Геометрическая интерпретация корреляции


Если случайная величина ξ имеет математическое ожидание, то ее можно центрировать. Случайная величина ξ0= ξ – mξ называется центрированной, она имеет нулевое математическое ожидание.

Рассмотрим множество всех центрированных случайных величин ξ0( ), определенных на одном и том же пространстве элементарных событий и имеющих конечные дисперсии Dξ­<∞. Можно убедиться, что это множество случайных величин линейное пространство с операциями сложения и умножения на число, понимаемыми в обычном смысле. Поэтому каждый элемент этого пространства будем называть вектором.

Скалярным произведением двух векторов ξ и η назовем число

(ξ,η)=M[ξη]=Kξη. (1)

(Убедиться самостоятельно, что (1) удовлетворяет всем аксиомам скалярного произведения, см. §17 ч.1, гл.1).

Таким образом, скалярное произведение в данном евклидовом пространстве совпадает с корреляционным моментом Kξη. Поскольку квадрат нормы (длины) вектора ξ в евклидовом пространстве определяется как то он совпадает с дисперсией, Таким образом, норма (длина) вектора ξ есть среднее квадратичное отклонение случайной величины ξ. Коэффициент корреляции случайных величин ξ и η дается формулой:

(2)

Формула (2) определяет косинус угла между вектором ξ и η, т.е. rξη=cos(ξ,^ η). Отсюда ясно, что некоррелированные величины ξ и η ортогональны. Если rξη= ±1, то векторы коллинеарны, линейно зависимые, т.е. η=aξ, где a – некоторый коэффициент.

Запишем неравенство Коши-Буняковского:

(3)

Если (3) переписать иначе: или , то получим доказательство утверждения, что модуль коэффициента корреляции не превышает единицы.

 

Понятие регрессии

Рассмотрим двумерную случайную величину (ξ,η). Пусть, например, ξ - рост человека, а η - его вес. Ясно, что между весом и ростом существует зависимость, но эта зависимость вероятностная, ее нельзя записать в виде функции. Однако зависимость усредненных величин можно записать в виде функции. Если плотность f(x,y) непрерывной случайной величины известна, то можно найти условные плотности f1(x/y), f2(y/x) и условные математические ожидания

(1)

(2)

В нашем примере М[hïx] -это средний вес людей, рост которых одинаковый, x=x; а M[xïy] - это средний рост людей одинакового веса, h=y.

Формулы (1) и (2) дают функциональную зависимость условных математических ожиданий одной случайной величины от возможных значений другой. Функция y=g(x) называется регрессией величины h на x, а функция x=q(y) - регрессией величины x на h. Графики функций g(x) и q(y) называются кривыми регрессии.

Аналогично можно найти и другие условные числовые характеристики, например, условную дисперсию

(3)

Условная дисперсия D[h/x] определяет рассеяние случайной величины h/x относительно регрессии g(x). Т.к. эта дисперсия является функцией возможных значений случайной величины x (D[h/x]=j(x)), т.е. величиной случайной, то ее усредняют, находят ее математическое ожидание. В результате усреднения получим:

(4)

Здесь f1(x) - плотность распределения случайной величины x. С учетом того, что f1(x)f2(y/x)=f(x,y), формула (4) принимает вид:

(5)

Как видно из (5), d - это безусловная дисперсия случайной величины h относительно своего центра распределения g(x). Известно, что дисперсия(рассеяние) относительно центра распределения минимальная. Отсюда вывод: если регрессию g(x) взять в качестве оценки зависимости h от x (h≈g(x)), то это будет наилучшая оценка этой зависимости в смысле минимума средней квадратичной погрешности.

Если случайная величина (x,h) дискретная с конечным числом возможных значений, то условные математические ожидания вычисляются по формулам:

(6)

(7)

Пример 1. Найти условные математические ожидания M[ξ/y1] и M[ξ/y2] случайной дискретной величины (x,h) примера 1 §14.

Решение: условные законы распределения случайных величин ξ/y1 и ξ/y2 найдены в примере 1 §15. Используя эти законы, по формуле (7) найдем

M[ξ/y1]=1×0,30+3×0,12+4×0,5+8×0,08=3,3,

M[ξ/y2]=1×0,6+3×0,2+4×0,06+8×0,14=2,56.

Пример 2. Случайная величина (x,h) задана своей плотностью распределения

Найти регрессии h на x и x на h.

Решение. Условные плотности f2(y/x) и f1(x/y) найдены в примере 2 §15. Используя их, по формулам (1) и (2) найдем

Итак, y=g(x)= -x/3 - это регрессия h на x.

Аналогично

Таким образом, x=q(y)=2-3y/4 - регрессия x на h.

Как видно, обе регрессии линейные (см. рис. 20). Можно доказать, что если закон распределения случайной величины (x,h) нормальный, то регрессии x на h и h на x

 

будут линейными, а прямые регрессии проходят через центр симметрии (mξ,mη).

Пример 3. Найти регрессии, если случайная величина (x,h) задана своей плотностью распределения

Решение. Найдем сначала плотности распределения компонент ξ и η вектора (ξ,η):

Найдем теперь условные плотности распределения:

 
 

Заметим, что данная и все найденные плотности распределения отличны от нуля только в первом квадранте.

 
 
 
 
 
 
Согласно формулам (1) и (2) найдем:

Итак, y=g(x)=1+1/(1+x) и x=q(y)=1+1/(1+y) - регрессии соответственно h на x и x на h. Кривые регрессии изображены на рисунке 21.

 



Дата добавления: 2020-02-05; просмотров: 727;


Поиск по сайту:

Воспользовавшись поиском можно найти нужную информацию на сайте.

Поделитесь с друзьями:

Считаете данную информацию полезной, тогда расскажите друзьям в соц. сетях.
Poznayka.org - Познайка.Орг - 2016-2024 год. Материал предоставляется для ознакомительных и учебных целей.
Генерация страницы за: 0.011 сек.