):

Для вычисления оценок числовых характеристик для Y используем таблицу (2.6).

Таблица 2.6

В формулу выборочного среднего подставляем сумму по четвертому столбцу (табл.2.6):

В формулу несмещенной выборочной дисперсии подставим сумму по пятому столбцу (табл.2.6):

Несмещенное выборочное среднее квадратичное отклонение:

4. Построим доверительные интервалы для математического ожидания и дисперсии для случайной величины X при доверительной вероятности β=0,95.

По таблице 4 приложений находим значение статистики Стьюдента для доверительной вероятности β=0,95 и числа степеней свободы k =42-1=41:

Половина длины доверительного интервала:

Подставляем полученные значения в формулу доверительного интервала для математического ожидания:

Для определения доверительного интервала для дисперсии по таблице 3 приложений найдем значение статистики χ 2 для уровня значимости α=1–β=1–0,95=0,05 и числа степеней свободы k =42-1=41:

Подставим найденные значения статистики χ 2 в формулу доверительного интервала для дисперсии:

Таким образом, истинные значения математического ожидания M (x )и дисперсии D (x ) попадают в полученные интервалы с вероятностью β=0,95.

5. Проверим гипотезу о нормальном распределении случайной величины X с помощью критерия Пирсона.

График полигона частот и гистограммы (внешняя схожесть с кривой Гаусса) позволяют предположить, что генеральная совокупность подчиняется нормальному закону распределения.

Выдвигаем основную гипотезу:

H 0: генеральная совокупность подчиняется нормальному закону распределения.

Тогда альтернативная гипотеза принимает вид:

H 1: закон распределения не является нормальным.

Задаемся уровнем значимости α=0,05.

Расширяя границы первого и последнего интервалов (табл. 2.3), результаты всех вычислений сводим в таблицу 2.7.

Таблица 2.7

Границы интервалов	Частота
–∞ – 9,5		0,0618		0,022
9,5 – 10,7	0,11440
10,7 – 11,9		0,1983	8,3286	0,335
11,9 – 13,1		0,2396	10,0632	0,423
13,1 – 14,3		0,2218	9,9356	0,082
14,3 – 15,5		0,0986		0,018
15,5 – +∞	0,0654
Сумма		1,0062	1,0000	0,88

В таблице 2.7 четвертый столбец представляет результаты вычислений теоретических вероятностей, найденных в предположении, что случайная величина подчиняется нормальному закону распределения, по формуле:

Значения функции Лапласа можно отыскать в таблице 2 приложения.

Найдем вероятности попадания в каждый интервал:

Теоретическая частота первых двух интервалов и последних двух меньше 5, поэтому объединяем их во втором и четвертом столбцах (табл. 2.7).

Пятый столбец (табл. 2.7) является результатом вычислений по формуле:

Не следует забывать, что первых два и последние два интервала объединены.

Таким образом, суммой пятого столбца (табл.2.7) является расчетное значение критерия:

Так как после объединения осталось 5 интервалов (l= 5), а по выборке определены оценки двух параметров, т.е. r =2, то число степеней свободы равно .По таблице 3 приложения найдем значение статистики для p =1–α=0,95 и k= 2:

Сравнивая полученные значения, видим, что

следовательно, гипотеза о нормальном распределении не отвергается.

6. Для проведения корреляционного анализа по данным выборки составим корреляционную таблицу (табл.2.8):

Таблица 2.8

Используя полученные в пункте 3 оценки числовых характеристик, найдем выборочный корреляционный момент по формуле:

Предварительно вычислим сумму:

Выборочный коэффициент корреляции найдем по формуле:

Следует отметить, что близость выборочного коэффициента корреляции по модулю к единице является серьезным аргументом в пользу выбора линейной регрессионной модели.

7. Построим линейную регрессионную модель.

На основании метода наименьших квадратов получена линейная зависимость Y от X :

Подставляем полученные в пункте 3 оценки числовых характеристик:

Упростив выражение, окончательно получаем выборочное линейное уравнение регрессии:

Также можно построить уравнение зависимости X от Y :

Подставим полученные ранее оценки числовых характеристик:

Построим обе прямые линии на корреляционном поле (рис.2.4). Прямые линии пересекаются в точке . Угол между прямыми, так называемые «ножницы», получился острым, что полностью согласуется с полученным значением выборочного коэффициента корреляции.

Полученная регрессионная модель позволяет прогнозировать значение случайной величины Y от X , и наоборот.

Вопросы для самоконтроля

1. Приведите условия осуществимости схемы Бернулли?

2. В каких случаях формулу Бернулли заменяют приближенными формулами

3. Основные виды распределений и их числовые характеристики.

4. В чем заключаются основные задачи математической статистики?

5. В чем состоит принцип выборочного метода?

6. Понятие вариационного ряда, частоты и относительной частоты.

7. Понятие статистического распределения выборки и эмпирической функции распределения.

8. Описать способы графического изображения статистического распределения.

9. Какие характеристики распределения используются в математической статистике. Привести примеры и контекст их использования.

10. Укажите свойства статистических оценок. Какими из них обладают известные характеристики распределения выборки.

11. Понятие точности и надежности интервальных оценок.

12. Понятие статистической гипотезы. Привести основные виды статистических гипотез.

13.Сформулируйте основной алгоритм проверки статистической гипотезы.

14. Какие виды критических областей Вы знаете?

15. Ошибки первого и второго рода. Способы уменьшения вероятности появления ошибки.

16. Понятие статистической и корреляционной зависимости.

17. Основные задачи теории корреляции.

18. Выборочный коэффициент регрессии и его свойства.

Список литературы

1. Большев Л.Н., Смирнов Н.В. Таблицы математической статистики. М.: Наука, 1983.

2. Вентцель Е.С. Теория вероятностей. − М.: Высш. шк., 1998. − 578 с.

3. Вентцель, Е.С., Овчаров, Л.А. Теория вероятностей и ее инженерные приложения. -М.: Наука, 1988. - 480 с.

4. Вентцель, Е.С.Теория вероятностей: Учебник для вузов/Е.С.Венцель – 6-е изд., стереотип., - М.:Высшая шк. 1999. - 400 с.

5. Гмурман, В.Е.Теория вероятностей и математическая статистика: Учеб. пособие для вузов/В.Е.Гмурман – 9-е изд. стереотип., - М.:Высшая шк., 2003. - 479с.

6. Гмурман, В.Е. Руководство к решению задач по теории вероятностей и математической статистике: Учеб. пособие /В.Е.Гмурман – 5-е изд. стереотип., - М.:Высшая шк., 1999. - 400с.

7. Колде Я.К. Практикум по теории вероятностей и математической статистике. -М.: Высшая школа, 1991. - 157 с.

8. Колмогоров А.Н., Журбенко И.Г., Прохоров А.В. Введение в теорию вероятностей. -М.: Наука. Главная редакция физико-математической литературы, 1982. - 160 с.

9. Письменный, Д.Т.. Конспект лекций по теории вероятностей и математической статистики. – М.: Айрис-пресс, 2006. – 288с. – (Высшее образование).

10. Четыркин Е.М., Калихман И.Л. Вероятность и статистика. -М.: Финансы и статистика, 1982.- 319 с.

11. Чистяков В.П. Курс теории вероятностей. − М.: Наука, 1982.

ПРИЛОЖЕНИЯ

Таблица 1

Значения функции плотности стандартизированного нормального распределения N (0,1)

Таблица 2

Значение функции

Пара (X , Y ) – где X и Y – случайные величины, называется системой двух случайных величин . Если X и Y – дискретные случайные величины, то законом распределения системы двух случайных величин (X , Y ) является множество всех пар возможных значений величин X и Y и вероятностей их совместного появления. Такой закон удобно задавать в виде таблицы, которая носит название таблицы распределения двумерной случайной величины (X , Y ).

События, состоящие в том, что случайная величина Х примет значение (i = 1, 2, …, n ), а случайная величина Y примет значение (j = 1, 2, …, m ), несовместны и единственно возможны, т.е. образуют полную группу попарно несовместных событий, поэтому сумма всех вероятностей таблицы равна единице: .

По закону распределения двумерной случайной величины (X , Y ) можно найти законы распределения каждой случайной величины X и Y . Для того, чтобы найти вероятность Х примет значение , надо просуммировать вероятности столбца : . Аналогично, для того, чтобы найти вероятность того, что случайная величина Y примет значение , надо просуммировать вероятности строки : .

Вероятность - это вероятность того, что случайная величина Х примет значение , а случайная величина Y примет значение . Эту вероятность по теореме умножения вероятностей можно записать в виде: . Из этого равенства можно получить формулы:

, .

Функцией распределения системы двух случайных величин (X , Y ) называется вероятность совместного выполнения двух неравенств Х < х , Y < y :

Y и вычисляемое по формуле:

.

x , называют функцией регрессии Y на X .

Условным математическим ожиданием дискретной случайной величины Х при называется число, обозначаемое и вычисляемое по формуле:

.

Функцию , как функцию аргумента y , называют функцией регрессии X на Y .

Корреляционным моментом (или ковариацией ) случайных величин X и Y называется математическое ожидание произведения отклонений этих величин от их математических ожиданий:

Корреляционный момент можно найти по формуле:

Для независимых случайных величин X и Y .

Для дискретных случайных величин X и Y корреляционный момент равен:

Коэффициентом корреляции случайных величин X и Y называется безразмерная величина:

,

Где , .

Свойства коэффициента корреляции

1. Коэффициент корреляции характеризует тесноту и направление корреляционной связи.

3. Если Х и Y - независимые случайные величины, то коэффициент корреляции равен 0.

4. Если , то между величинами Х и Y имеет место функциональная зависимость, а именно, линейная. Отсюда следует, что коэффициент корреляции измеряет тесноту линейной связи между величинами Х и Y .

5. Если , то связь между величинами прямая (положительная корреляция), т.е. при увеличении значений одного признака значения другого признака увеличиваются. Если , то связь обратная (отрицательная корреляция), т.е. при увеличении значений одного признака значения другого признака уменьшаются.

6. Если , то корреляционная связь очень слабая;

если , то корреляционная связь слабая;

если

если , то корреляционная связь умеренная;

если , то корреляционная связь тесная или сильная.

Две случайные величины называются коррелированными , если их коэффициент корреляции отличен от нуля, и некоррелированными, если он равен нулю.

При рассмотрении двумерной случайной величины (X , Y ), где X и Y – зависимые случайные величины, используются различные приближения одной случайной величины с помощью другой. Важнейшим из них является линейное приближение.

Представим случайную величину Y в виде линейной функции величины Х :

,

где α и β – параметры, подлежащие определению. Если числа a и b подобраны так, что величина будет наименьшей, то числовая функция называется линейной средней квадратической регрессией Y на X . Нахождение такой прямой называют наилучшим приближением Y по методу наименьших квадратов. Коэффициент a называется коэффициентом регрессии Y на X . Известно, что

, .

Уравнение с учетом предыдущих формул можно записать в виде:

.

Аналогично, уравнение называется линейной средней квадратической регрессией X на Y записывается в виде:

,

где , .

Задача. Система дискретных случайных величин задана таблицей:

1) корреляционный момент;

2) коэффициент корреляции;

3) функцию линейной регрессии Y на X ;

4) функцию линейной регрессии X на Y .

Решение. 1) Корреляционный момент находится по формуле .

; ;

2) По формуле .

В статистической радиотехнике частот приходится иметь дело одновременно с несколькими случайными величинами, например, мгновенные значения напряжения на выходах антенной решетки при воздействии на ее вход сигналов и помех и т.д. Свойства системы нескольких СВ не исчерпываются свойствами отдельной СВ, так как при этом необходимо описание связи между составляющими системы СВ.

1. Функции распределения системы из двух случайных величин

Функцией распределения системы из двух СВ

По определению, функция распределения

Свойства

2) на - ¥ по обеим осям она равна нулю;

3) при равенстве +¥ одного из аргументов согласно другому аргументу она превращается в одномерную функцию распределения;

4) если оба аргумента равны +¥, то

Вероятность попадания случайной точки в квадрат R с координатами

2. Двумерная плотность вероятности

Двумерная плотность вероятности есть предел следующего отношения:

Размерность

Таким образом, двумерная плотность вероятности есть предел отношению вероятности попадания точки в малый прямоугольник к площади этого прямоугольника, когда оба размера прямоугольника стремятся к нулю. Геометрически

Если рассечь эту поверхность плоскостью, параллельной плоскости x 0y , и спроецировать полученное сечение на плоскость x 0y , то получится кривая, называемая "кривой равной плотности вероятности".

Иногда удобно рассматривать семейства кривых равной плотности при разных уровнях сечения. Как и для одномерной плотности вероятности, здесь вводится понятие элемента вероятности

Вероятность попадания случайной точки в произвольную область G определяется двумерным интегралом от

Если G есть прямоугольник с координатами вершин по оси x :

Свойства двумерной плотности вероятности:

свойство нормировки аналогично одномерной плотности вероятности, но при двумерном интегрировании в бесконечных пределах.

3. Условные законы распределения отдельных СВ, входящих в систему СВ

Имея закон распределения системы двух СВ, всегда можно определить законы распределения отдельных СВ, входящих в систему. Например,

Аналогично определяется

Таким образом, зная двумерную плотность вероятности, всегда можно определить одномерную плотность вероятности. Обратную задачу в общем случае решить невозможно. Ее можно решить, если известны условные плотности вероятности или функции распределения.

Условным законом распределения СВ, входящей в систему, называется ее закон распределения, определенный при условии, что другая СВ приняла определенное значение:

4. Статистическая взаимозависимость и независимость

СВ X называется независимой от СВ Y , если закон распределения величины X не зависит от того, какое значение приняла СВ Y. В этом случае

Это условие рассматривается как необходимое и достаточное условие независимости СВ. Различают понятия функциональной и статистической зависимостей. При статистической зависимости нельзя указать точно значение, которое принимает одна из СВ, если известно значение другой, можно лишь определить влияние в среднем. Но по мере увеличения взаимозависимости статистическая зависимость превращается в функциональную.