Примерный вид нормальных
плотностей вероятностей показан на рис.2. Математическое ожидание случайной
величины, распределенной по нормальному закону (4.1), равно , а дисперсия
.
На рисунке показаны три
кривые для .
Функция распределения нормальной случайной величины имеет вид
, (4.2)
где – табулированный интеграл
Лапласа.
Распределение
хи-квадрат. Такое распределение
имеет сумма квадратов независимых случайных величин с нулевым математическим
ожиданием и единичной дисперсией. Число слагаемых называется
числом степеней свободы. Это распределение используется
при построении доверительных интервалов для оценок дисперсий и имеет вид:
, (4.3)
где – гамма функция Эйлера.
Распределение Стьюдента. Такое распределение имеет случайная величина
,
где – распределено нормально с
нулевым математическим ожиданием и единичной дисперсией;
– имеет распределение хи-квадрат с
степенями свободы. Оно используется
при определении доверительных интервалов результатов прямых измерений при
экспериментально оцениваемой дисперсии.
(4.3)
Распределение Фишера. Такое распределение имеет величина
,
где величины имеет
распределение хи-квадрат с
степенями свободы
. Такое распределение используется
при анализе оценок дисперсий случайных величин. Оно табулировано для различных
значений
,
.
. (4.4)
С
системами случайных величин сталкиваются во всех случаях, когда результаты
эксперимента характеризуются несколькими случайными величинами, которые в силу
взаимной зависимости необходимо рассматривать как единое целое, например, как случайный вектор , где знак
обозначает операцию транспонирования
матрицы. С системами случайных величин имеют дело при обработке результатов
косвенных, совокупных и совместных измерений.
Способы
описания системы случайных величин аналогичны способам описания одномерных
случайных величин. Исчерпывающими вероятностными характеристиками системы из случайных величин является
-мерная функция распределения
(5.1)
или -мерная плотность
вероятности
.
(5.2)
Как и в случае одномерном, многомерные функции распределения и плотности вероятности взаимнооднозначно определяют друг друга:
,
. (5.3)
Многомерная функция распределения удовлетворяет следующим условиям:
1) ;
2) ;
,
3) ,
.
Свойства многомерной плотности вероятностей аналогичны свойствам одномерной:
1) ;
2) . (5.4)
Аналогично
(2.7) определяется вероятность пребывания случайного вектора в любой области
-мерного
пространства
:
. (5.5)
Если координаты случайного вектора статистически независимы, то
. (5.6)
Это соотношение является необходимым и достаточным условием для статистической независимости случайных величин.
Математическим
ожиданием функции нескольких случайных
величин называется число
. (5.7)
Для
-мерного случайного вектора
также вводятся понятия
математических ожиданий его компонент и вторых центральных моментов:
,
, (5.8)
. (5.9)
Очевидно,
что . Матрица, компоненты которой
являются случайными величинами, называется случайной матрицей.
Математическим ожиданием
случайной матрицы
называется матрица, компоненты
которой равны математическим ожиданиям компонент матрицы
.
Симметрическая
матрица , компонентами которой являются
величины
из (5.9), называется ковариационной
матрицей случайного вектора
. В матричном виде
выражение для нее будет:
. (5.10)
Для
независимых случайных величин справедливы
следующие важные свойства:
, (5.11)
. (5.12)
В
приложениях метода наименьших квадратов часто приходится иметь дело с -мерным случайным вектором
, компоненты которого распределены по
нормальному закону и представляют собой случайные погрешности наблюдения. При
этом зачастую составляются линейные комбинации наблюдений и их погрешностей
вида:
, (5.13)
где – случайный вектор,
получающийся из вектора
путем линейного
преобразования, задаваемого матрицей
размера
. Если
и
ранг матрицы
равен
,
то вектор
будет называться невырожденным, и
его компоненты тоже будут распределены нормально. Причем вектор математических
ожиданий
:
, (5.14)
а ковариационная матрица :
. (5.15)
Для
двух случайных величин и
,
имеющих совместное распределение
мерой их
статистической зависимости является коэффициент корреляции:
, (5.16)
где – второй центральный
момент распределения
, задаваемый выражением
(5.9). Если
, то величины
и
статистически независимы, и
наоборот, если
, то между
и
существует
линейная зависимость.
Основным
понятием математической статистики является выборка или
совокупность, наблюдений какого-либо количественного показателя. Ее еще
называют выборка из генеральной совокупности. Допустим, что
имеется n значений некоторой величины, которые объединены в один вектор , где T обозначает
операцию транспонирования матрицы. Число n называется объемом
выборки. Также полагается, что наблюдения данной величины получены в
результате измерений, сопровождавшихся неизбежными случайными ошибками, поэтому
величины xi все различны. Совокупность всех величин xi
называется случайной выборкой, которую удобно рассматривать как n-мерный
случайный вектор. Если предположить, что было произведено бесконечное
количество опытов, в которых измеряемая величина приняла некоторые
значения xi
(n = ¥), то совокупность всех этих значений есть генеральная совокупность.
Выборка
называется повторной, если все xi независимы и имеют одинаковый закон распределения F1(x):
в противном случае выборка бесповторная.
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.