- •Казанский кооперативный институт (филиал)
- •Теория вероятностей и математическая статистика конспект лекций
- •Общие организационно-методические рекомендации преподавателю
- •Литература:
- •Структура занятия и расчёт времени
- •Текст лекции
- •1. Предмет и задачи теории вероятностей
- •2. Основные понятия теории вероятностей. События и соотношения между ними. Классификация событий
- •3. Частота и вероятность события. Способы определения вероятности
- •Аксиомы теории вероятностей
- •Лекция 2 Основные формулы для вычисления вероятностей
- •Литература:
- •Структура занятия и расчёт времени
- •Текст лекции
- •1. Основные формулы для вычисления вероятностей
- •6. (Рисунок 4).
- •7. (Рисунок 5).
- •Задание на самостоятельную работу
- •Лекция 3 Основные теоремы теории вероятностей: сложение, умножение, формула полной вероятности
- •Литература:
- •Структура занятия и расчёт времени
- •Текст лекции
- •1. Правила сложения вероятностей
- •2. Правила умножения вероятностей
- •3. Формула полной вероятности
- •1. Формула Байеса, вероятность появления хотя бы одного события
- •Лекция 5 Основные законы распределения дискретных случайных величин. Формула Бернулли
- •Литература:
- •Структура занятия и расчёт времени
- •Текст лекции
- •1. Понятие о случайной величине и законе её распределения
- •Р исунок 1
- •Р исунок 3
- •2. Формы закона распределения случайной величины: ряд распределения, функция распределения, функция плотности распределения
- •3. Формула Бернулли
- •Задание на самостоятельную работу
- •Лекция 6 Основные законы распределения дискретных случайных величин. Локальная теорема Муавра-Лапласа, формула Пуассона
- •Литература:
- •Структура занятия и расчёт времени
- •Текст лекции
- •1. Локальная теорема Муавра-Лапласа
- •2. Распределение Пуассона
- •Задание на самостоятельную работу
- •Лекция 7 Основные законы распределения дискретных случайных величин. Интегральная теорема Лапласа
- •Литература:
- •Структура занятия и расчёт времени
- •Текст лекции
- •1.1 Определение вероятности попадания случайной величины х с использованием приведенной табличной функции распределения
- •1.2 Определение вероятности попадания случайной величины на заданный интервал с использованием табличной функции плотности распределения
- •1.3 Определение вероятности попадания случайной величины на заданный интервал с использованием таблиц приведенной функции Лапласа
- •Текст лекции
- •1. Понятие случайной величины
- •2. Законы распределения дискретных случайных величин
- •Задание на самостоятельную работу
- •Лекция 9 Числовые характеристики: математическое ожидание, дисперсия, среднеквадратическое отклонение
- •Литература:
- •Структура занятия и расчёт времени
- •Текст лекции
- •1. Понятие о числовых характеристиках случайной величины
- •2. Числовые характеристики положения: математическое ожидание и его основные свойства
- •3. Числовые характеристики рассеивания: дисперсия, среднеквадратическое отклонение. Основные свойства дисперсии
- •Задание на самостоятельную работу
- •Лекция 10 Непрерывные случайные величины: функция распределения случайной величины
- •Литература:
- •Структура занятия и расчёт времени
- •Текст лекции
- •1. Функция распределения непрерывной случайной величины для определения вероятности попадания случайной величины на интервал
- •1.1. Функция распределения непрерывной случайной величины
- •1.2. Свойства функции распределения
- •Задание на самостоятельную работу
- •Лекция 11 Плотность вероятности. Числовые характеристики. Моменты случайных величин
- •Литература:
- •Структура занятия и расчёт времени
- •Текст лекции
- •1. Плотность распределения непрерывной случайной величины для определения вероятности попадания случайной величины на интервал
- •1.1. Плотность распределения
- •1.2. Свойства плотности распределения
- •2.5. Медиана
- •2.6. Начальный момент
- •2.7. Центральный момент
- •2.8. Коэффициент асимметрии
- •2.9. Эксцесс
- •Задание на самостоятельную работу
- •Лекция 12 Законы распределения непрерывных величин: нормальное, равномерное, показательное
- •Литература:
- •Структура занятия и расчёт времени
- •Текст лекции
- •1. Равномерное распределение
- •2. Показательное распределение
- •2.1. Функция надёжности
- •3. Нормальный закон распределения
- •3.1. Функция Лапласа
- •3.2. Правило трёх сигм
- •Задание на самостоятельную работу
- •Лекция 13 Понятие закона больших чисел
- •Литература:
- •Структура занятия и расчёт времени
- •1.1. Неравенство Чебышева
- •1.2. Теорема Чебышева
- •Текст лекции
- •Закон больших чисел
- •1.3. Теорема Бернулли
- •1.4. Теорема Пуассона
- •1.5. Предельные теоремы
- •1.6. Теорема Муавра – Лапласа
- •Текст лекции
- •1. Генеральная и выборочная совокупности
- •1.1. Статистическое описание результатов наблюдений
- •Текст лекции
- •1. Интервальные оценки параметров распределения. Непрерывное и дискретное распределения признаков
- •1.2. Интервальные оценки.
- •Текст лекции
- •1. Вариационные ряды
- •2. Построение интервального вариационного ряда
- •3. Графическое изображение вариационных рядов
- •4. Средние величины
- •5. Медиана и мода
- •6. Показатели вариации
- •7. Свойства эмпирической дисперсии
- •8. Эмпирические центральные и начальные моменты
- •9. Эмпирические асимметрия и эксцесс
- •Текст лекции
- •1. Доверительные вероятности, доверительные интервалы
- •Текст лекции
- •1. Корреляционный анализ
- •1.1. О связях функциональных и статистических
- •1.2. Определение формы связи. Понятие регрессии
- •1.3. Основные положения корреляционного анализа
- •1.4. Свойства коэффициента корреляции
- •1.5. Поле корреляции. Вычисление оценок параметров двумерной модели
- •1.6. Проверка гипотезы о значимости коэффициента корреляции
- •1.7. Корреляционное отношение
- •1.8. Понятие о многомерном корреляционном анализе
- •1.9. Ранговая корреляция
- •2. Регрессионный анализ
- •2.1. Основные положения регрессионного анализа
- •2.2. Линейная регрессия
- •2.3. Нелинейная регрессия
- •2.4. Оценка значимости коэффициентов регрессии. Интервальная оценка коэффициентов регрессии
- •2.5. Интервальная оценка для условного математического ожидания
- •2.6. Проверка значимости уравнения регрессии
- •2.7. Многомерный регрессионный анализ
- •2.8. Факторный анализ
- •Приложения
- •Функция Лапласа
- •Задание на самостоятельную работу
1.8. Понятие о многомерном корреляционном анализе
Частный коэффициент корреляции. Основные понятия корреляционного анализа, введенные для двумерной модели, можно распространить на многомерный случай. Задачи и предпосылки корреляционного анализа были сформулированы в п. 1.3. Однако если при изучении взаимосвязи переменных по двумерной модели мы ограничивались рассмотрением парных коэффициентов корреляции, то для многомерной модели этого недостаточно. Многообразие связей между переменными находит отражение в частных и множественных коэффициентах корреляции.
Пусть
имеется многомерная нормальная
совокупность с m
признаками
.
В этом случае взаимозависимость между
признаками можно описать корреляционной
матрицей. Под корреляционной матрицей
будем понимать, матрицу, составленную
из парных коэффициентов корреляции
(вычисляются по формуле (1,1)):
(1.14)
где
— парные коэффициенты корреляции; m
— порядок матрицы.
Оценкой парного коэффициента корреляции является выборочный парный коэффициент корреляции, определяемый по формуле (1.2), однако для т признаков формула (9.2) принимает вид
(1.15)
где
—
порядковые номера признаков.
Как и в двумерном случае, для оценки коэффициента корреляции необходимо оценить математические ожидания и дисперсии. В многомерном корреляционном анализе имеем т математических ожиданий и т дисперсий, а также т(т—1)/2 парных коэффициентов корреляции. Таким образом, нужно произвести оценку 2т+m(т—1)/2 параметров.
В случае многомерной корреляции зависимости между признаками более многообразны и сложны, чем в двумерном случае. Одной корреляционной матрицей нельзя полностью описать зависимости между признаками. Введём понятие частного коэффициента корреляции l-го порядка.
Пусть
исходная совокупность состоит из т
признаков. Можно изучать зависимости
между двумя из них при фиксированном
значении l
признаков из т-2
оставшихся. Рассмотрим, например, систему
из 5 признаков. Изучим зависимости между
и
при
фиксированном значении признака
.
В этом случае имеем частный коэффициент
корреляции первого порядка, так как
фиксируем только один признак.
Рассмотрим
более подробно структуру частных
коэффициентов корреляции на примере
системы из трёх признаков
.
Эта система позволяет изучить частные
коэффициенты корреляции только первого
порядка, так как нельзя фиксировать
больше одного признака. Частный
коэффициент корреляции первого порядка
для признаков
и
при фиксированном значении
выражается через парные коэффициенты
корреляции и имеет вид
.
(1.16)
Частный
коэффициент корреляции, так же как и
парный коэффициент корреляции, изменяется
от —1 до +1, В общем виде, когда система
состоит из т
признаков, частный коэффициент корреляции
l-го
порядка может быть найден из корреляционной
матрицы. Если l=т—2,
то рассматривается матрица порядка т,
приl<т—2
— подматрица порядка l+2,
составленная из элементов матрицы
,
которые отвечают индексам коэффициента
частной корреляции. Например, корреляционная
матрица системы из пяти признаков имеет
вид
.
Для определения частного коэффициента корреляции второго порядка,
например
,
следует использовать подматрицу
четвертого порядка, вычеркнув из исходной
матрицы Q5
третью строку и третий столбец, так как
признак Х3
не рассматривают.
В общем виде формулу частного коэффициента корреляции l-го порядка (l=т—2) можно записать в виде
(1.17)
где
Qjk
— алгебраические дополнения к элементу
корреляционной матрицы Qm;
Qjj
и Qkk
— алгебраические дополнения к элементам
и
корреляционной
матрицы Qm.
Очевидно, что выражение (1.16) является частым случаем выражения (1.17), в чём легко убедиться, рассмотрев корреляционную матрицу Q3.
Оценкой частного коэффициента корреляции l-го порядка является выборочный частный коэффициент корреляции l-го порядка. Он вычисляется на основе корреляционной матрицы, составленной из выборочных парных коэффициентов корреляции:
(1.18)
Формула выборочного частного коэффициента корреляции имеет вид
(1.19)
где qjk, qjj, qkk — алгебраические дополнения к соответствующим элементам матрицы (1.18).
Частный коэффициент корреляции l-го порядка, вызволенный на основе п наблюдений над признаками, имеет такое же распределение, что и парный коэффициент корреляции, вычисленный поп-l наблюдениям. Поэтому значимость частных коэффициентов корреляции оценивают так же, как и в п. 1.6.
Множественный коэффициент корреляции. Часто представляет интерес оценить связь одного из признаков со всеми остальными. Это можно сделать с помощью множественного, или совокупного, коэффициента корреляции
,
(1.20)
где |Qm|—определитель корреляционной матрицы Qm; Qjj—алгебраическое дополнение к элементу .
Квадрат
коэффициента множественной корреляции
называется
множественным коэффициентом детерминации.
Коэффициенты множественной корреляции
и детерминации — величины положительные,
принимающие значения в интервале 0<
<
1. Оценками этих коэффициентов являются
выборочные множественные коэффициенты
корреляции и детерминации, которые
обозначают соответственно
и
.
Формула для вычисления выборочного
множественного коэффициента корреляции
имеет вид
(1.21)
где
|qm|
—определитель корреляционной матрицы,
составленной из выборочных парных
коэффициентов корреляции; qjj
алгебраическое дополнение к элементу
Многомерный корреляционный анализ позволяет получить оценку функции регрессии — уравнение регрессии. Коэффициенты в уравнении регрессии можно найти непосредственно через выборочные парные коэффициенты корреляции или воспользоваться методом многомерной регрессии, который мы рассмотрим в вопросе 2.7. В этом случае все предпосылки регрессионного анализа оказываются выполненными и, кроме того, связь между переменными строго линейна.
