Upload
yardan
View
86
Download
5
Embed Size (px)
DESCRIPTION
Числовые характеристики случайных величин. { определение случайных величин - математическое ожидание - примеры – дисперсия – центральные и начальные моменты – коэффициент корреляции - ковариация }. Математическое ожидание. - PowerPoint PPT Presentation
Citation preview
{ определение случайных величин - математическое ожидание - примеры – дисперсия – центральные и начальные моменты – коэффициент корреляции - ковариация }
Математическое ожидание
M ( )p( )
Математическим ожиданием дискретной случайной величины
называется величина
Pj
P
xj
Если д.с.в. имеет математическое ожидание, то оно находится как сумма всех произведений значений случайных величин на их вероятности n
j jj 1
M x p
Случайных величин без математического ожидания не бывает, так как, если у нас есть случайная величина мы всегда в праве от нее что-нибудь ожидать.
Из студенческой контрольной работы
@@
Пример
n n nm m n m m n m
j j nj 1 m 1 m 1
nm 1 n m
m 1
n nm 1 m 1 ( n 1) ( m 1) m m n m
n 1 nm 1 m 0
n!M( ) x p mC p g m p g
m!( n m) !
( n- 1) !np p g
( m- 1) !(( n- 1) - ( m- 1)) !
np C p g np C p g np
Найти математическое ожидание для биномиального распределения дискретной случайной величины.
M ( ) np
РешениеРешение
Математическое ожидание случайной величины
M xf ( x )dx
Математическим ожиданием непрерывной случайной величины
называется величина
f(x)
x
Свойства: Mc c
Mc cM n n
j jj 1 j 1
M M
)(M)(M)(M
( и – независимые СВ)
@@
Пример
Найти математическое ожидание для нормального распределения непрерывной случайной величины.
РешениеРешение
dtteπ2σ
1M 2
2
σ2
m)(t
dzdtσ1
σm)d(t
zσ
m)(t
2
2 2
z2
z z2 2
1M ( z m)e dz
2π
1ze dz m( e dz )
2π 2π
= 0 !
= 1 !
M() = m
m
Дисперсия случайной величины
f(x)
x
Дисперсия случайной величины определяется как математическое ожидание квадрата отклонения случайной величины от её математического ожидания
0)M(ξ)M(ξ)MξM(ξ 2 2D M( M ) - cреднее квадратичное отклонение
2 2 2D M( M ) M( ) M( 2 M) M(M ) 2 2Dξ M(ξ ) ( Mξ )
22 2j j j j j j
j j j
D p (x M ) x p ( x p ) Д.С.В.
Н.С.В. 2 2 2D f (x)(x M ) dx x f (x)dx ( xf (x)dx)
Dc 0
2Dc c D j jj j
D D j независимы в совокупности
Свойства:
D( ) D( ) D( )
@@
Пример
n
jj 1
D DX npg npq
2
2 2 2
MX 0 q 1 p p MX 0 q 1 p p
DX MX (MX) p p p( 1 p) pg
1 2 nX X .... X
Найти дисперсию для биномиального распределения
Предварительно найдем дисперсию в распределении Бернулли
n
jj 1
M MX np
РешениеРешение
X 0 1
P q p
@@
Пример
bb 2
a a
1 x a bM x dx
b a 22 b a
1, x [a,b]
f (x) b a 0 , x [a,b]
bb 3 2 22 2
a a
1 x a ab bM x dx
b a 3(b a) 3
Найти дисперсию для равномерного распределения
f(x)
x
2 2 2 22 2 a ab b (a b) (b a)
D M (M )3 4 12
a b
Центральные и начальные моменты
2 2 2 21 0 1 2 2 1
M(ξ ), 1, 0 , (a) M( a) M( ) (M )
kk
m (a) M | a |
Математическим моментом случайной величины называется математическое ожидание величины ( - a)
k :
Если a = M() , момент называется центральным, если a = 0 , тоначальным - k
Абсолютный момент k-го порядка:
f(x)
3 < 03 > 0
44
E 3
kk a)M(ξ(a)μ
33 3 2 1 1
2 44 4 3 1 2 1 1
nn k k n k n 1 n
n n k 1 1k 2
3 2
4 6 3
( 1) C ( 1) (n 1)
3 33 / 2 32
A
Коэффициент ассиметрии Эксцесс – степень крутости распределения E=0 для случая Н.З. распределения
@@
Пример
xe , x 0f (x )
0 , x 0
3 3 2 33 3 1 2 13 3 3
6 1 2 13 23 2
A 21 1
1M
Определить числовые характеристики для экспоненциального распределения
2 2 x 22 1 2 2
0
2 1D x e dx ( 1 / )
44
E 3 9
2
A 2
M = 1/2
D = 1/4
f(x)
Числовые характеристики зависимости двух случайных величин
MM)M()M()(M))(M()(M)(D 22 222222
Величина M(ξη) - MξMη равняется нулю, если случайные величины ξ и η независимы. Однако из равенства ее нулю вовсе не следует независимость. Эту величину часто используют как «индикатор наличия зависимости» пары случайных величин.
Ковариацией covcov(ξ,η(ξ,η)) случайных величин ξξ и ηη называется число
))Mηη)(Mξξ((M)ξ,ηcov( MηM)ξη(M))Mηη)(Mξξ((M)ξ,ηcov(
Dξ)ξ,ξcov( )η,ξcov()ξ,ηcov(
j,i
jiji
jiji
i
n
1ijii
n
1i
n1 ),ξξcov(),ξξcov(2ξD),ξξcov(ξD)ξ...ξ(D
Для независимых случайных величин с конечными вторыми моментами дисперсия их суммы равна сумме их дисперсий. Чему равна дисперсия суммы в общем случае?
)MM)(M(DD)(D 2
Если ковариация cov(ξ,η)cov(ξ,η) отлична от нуля, то величины ξξ и ηη зависимы !
@@
Пример
MMM ξ))ηξ(ξ(M 2
0
22
Dξ
)MηM)Mξ((MηMMξ)ηξ,ξcov(
Пусть ξ и η — независимые случайные величины, и дисперсия ξ отлична от нуля. Доказать, что ξ и ξ + η зависимы.
MM)M ξ())ηξ(MM 2
Следовательно, ξ и ξ + η зависимы
Коэфициент корреляции
КовариацияКовариация – размерная величина. Её нужно нормировать так, чтобы она не менялась при умножении или сдвиге случайных величин и свидетельствовала о силе их зависимости.Говоря о «силе» зависимости между с.в., мы имеем в виду следующее. Самая сильная зависимость – функциональная, а из функциональных – линейная зависимость, когда ξ = ξ = aaη + η + bb.
Коэффициентом корреляцииКоэффициентом корреляции ρρ(ξ, η)(ξ, η) случайных величин ξ, η, дисперсии которых существуют и отличны от нуля, называется число
DηDξ
η),(ξcovρ(ξ,η)
1. Если с. в. ξ и η независимы, то ρ(ξ, η) = cov(ξ, η) = 02. | ρ(ξ, η) | 13. | ρ(ξ, η) | = 1, если и только если случайные величины ξ и η с вероятностью 1 линейно связаны, т.е. существуют числа а 0 и b такие, что P( η = a, ξ = b) = 1
@@
Пример
Dξ)M ηM)M ξ((M ηMM ξ)ηξ,ξcov( 22
Найти коэффициент корреляции для ξξ и ξ +ξ +ηη . ξ , η - независимые случайные величины, дисперсии ξ и η равны между собой и отличны от нуля.
η)D(ξDξ
η)ξ,(ξcovη)ξ ρ(ξ,
ξ и ξ + η зависимы с коэффициентом корреляции = 0.707
21
2
DξDξDξ
DηDξDξDξ
РешениеРешение
@@
Пример
6n
npMξi
Найти коэффициент корреляции между числом выпадений единицы и числом выпадений шестерки при n подбрасываниях симметричного кубика.
Обозначим для i = 1, 2, 3, 4, 5, 6 через ξi случайную величину, равную числу выпадений грани с i очками при n подбрасываниях кубика. Подсчитаем cov(ξ1, ξ6)
Каждая из случайных величин ξi имеет биномиальное распределение с параметрами n и p =1/6, поэтому
365
65
61
1n
n)p(npnpgDξi
РешениеРешение
@@
Пример
n
nMξ)ξ...ξ(Mξ6
2
1611
613121 ξMξ....ξMξξMξ
Cумма ξ1 + … + ξn равна n. В силу симметрии кубика, все математические ожидания Mi,j равны, но отличаются от Mi,i
36365 2
211
2111
nn)Mξ(DξMξξMξ
61
2
612
1611 53636
55 ξMξ
nnξMξMξ)ξ...ξ(Mξ
или по другому
61
616161 DξDξ
MξMξ)ξξ(M),ξρ(ξ
51
365
3636
22
61
n
nnn
)ξ,ξ(ρ
Зависимость между двумя величинами
iσ
)](x[y
iiii dyeπσ
)dy(yfdPii
2
2
2
21
)(xm i σ...σ..... σσ i21
Даны два множества величин xi и yi , где yi – измеряется с ошибкой. Рассмотрим задачу установления функциональной зависимости между двумя величинами y=y=(x)(x) по результатам измерений, в которых значения функции определяются с ошибкой – случайной величиной, которая подчиняется нормальному закону.
xi x
y ni , .... ,y,y,yy y 321
miny = y = (x)(x)
n
iiiii )](x[y
σn
ii
σ
)](x[y
Kedyeπσ
dP 1
222
2
21
1
2
21
Метод наименьших квадратов
?,...?, c?,ba
..)(x,a,b,c,.y
Данная совокупность измеренных значений величин yi будет наивероятнейшей, если сумма квадратов отклонений наблюдаемых значений yi от предполагаемых ( xi ) будет минимальной. Получаем использование метода максимального правдоподобия для получения статистических оценок.
min)],a,b,c,...(x[yn
iii
1
2
c)/)](,a,b,c,...(x[y
..................................................
a)/)](,a,b,c,...(x[y
n
iiii
n
iiii
1
1
0
0
0
xi x
y
y = y = (x, a, b, c,..)(x, a, b, c,..)
n
x~ ,
n
yx~ ,
n
ym~ ,
n
xm~
n
ii
n
iii
,
n
ii
y
n
ii
x
1
2
21
1111
Подбор параметров для линейной функции
)b/(
x)a/(
i
ii
1
b n
xa
n
y
n
xb
n
xa
n
yx
n
ii
n
ii
n
ii
n
ii
n
iii
0
0
11
11
2
1
bn ]axy[
]bxxaxxy[
n
iii
n
iiiiii
1
1
0
0
b]ax[y
b]xax[y
n
iii
n
iiii
1
1
0
0
xbax(x,a,b)y
y
Подбор параметров для линейной функции
)m~([x]ν~ D~
m~m~[x,y]ν~K~
xx
yx,xy
22
11
xy
x
xy m~am~, bD~
K~
a
m~[x,y]ν~
b
a
m~m~[x]ν~
y
,
x
x
112
1
xyx
yx, m~am~, bm~[x]ν~
m~m~[x,y]ν~a
22
11
Запись уравнений упрощается, если ввести “центральные моменты”
Система уравнений примет вид
Решение
Решение
n
i ii 1
xy x y
n2i
2i 1x x
x yK m m
n
xD m
n
Подбор параметров для линейной функции
x
y
В приведенных формулах появляются выборочные средние, дисперсия и корреляционный момент
n
ixix
n
iiy
n
iix )m~(x
nD~
,yn
m~ ,xn
m~1
2
11
111
My))Mx)(yM((x(x,y)cov)m~)(ym~(xn
K~ n
iyixixy
1
1
)m~(xD~
K~
m~y x
x
xyy
Линейная регрессия