- •Министерство образования и науки рф
- •1.2.Краткие исторические сведения
- •2.Основные понятия теории вероятностей
- •2.1.Событие. Вероятность события
- •2.2.Непосредственный подсчет вероятностей
- •2.3.Основные формулы комбинаторики
- •2.3.Частота и статистическая вероятность события
- •2.4.Случайная величина
- •3.Основные теоремы теории вероятностей
- •3.1. События как множества и операции над ними
- •3.2.Теорема сложения вероятностей
- •3.3.Теорема умножения вероятностей
- •3.4.Формула полной вероятности.
- •3.5.Формула Бейеса или теорема гипотез.
- •Случайные величины и их законы распределения
- •4.1.Ряд распределения
- •4.2.Функция распределения
- •4.3.Плотность распределения
- •5.Числовые характеристики случайных величин
- •5.1.Характеристики положения
- •5.2.Моменты, дисперсия, квадратичное отклонение
- •5.3.Закон равномерной плотности
- •5.4.Распределение Симпсона
- •5.5.Биномиальное распределение
- •5.6.Распределение Пуассона
- •5.7.Геометрическое распределение
- •5.5.Биномиальное распределение
- •5.6.Распределение Пуассона
- •5.7.Геометрическое распределение
- •5.8.Распределение Паскаля
- •5.9.Гипергеометрическое распределение
- •5.10.Формула Стирлинга
- •6.Непрерывные распределения
- •6.1.Нормальное распределение
- •6.2.Показательное распределение
- •6.3.Логарифмически нормальное распределение
- •7.Статистическая оценка параметров распределения
- •7.1.Статистическая функция распределения
- •7.2.Статистический ряд. Гистограмма
- •7.3.Числовые характеристики распределения
- •7.4.Оценка параметров распределения
- •7.4.1. Метод моментов.
- •8.Метод наибольшего правдоподобия
- •8.1.Случай дискретных распределений
- •8.2.Случай непрерывных распределений
- •8.3.Другие методы оценки параметров
- •9.Проверка статистических гипотез
- •9.1.Вводные замечания
- •9.2.Проверка гипотезы о законе распределения
- •10.Системы случайных величин
- •10.1.Понятие о системе случайных величин
- •10.2.Двумерные случайные величины и их законы распределения
- •10.3.Плотность распределения двумерной случайной величины
- •10.4. Условные законы распределения
- •10.5.Зависимость и независимость случайных величин
- •10.6.Числовые характеристики двумерных случайных величин
- •11.Двумерный нормальный закон распределения
- •12.Числовые характеристики функций случайных величин
- •12.1.Математическое ожидание и дисперсия функции
- •12.2.Теоремы о числовых характеристиках
- •13.Распределение функции случайных аргументов
- •13.1.Распределение функции одного аргумента
- •13.2.Распределение суммы случайных величин
- •13.3.Распределение суммы нормально распределенных случайных величин
- •13.Распределение функции случайных аргументов
- •13.1.Распределение функции одного аргумента
- •13.2.Распределение суммы случайных величин
- •13.3.Распределение суммы нормально распределенных случайных величин
- •14.Предельные теоремы
- •14.1.Понятие о законе больших чисел
- •14.2.Неравенство Чебышева
- •14.3.Закон больших чисел Чебышева
- •14.4.Центральная предельная теорема
10.5.Зависимость и независимость случайных величин
Случайные величины X и Y считаются независимыми, если плотность их совместного распределения равна произведению безусловных плотностей, то есть
. (10.5.1)
Из соотношений (10.4.1) вытекает, что если случайные величины X и Y независимы, то
и .
Пример. Совместная плотность распределения системы случайных величин X и Y имеет вид
.
Определим, зависимы или независимы случайные величины X и Y.
Знаменатель предыдущей плотности разлагается на два множителя, то есть равен
.
Значит
.
Пользуясь формулой (10.3.6), получаем, что
.
Таким образом
(x),
Следовательно X и Y независимы.
Понятие зависимости случайных величин отличается от функциональной зависимости, когда каждому значению X отвечает только определенное значение Y. Зависимость случайных величин (стохастическая зависимость) предполагает, что конкретному значению X=x отвечает целый спектр возможных значений Y, который описывается законом распределения F(y|x) или плотностью f(x|y). Таким образом, стохастическая зависимость – это менее тесная зависимость, которая превращается в независимость, если . То есть распределениеХ не зависит от значения Y.
Примером стохастической зависимости является зависимость между ростом и весом человека. На практике часто пользуются формулой
.
Эта формула не является точной, а характеризует только в среднем приближенно связь между ростом и весом. Для конкретного человека возможно отклонение в одну и другую сторону. Наиболее полно мы отразим эту зависимость, если определим условную плотность распределения f(y|x) , то есть для каждого значения роста x определим распределение Y.
10.6.Числовые характеристики двумерных случайных величин
Для двумерных случайных величин могут быть определены моменты как и для одномерных.
Начальным моментом порядка (k,s) двумерной случайной величины (X,Y) называется математическое ожидание произведения Xk на Ys:
. (10.6.1)
Центральным моментом порядка (k,s) двумерной случайной величины (X,Y) называется математическое ожидание произведения на , где
,
то есть
. (10.6.1)
mX , mY – безусловные математические ожидания случайных величин X и Y, то есть
.
На практике обычно используют только моменты первого и второго моментов. Можно показать, что
.
Для дисперсий имеют место следующие соотношения:
Особую роль для двумерных случайных величин играет смешанный центральный момент
(10.6.2)
Этот момент называется корреляционным, так как он характеризует степень зависимости между X и Y. Действительно, если случайные величины независимы, то корреляционный момент равен 0. Покажем это. Если X и Y независимы, то и интеграл (10.6.2) равен в этом случае нулю.
Для характеристики степени зависимости случайных величин чаще применяют безразмерную величину – коэффициент корреляции
, 10.6.3)
- квадратичные отклонения X и Y соответственно. Если X и Y независимы, то и, следовательно,. Обратное утверждение неверно, то есть можно показать, что зависимые величины имеют корреляционный момент и коэффициент корреляции равными нулю. Например, двумерная случайная величина с плотностью
имеет корреляционный момент равный нулю, но X и Y зависимы.
Коэффициент корреляции характеризует тесноту линейной зависимости случайных величин. Если случайные величины X и Y связаны точной линейной зависимостью
то коэффициент корреляции , еслиa>0 и , еслиа<0.
В общем случае, если X и Y связаны стохастически, то
в зависимости от тесноты этой зависимости. Если , то говорят, что междуX и Y имеется положительная корреляция. Если , то говорят, что междуX и Y имеется отрицательная корреляция. Если , то говорят, чтоX и Y не коррелированны. Если X и Y стохастически связаны линейно, отсутствие корреляции равносильно независимости X и Y.