ЭКОНОМЕТРИКА и математическая экономика / Эконометрика. Учебник продвинутый (2005)
.pdf704Приложение A. Вспомогательные сведения из высшей математики
•Математическим ожиданием непрерывной случайной величины x называ-
ется E(x) = |
+∞ tfx(t)dt. |
|
−∞ |
•Математическое ожидание является начальным моментом первого порядка. Начальным (нецентральным) моментом q-го порядка называется
E(xq ) = +∞ tq fx(t)dt.
−∞
•По случайной величине x может быть построена соответствующая ей центрированная величина xˆ : xˆ = x − E(x), имеющая аналогичные законы распределения и нулевое математическое ожидание.
•Центральным моментом q-го порядка случайной величины x называется на-
чальный момент q-го порядка для соответствующей центрированной величины xˆ, т.е. E(ˆxq ) = E [(x − E(x))q ]. Для непрерывной случайной величины центральный момент q-го порядка равен
+∞
µq = (t − E(x))q fx(t)dt.
−∞
•Дисперсией случайной величины называется центральный момент второго порядка. Для непрерывной случайной величины дисперсия равна
var(x) = σx2 = E(ˆx2) = E (x − E(x))2 = |
+∞(t − E(x))2fx(t)dt. |
|
−∞ |
•Среднеквадратическим отклонением называется квадратный корень из дисперсии σx = σx2 . Нормированной (стандартизованной) случайной величи-
ной называется x − E(x) .
σx
•Коэффициентом асимметрии называется начальный момент третьего порядка нормированной случайной величины, т.е.
|
x − E(x) |
3 |
µ3 |
|
|
δ3 = E |
= |
. |
|||
σx |
|
||||
|
|
σx3 |
•Куртозисом называется начальный момент четвертого порядка нормированной случайной величины, т.е.
|
x − E(x) |
4 |
µ4 |
|
|
δ4 = E |
= |
. |
|||
σx |
|
||||
|
|
σx4 |
Коэффициентом эксцесса называется δ4 − 3.
A.3 Сведения из теории вероятностей и матем. статистики |
705 |
•Для n-мерного случайного вектора x = (x1, . . . , xn) (многомерной случайной величины) функцией распределения называется
Fx1, ..., xn (z1, . . . , zn) = Pr(x1 z1, . . . , xn zn).
•Если распределение случайного вектора x непрерывно, то он имеет плотность fx(·) (называемую совместной плотностью случайных величин x1, . . . , xn), которая связана с функцией распределения соотношениями
fx1, ..., xn (z) = ∂nFx1, ..., xn (z) .
Случайные величины x1, . . . , xn называются независимыми (в совокупности), если Fx1, ..., xn (z1, . . . , zn) = Fx1 (z1) · · · Fxn (zn).
• Ковариацией случайных величин x и y называется cov(x, y) = E [(x − E(x)) (y − E(y))] .
cov(x, y)
• Корреляцией случайных величин x и y называется ρx,y = . var(x)var(x)
•Ковариационной матрицей n-мерной случайной величины x = (x1, . . . , xn) называется
|
cov(x1, x1) |
· · · cov(x1, xn) |
|
||
Γx = var(x) = |
. |
. . |
|
. |
= |
. |
. |
. |
|||
. |
|
. |
|||
|
cov(x1, xn) |
· · · cov(xn, xn) |
|
= E (x − E(x)) (x − E(x)) .
•Корреляционной матрицей n-мерной случайной величины x = (x1, . . . , xn) называется
|
1 |
ρx1,x2 |
· · · |
ρx1,xn |
|
||
Px = |
ρx1,x2 |
1 |
· · · |
ρx2,xn |
. |
||
. |
. |
. |
. |
|
. |
||
|
. |
. |
|
. |
. |
|
|
|
. |
. |
|
|
. |
|
|
|
ρx1,xn |
ρx2,xn · · · |
1 |
|
706 |
Приложение A. Вспомогательные сведения из высшей математики |
|||
Функция распределения и плотность |
|
|
||
• Функция распределения имеет |
следующие свойства: это неубывающая, |
|||
|
непрерывная справа функция, 0 Fx(z) 1, причем |
lim Fx(z) = 0 |
||
|
и lim Fx(z) = 1. |
|
|
z→−∞ |
|
|
|
|
|
|
z→∞ |
|
|
|
• |
z |
|
|
|
Fx(z) = −∞ fx(t)dt. |
|
|
|
|
• |
fx(z) 0. |
|
|
|
• |
+∞ |
|
|
|
−∞ fx(t)dt = 1. |
|
|
|
|
• Вероятность того, что x [a, b] , равна Pr(a x b) = |
ab fx(t)dt. |
|||
• Для многомерной случайной величины |
|
|
||
|
z1 |
zn |
|
|
|
Fx1, ..., xn (z1, . . . , zn) = |
· · · |
fx1, ..., xn (t1, . . . , tn)dtn . . . dt1. |
|
|
−∞ |
−∞ |
|
|
• Если случайные величины x1, . . . , xn независимы, то
fx1, ..., xn (z1, . . . , zn) = fx1 (z1) · . . . · fxn (zn).
Математическое ожидание
•Если c — константа, то E(c) = c.
•Если x и y — любые две случайные величины, то
E(x + y) = E(x) + E(y).
•Если c — константа, то E(cx) = cE(x).
•В общем случае E(xy) = E(x)E(y).
•Если функция f (·) вогнута, то выполнено неравенство Йенсена:
E (f (x)) f (E(x)) .
• Для симметричного распределения выполено E(x) = x0,5 .
A.3 Сведения из теории вероятностей и матем. статистики |
707 |
Дисперсия
•var(x) = E(x2) − E(x)2 .
•Для любой случайной величины x выполнено var(x) 0.
•Если c — константа, то выполнено: var(c) = 0; var(c + x) = var(x); var(cx) = c2var(x).
•Если x и y — любые две случайные величины, то в общем случае:
var(x + y) = var(x) + var(y).
• Неравенство Чебышёва: Pr (|x − E(x)| > α) var(x) для любого поло-
жительного числа α.
α2
Ковариация
•cov(x, y) = E (xy) − E(x)E(y).
•cov(x, y) = cov(y, x).
•cov(cx, y) = c · cov(x, y).
•cov(x + y, z) = cov(x, z) + cov(y, z).
•cov(x, x) = var(x).
•Если x и y независимы, то cov(x, y) = 0. Обратное, вообще говоря, неверно.
Корреляция |
|
|
|
|
|||
• |
ρ |
x,y |
= cov(˜x, y˜), где x˜ = |
x − E(x) |
и y˜ = |
y − E(y) |
— соответствую- |
|
|
σx |
|
σy |
щие центрированные нормированные случайные величины. Следовательно, свойства корреляции аналогичны свойствам ковариации.
•ρx,x = 1.
•−1 ρx,y 1.
•Если ρx,y = 0, то E (xy) = E(x)E(y).
708 Приложение A. Вспомогательные сведения из высшей математики
Условные распределения
•Условной вероятностью события A относительно события B называется
Pr(A|B) = Pr(A ∩ B)/ Pr(B).
Из определения следует, что Pr(A ∩ B) = Pr(A|B) Pr(B) = Pr(B|A) Pr(A).
• Для независимых событий A и B выполнено Pr(A|B) = Pr(A).
• Теорема Байеса: Пусть A1, . . . , An, B — события, такие что
(1) |
Ai ∩ Aj = при i = j, |
|
n |
(2) |
B i=1 Ai , |
(3) |
Pr(B) > 0. |
Тогда |
|
|
|
|
|
Pr(A |
B) = |
Pr(B|Ai) Pr(Ai) |
= |
Pr(B|Ai) Pr(Ai) |
. |
Pr(B) |
|
||||
i| |
|
|
n |
||
|
|
|
|
j=1 Pr(B|Aj ) Pr(Aj ) |
• Пусть (x, y) — случайный вектор, имеющий непрерывное распределение, где вектор x имеет размерность m × 1, а y — n × 1. Плотностью маргинального распределения x называется fx(x) = fx,y(x, y)dy. Плотно-
|
|
|
Rn |
|
стью условного распределения x относительно y называется |
||||
fx|y(x|y) = |
fx,y(x, y) |
= |
fx,y(x, y) |
|
|
|
. |
||
fy(y) |
fx,y(x, y)dx |
Rm
• Если x и y независимы, то плотность условного распределения совпадает
с плотностью маргинального, т.е. fx|y(x|y) = fx(x).
•Условным математическим ожиданием x относительно y называется
E (x|y) = xfx|y(x|y)dx.
Rm
• Условная дисперсия x относительно y равна
var (x|y) = E (x − E (x|y))2 |y .
712Приложение A. Вспомогательные сведения из высшей математики
•Если x N 0, A (A A)−1 A , где A (n × k) — матрица, имеющая пол-
ный ранг по столбцам, то x x χ2k . Если x N 0, I − A (A A)−1 A , где A (n × k) — матрица, имеющая полный ранг по столбцам, то
x x χn2 |
−k . |
|
• Если x = (x1, . . . , xn) N |
µ, diag(σ12, . . . , σn2 ) , то x1, . . . , xn независи- |
|
мы в совокупности и xi N |
µi, σi2 . |
•Если совместное распределение случайных векторов x и y является многомерным нормальным:
x |
µx |
, |
Σxx |
Σxy |
, |
N |
|
Σyx |
Σyy |
||
y |
µy |
|
|
то маргинальное распределение x имеет вид x N (µx, Σxx), а условное распределение x относительно y имеет вид
x y |
N |
µ |
x |
+ Σ |
xy |
Σ−1 |
(y |
− |
µ |
) , Σ |
xx − |
Σ |
xy |
Σ−1 |
Σ |
yx |
. |
| |
|
|
|
yy |
|
y |
|
|
yy |
|
|
Аналогично y N (µy , Σyy ) и
y x |
N |
µ |
y |
+ Σ |
yx |
Σ−1 |
(x |
− |
µ |
) , Σ |
yy − |
Σ |
yx |
Σ−1 |
Σ |
xy |
. |
| |
|
|
|
xx |
|
x |
|
|
xx |
|
|
A.3.3. Проверка гипотез
Пусть x1, . . . , xn — случайная выборка из распределения Fθ , заданного параметром θ Θ.
Нулевая гипотеза H0 относительно параметра θ состоит в том, что он принадлежит некоторому более узкому множеству: θ Θ0 , где Θ0 Θ. Альтернативная гипотеза H1 состоит в том, что параметр принадлежит другому множеству: θ Θ1 , где Θ1 = Θ\Θ0. Рассматривается некоторая статистика s, которая является функцией от выборки: s = s(x1, . . . , xn). Процедуру (правило) проверки гипотезы называют статистическим критерием или статистическим тестом. Суть проверки гипотезы H0 против альтернативной гипотезы H1 состоит в том, что задаются две непересекающиеся области, S0 и S1 , такие что S0 ∩S1 — вся область значений статистики s. Если s S0 , то нулевая гипотеза (H0 ) принимается, а если s S1, то нулевая гипотеза отвергается.