- •Введение
- •Программа
- •1. Ряды
- •1.1. Сходимость числовых рядов
- •1.2. Степенные ряды. Разложение функций в степенные ряды
- •1.3. Применение степенных рядов
- •1.4. Ряды Фурье и их применение
- •2. Дифференциальное исчисление функций нескольких переменных
- •2.1. Частные производные и дифференциалы функций нескольких переменных
- •2.2. Экстремум функций нескольких переменных
- •2.3. Оптимизация функций нескольких переменных
- •3. Интегральное исчисление функций нескольких переменных
- •3.1. Двойной интеграл. Замена переменных
- •3.2. Вычисление объемов тел с помощью двойного интеграла
- •3.3. Вычисление тройного интеграла в декартовых координатах
- •3.4. Вычисление тройного интеграла в цилиндрических и сферических координатах
- •3.5. Криволинейный интеграл первого рода
- •3.6. Криволинейный интеграл второго рода
- •3.7. Теорема Грина и независимость криволинейного интеграла от пути интегрирования
- •4. Элементы теории поля
- •4.1. Операционное исчисление и его применение
- •Контрольная работа 6
- •Контрольная работа 7
- •Контрольная работа 8
- •5. Теория вероятностей
- •5.1. Основные понятия теории вероятностей
- •5.2. Повторение независимых опытов
- •5.3. Случайные величины и их числовые характеристики
- •5.4. Система двух случайных величин и регрессия
- •6. Основы математической статистики
- •Контрольная работа 9
- •Контрольная работа 10
- •Рекомендательный библиографический список
- •Оглавление
5.4. Система двух случайных величин и регрессия
Система двух случайных величин – совокупность двух случайных величин (X,Y), которые рассматриваются совместно.
Измерения обычно осуществляются попарно, а полученные значения случайных величин X и Y в определенном смысле взаимосвязаны.
Закон распределения двумерной случайной величины дискретного типа представляет собой перечень значений этой величины и их вероятностей, указанных в специальной таблице (табл.4). В таблице представлены возможные значения (xi, yj) и их совместные вероятности:
.
Таблица 4
Y |
X |
||||||
|
x1 |
x2 |
… |
xi |
… |
xn |
pyj |
y1 |
p11 |
p21 |
… |
pi1 |
… |
pn1 |
py1 |
y2 |
p12 |
p22 |
… |
pi2 |
… |
pn2 |
py2 |
… |
… |
… |
… |
… |
… |
… |
… |
yj |
p1j |
p2j |
… |
pij |
… |
pnj |
pyj |
… |
… |
… |
… |
… |
… |
… |
… |
ym |
p1m |
p2m |
… |
pim |
… |
pnm |
pym |
pxi |
px1 |
px2 |
… |
pxi |
… |
pxn |
|
Зная закон распределения дискретной двумерной случайной величины (X,Y), можно найти закон распределения каждой случайной величины X и Y:
Интегральная функция распределения двумерной случайной величины (X,Y) определяется как вероятность совместного выполнения неравенств X<x и Y<y, т.е.
F(x,y) = P(X < x); (Y < y).
Двумерная случайная величина непрерывного типа может быть задана интегральной функцией распределения или дифференциальной функцией распределения. Если интегральная функция распределения всюду непрерывна и имеет непрерывную смешанную частную производную второго порядка, то дифференциальная функция распределения системы двух случайных величин (X,Y) определяется по формуле
.
Плотность распределения отдельных случайных величин, входящих в систему, выражается через плотность системы случайных величин следующим образом:
.
Условный закон распределения случайной величины, входящей в систему, есть закон ее распределения, полученный в предположении, что другая случайная величина приняла определенное значение. Для системы случайных величин дискретного типа условные законы распределения имеют вид
Условные математические ожидания (условные средние) дискретных случайных величин
Условные распределения показывают, что одна СВ реагирует на изменение другой изменением своего закона распределения. Такая общая зависимость называется стохастической (вероятностной) и достаточно сложна для изучения. Однако зависимость условного среднего одной СВ от значений другой является функцией, которая называется регрессией: – регрессия Y на X, – регрессия X на Y. Но и функции регрессии в общем случае достаточно сложны, поэтому используют различные их приближения, например, линейной функцией (наилучшей в смысле наименьшего значения среднего квадрата отклонения). Это значит, что для регрессии Y на X функция приближается линейной функцией y = ax + b:
Уравнения таких наилучших линейных регрессий:
для регрессии Y на X ;
для регрессии X на Y ,
где , , , .
Коэффициент корреляции
характеризует близость (или тесноту) связи между случайными величинами к линейной.
Отметим, что всегда . Если , то случайные величины называются некоррелированными и в этом случае их условные средние значения являются постоянными, т.е. не зависят от значений другой случайной величины, что характеризует их слабую взаимозависимость. Если (угол между прямыми наилучших линейных регрессий близок к прямому), то связь между случайными величинами достаточно слабая и сильно нелинейная. Если (угол близок к нулю), то связь сильная и близка к линейной. Если , то связь между X и Y линейна. В случае промежуточного значения rxy (и угла) связь достаточно сильна и существенно нелинейная.