Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Поротов. Мат. методы.doc
Скачиваний:
30
Добавлен:
01.05.2025
Размер:
6 Мб
Скачать
☆

3.1. Двухмерная статистическая модель

3.1.1. Система двух случайных величин и ее графическое изображение

Во многих геологических задачах изучают два взаимосвязанных свойства множества геологических объектов. Такой анализ проводится на основе двухмерной статистической модели.

Пусть имеется система из n однородных геологических объектов, у каждого из них измерены характеристики двух свойств. Результаты измерений одного свойства обозначим х1, х2, …, хn, второго свойства у1, у2, …, уn. Их можно записать в виде таблицы-матрицы (1.1), в которой число строк равно n, а число столбцов k = 2.

В основе двухмерной модели лежат те же гипотезы, что и в основе одномерной: а) значения х1, х2, …, хn, у1, у2, …, уn носят случайный характер; б) значения первого свойства х1, х2, …, хn не зависят между собой, значения второго свойства у1, у2, …, уn также не зависят между собой (но могут существовать зависимости между свойствами х и у); в) совокупность измеренных свойств является однородной. Система значений х1, х2, …, хn, у1, у2, …, уn называется системой двух случайных величин, двухмерной случайной величиной или случайным вектором.

Результаты измерений двухмерной случайной величины принято изображать на графике, где по оси абсцисс откладывают характеристику одного свойства, а по оси ординат – другого. Каждый геологический объект на таком графике изображают точкой, а множество объектов – облаком точек (рис.3.1). Расположение точек на графике позволяет сделать предварительные выводы о характере зависимости между свойствами. Если точки расположены вдоль линии (рис.3.1, а, б), то между характеристиками свойств имеется функциональная зависимость. Она может быть линейной и нелинейной. Если же точки расположены беспорядочно (рис.3.1, в), то зависимости между характеристиками свойств нет. Чаще всего точки располагаются в виде облака, группирующегося вдоль какой-то линии (рис.3.1, г, д), в этом случае наблюдается нестрогая статистическая зависимость между свойствами. Она также может быть линейной и нелинейной. Функциональные и статистические зависимости могут быть положительными, когда с возрастанием характеристики одного свойства увеличивается и другая (рис.3.1, а, г), но могут быть и отрицательными, когда характеристика одного свойства растет, а другого убывает (рис.3.1, б, д). Иногда точки могут образовать два и более изолированных или частично перекрывающихся облака (рис.3.1, е), что свидетельствует о двух и более однородных совокупностях, которые следует изучать раздельно.

3.1.2. Статистические характеристики системы

двух случайных величин. Коэффициент корреляции

Система двух случайных величин имеет пять основных статистических характеристик: средние значения и , дисперсии и и корреляционный момент (или ковариацию) Kху, которые вычисляют по формулам:

(3.1)

(3.2)

. (3.3)

Первые четыре формулы встречались ранее. Особый интерес представляет пятая формула, которая отражает взаимосвязь между случайными величинами х и у. Поскольку корреляционный момент имеет размерность, его преобразуют в безразмерную величину по формуле

. (3.4)

Величина r играет чрезвычайно большую роль в статистических исследованиях и называется коэффициентом корреляции. Его значения заключены в интервале между +1 и –1. Если коэффициент корреляции равен нулю, то линейная связь между случайными величинами отсутствует (рис.3.1, в). При r = 1 связь функциональная положительная (см. рис.3.1, а). При r = –1 связь функциональная отрицательная (см. рис.3.1, б). В реальных условиях коэффициент корреляции не бывает равен единице (или минус единице) и характеризует степень статистической связи между свойствами х и у. Чем ближе по абсолютной величине r к единице, тем сильнее связь между свойствами; она может быть положительной (r > 0) и отрицательной (r < 0). Таким образом, коэффициент корреляции является мерой линейной зависимости между двумя величинами. Для оценки нелинейных зависимостей он непригоден.

На вычисленную величину rв заметно влияет случайная погрешность измерений исходных данных, уменьшая истинное значение коэффициента корреляции r:

(3.5)

где и – дисперсии случайной погрешности измерений величин х и у соответственно.

Влияние погрешности может оказаться настолько значительным, что зависимость между случайными величинами не будет выявлена.

Статистическая линейная связь между характеристиками двух свойств считается доказанной, если критерий t будет больше предельного tдоп. Коэффициент корреляции, при котором связь считается доказанной, называется значимым коэффициентом корреляции. Для установления значимости используется критерий t, основанный на распределении Стьюдента с числом степеней свободы k = n – 2:

при , (3.6)

где Sr – оценка среднеквадратичного отклонения коэффициента корреляции.

Если критерий t будет больше допустимого tдоп при заданной вероятности  (см. табл.2.10), то связь считается доказанной. Имеет смысл принять вероятность  = 0,0027, что соответствует правилу «трех сигм».

При большом значении n можно пользоваться более простым критерием, основанным на нормальном законе распределения:

при . (3.7)

Если t > 3 (что соответствует вероятности  = 0,0027), то связь считается доказанной.

Еще один критерий предложен Фишером:

при , (3.8)

где z – новая переменная, полученная преобразованием коэффициента корреляции через гиперболический арктангенс,

. (3.9)

И здесь для доказательства связи необходимо выполнение условия t > 3.

Из соотношения (3.6) выводится формула значимого коэффициента корреляции

. (3.10)

Так как tдоп зависит от числа наблюдений (точнее, от числа степеней свободы k = n – 2), то и значимый коэффициент корреляции зависит от числа наблюдений. При увеличении числа наблюдений, как следует из соотношения (3.7), формула (3.10) упрощается:

. (3.11)

Обычно принимается значение tдоп = 3.

Пример 3.1. Известны содержания общего и магнетитового железа в руде. Требуется рассчитать коэффициент корреляции между этими величинами (табл.3.1).

Таблица 3.1