Мишулина Основы теории вероятностей 2011
.pdfОтсюда следует аналогичное свойство плотности распределения вероятностей для независимых случайных величин:
fX (x1, x2 , ..., xn ) = f X1 (x1) f X 2 (x2 ) ... f X n (xn ) . (3.55)
Выполнение равенств (3.54), (3.55) для любых значений x1, x2 , ..., xn является необходимым и достаточным условием неза-
висимости случайных величин X1, X2, …, Xn .
Рассмотрим равенство (3.55) для двух независимых случайных
величин (n = 2): |
|
|
fX (x1, x2 ) = |
f X1 (x1) f X 2 (x2 ) . |
(3.56) |
С другой стороны, плотность |
распределения fX (x1, x2 ) |
может |
быть представлена выражениями (3.49), (3.50). Сравнение выражения (3.56) с общим представлением плотности распределения (3.49), (3.50) приводит к выводу, что в случае независимости случайных величин X1 и X2 справедливы следующие равенства:
f X1 | X 2 (x1 | x2 |
) f X1 |
(x1), |
(3.57) |
|
f X 2 | X1 (x2 | x1 ) f X 2 (x2 ). |
||||
|
Таким образом, для независимых случайных величин X1 и X2 их условные и безусловные распределения совпадают. Аналогичным свойством обладают распределения координат случайного вектора при n > 2.
Пример 3.6. Случайные величины X1 и X2 непрерывного типа распределены равномерно в прямоугольнике со сторонами, параллельными осям координат. В примере 3.2 приведены выражения для совместной плотности распределения f X (x1, x2 ) (3.35) и од-
номерных плотностей f X1 (x1) (3.36) и f X 2 (x2 ) (3.37). Анализ этих
выражений показывает, что для любых аргументов x1, x2 выполне-
но равенство (3.56). Следовательно, случайные величины X1 и X2 являются независимыми.
Заметим, что согласно условию независимости случайных вели-
чин в форме (3.54) должно также выполняться равенство: |
|
FX (x1, x2 ) = FX1 (x1) FX 2 (x2 ) . |
(3.58) |
Приведенные в примере 3.2 выражения для совместной и одномерных функций распределения вероятностей (3.38) – (3.40) удовлетворяют равенству (3.58).
131
Пример 3.7. Случайные величины X1 и X2 непрерывного типа распределены по следующему закону:
|
|
|
|
0, |
если min (x1, x2 ) 0; |
|
|
FX |
|
|
|
|
|
0 min (x1, x2 ) 1; |
|
1 |
, X |
2 |
(x1, x2 ) min (x1, x2 ), если |
(3.59) |
|||
|
|
1, |
|
|
|
||
|
|
|
|
если min (x , x ) 1. |
|
||
|
|
|
|
|
1 |
2 |
|
Требуется установить, являются ли случайные величины X1 и X2 независимыми. С этой целью определим одномерные распределения FX1 (x1) , FX 2 (x2 ) и проверим выполнение равенства (3.58).
Выражения для FX1 (x1) , FX 2 (x2 ) находятся из (3.59) с использованием условий согласованности (3.8):
|
|
|
|
|
|
|
0, |
если |
x1 0; |
|
FX |
|
(x1) FX |
|
|
|
|
|
|
0 x1 1; |
|
1 |
, X |
2 |
(x1, ) x1, если |
(3.60) |
||||||
|
1 |
|
|
1, |
|
|
|
|||
|
|
|
|
|
|
|
если x 1, |
|
||
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
0, |
если |
x2 0; |
|
FX |
|
(x2 ) FX |
|
|
|
|
|
|
|
|
2 |
|
, X |
2 |
( , x2 ) x2 , если 0 x2 1; |
(3.61) |
|||||
|
1 |
|
|
1, |
|
|
|
|||
|
|
|
|
|
|
|
если x 1. |
|
||
|
|
|
|
|
|
|
|
|
2 |
|
Полученные выражения свидетельствуют о равномерном распределении каждой из случайных величин X1 и X2 в интервале
[0; 1].
Несложно проверить, что распределения (3.59) – (3.61) не удовлетворяют условию (3.58) независимости случайных величин. Следовательно, случайные величины X1 и X2 зависимы. В данном примере между случайными величинами имеется функциональная связь: X1 = X2 .
Пример 3.8. Рассмотрим плотность распределения вероятностей двумерного случайного вектора X (3.41) (пример 3.3) и соответствующие одномерные плотности распределения (3.42), (3.43) его координат X1 и X2. В связи с тем, что равенство (3.56) в этом примере не выполнено, случайные величины X1 и X2 являются зависимыми.
132
Условные распределения, введенные для случайных величин непрерывного типа, могут быть определены и для случайных величин дискретного типа.
Рассмотрим случай двумерного случайного вектора с распределением pX1, X 2 (i1, i2 ) , ik = 1, 2, …, Nk , k = 1, 2. Определим условное распределение случайной величины X1 относительно X2:
pX |
1 |
| X |
2 |
(i1 | i2 ) P(X1 |
x1, i |
| X 2 x2, i |
2 |
) . |
(3.62) |
|||
|
|
|
|
1 |
|
|
|
|
|
|||
Аргументом условного распределения |
pX | X |
2 |
(i1 | i2 ) |
является ин- |
||||||||
|
|
|
|
|
|
|
1 |
|
|
|
|
|
декс i1 , а индекс i2 |
является параметром. В связи с этим условие |
|||||||||||
нормировки для распределения |
pX | X |
2 |
(i1 | i2 ) |
|
записывается в сле- |
|||||||
|
|
|
|
|
1 |
|
|
|
|
|
|
дующей форме:
N1
pX1 | X 2 (i1 | i2 ) 1.
i1 1
Аналогично определяется условное распределение величины X2 относительно X1 :
pX 2 | X1 (i2 | i1) P(X 2 x2, i2 | X1 x1, i1 ) .
В соответствии с формулой умножения вероятностей
pX1, X 2 (i1, i2 ) pX1 (i1) pX 2 | X1 (i2 | i1)
p X 2 (i2 ) pX1| X 2 (i1 | i2 ).
(3.63)
случайной
(3.64)
В |
общем |
случае |
n-мерного |
случайного |
вектора |
X = col(X1, X2, …, Xn) дискретного типа |
условное распределение |
подвектора X' = col(X1, X2, …, Xm) (m < n) относительно подвектора X" = col(Xm+1, Xm+2, …, Xn) определяется следующим выражением:
pX'| X" (i1, i2 , ..., im | im 1, im 2 , ..., in )
|
m |
|
|
x |
|
n |
|
|
x |
|
(3.65) |
P |
|
( X |
k |
) | |
|
( X |
l |
) . |
|
||
|
|
k , ik |
|
|
l, il |
|
|
||||
k 1 |
|
|
|
l m 1 |
|
|
|
|
Безусловное распределение вектора X выражается через условное распределение вектора X'| X" следующим образом:
pX (i1, i2 , ..., in )
pX" (im 1, im 2 , ..., in ) pX'| X"(i1, i2 , ..., im | im 1, im 2 , ..., in )
pX' (i1, i2 , ..., im ) pX"| X' (im 1, im 2 , ..., in | i1, i2 , ..., im ).
133
Случайные величины X1, мы, если для любых ik = 1, 2, венство:
X2, …, Xn дискретного типа независи- …, Nk , k = 1, 2, …, n, справедливо ра-
n |
|
|
|
pX (i1, i2 , ..., in ) pX |
k |
(ik ) . |
(3.66) |
k 1 |
|
|
|
|
|
|
Для независимых случайных величин X1, X2, …, Xn дискретного
типа безусловное распределение pX' (i1, i2 , ..., im ) совпадает с ус- |
|
ловным распределением pX'| X"(i1, i2 , ..., im | im 1, im 2 , ..., in ) |
при |
любом m < n: |
|
pX' (i1, i2 , ..., im ) = pX'| X"(i1, i2 , ..., im | im 1, im 2 , ..., in ) . |
(3.67) |
В частности, при n = 2 для независимых случайных величин X1, X2 справедливы равенства:
pX1 (i1) pX1 | X 2 |
(i1 |
| i2 ), |
(3.68) |
|
p X 2 (i2 ) pX 2 | X1 (i2 | i1). |
||||
|
Пример 3.9. Распределение вероятностей двумерного случайного вектора дискретного типа задано табл. 3.6.
Таблица 3.6
Распределение вероятностей двумерного случайного вектора
X1 |
|
X2 |
|
|
x21 = 0 |
x22 = 1 |
x23 = 2 |
||
|
||||
|
|
|
|
|
x11 = 0 |
p11 = 0,0 |
p12 = 0,03 |
p13 = 0,05 |
|
|
|
|
|
|
x12 = 1 |
p21 = 0,18 |
p22 = 0,14 |
p23 = 0,08 |
|
|
|
|
|
|
x13 = 2 |
p31 = 0,20 |
p32 = 0,17 |
p33 = 0,15 |
|
|
|
|
|
Требуется |
рассчитать условные распределения |
pX | X |
2 |
(i1 | i2 ) , |
|||||
|
|
|
|
|
|
1 |
|
|
|
pX |
2 |
| X |
1 |
(i2 | i1) |
и проверить, являются ли случайные |
величины |
|||
|
|
|
|
|
|
|
|
X1 и X2 независимыми.
Для расчета условных распределений с использованием равенств (3.64) необходимо рассчитать безусловные распределения
134
pX1 (i1) и p X 2 (i2 ) . Они рассчитываются в соответствии с теорией,
изложенной в § 21. Результаты расчета приведены во второй и третьей строках табл. 3.7. В первой строке указаны значения случайных величин X1 и X2 , которые принадлежат одному и тому же множеству {0, 1, 2}. В строках 4 – 7 указаны условные распределе-
ния pX1 | X 2 (i1 | X 2 k), k = 0, 1, 2, и pX 2 | X1 (i2 | X1 0) , рассчитанные в соответствии с равенствами (3.64). Из табл. 3.7 следует, что
pX1 (i1) ≠ pX1 | X 2 (i1 | X 2 0) , p X 2 (i2 ) ≠ pX 2 | X1 (i2 | X1 0) .
Следовательно, случайные величины X1 и X2 являются зависимыми.
Таблица 3.7
Безусловные и условные распределения вероятностей случайных величин X1 и X2
1 |
|
x1i , x2i |
0 |
1 |
2 |
|
|
|
|
|
|
2 |
|
pX1 (i1) |
0,08 |
0,40 |
0,52 |
3 |
|
p X 2 (i2 ) |
0,38 |
0,34 |
0,28 |
4 |
pX1 | X 2 (i1 | X 2 0) |
0,0 |
0,474 |
0,526 |
|
5 |
pX1 |
| X 2 (i1 | X 2 1) |
0,088 |
0,412 |
0,500 |
6 |
pX1 | X 2 (i1 | X 2 2) |
0,178 |
0,286 |
0,536 |
|
7 |
pX 2 |
| X1 (i2 | X1 0) |
0,0 |
0,375 |
0,625 |
Контрольные вопросы и задачи
1.Что называется условным распределением вероятностей случайной величины X относительно события А?
2.Дайте определение условной функции распределения вероятностей случайной величины X1 относительно X2 .
135
3.Запишите свойство нормировки для условной функции распределения вероятностей случайной величины X1 относительно X2 .
4.Каким равенством связаны условные функция и плотность
распределения вероятностей случайной величины X1 относительно X2 , если рассматриваемые случайные величины относятся к непрерывному типу?
5.Как выразить плотность распределения вероятностей дву-
мерного случайного вектора X = col(X1, X2) непрерывного типа через условную и безусловную плотности распределения его координат?
6.Ответьте на вопрос 5, если случайный вектор непрерывного типа имеет размерность n > 2?
7. Дайте |
определение независимости случайных величин |
X1, X2, …, Xn . |
|
8.Каким свойством характеризуются функция и плотность распределения вероятностей n-мерного случайного вектора X, если его координаты являются независимыми случайными величинами непрерывного типа?
9.Выполнение какого условия может послужить критерием при проверке независимости двух случайных величин?
10.Случайные величины X1 и X2 независимы и характеризуются следующими плотностями распределения вероятностей:
|
|
|
1/ 2, если x1 [ 1; 1]; |
f X |
1 |
(x1) |
|
|
|
0, если x1 [ 1; 1], |
|
|
|
|
|
|
|
|
exp( x2 ), если x2 0; |
f X |
|
|
(x2 ) |
|
2 |
0, если x2 0. |
|
|
|
Напишите выражение для функции распределения FX (x1, x2 ) .
11.Дайте определение условного распределения вероятностей
случайной величины X1 относительно X2 , если рассматриваемые случайные величины относятся к дискретному типу.
12.Запишите свойство нормировки для условного дискретного распределения вероятностей.
13.Каким свойством характеризуется распределение вероятностей n-мерного случайного вектора X дискретного типа, если его координаты являются независимыми случайными величинами?
136
14. Для распределения вероятностей, приведенного в табл. 3.6
(пример 3.9), рассчитайте pX |
2 |
| X (i2 | X1 |
1) , |
pX |
2 |
| X |
1 |
(i2 |
| X1 2) и |
|||||
|
|
|
|
|
1 |
|
|
|
|
|
|
|||
убедитесь, что случайные величины X1 и X2 |
являются зависимыми. |
|||||||||||||
§ 24. Числовые характеристики случайного вектора |
|
|||||||||||||
Понятие |
математического |
|
ожидания |
|
произвольной |
функции |
||||||||
ξ(X) случайной величины X, определенное в § 16 для скалярного |
||||||||||||||
аргумента |
X, может |
быть |
|
обобщено |
на |
случай |
функции |
|||||||
ξ(X1, X2, …, Xn) нескольких случайных аргументов. |
|
|
|
|
||||||||||
Математическим |
ожиданием |
произвольной |
функции |
|||||||||||
ξ(X1, X2, …, Xn) случайных аргументов X1, X2, …, Xn |
непрерывного |
|||||||||||||
типа называется |
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
M[ ( X1, X 2 , ..., X n )] |
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(3.69) |
|
|
... (x1, x2 , ..., xn ) fX (x1, x2 , ..., xn ) dx1 dx2 ... dxn . |
|
|||||||||||
|
- |
|
|
|
|
|
|
|
|
|
|
|
|
Для дискретных распределений случайных величин X1, X2, …, Xn математическое ожидание функции ξ(X1, X2, …, Xn) определяется следующим выражением:
M[ ( X1 , X 2 , ..., X n )]
N1 N2 |
Nn |
|
, x2, i , ..., xn, i ) . (3.70) |
|
... pX (i1 , i2 |
, ..., in ) (x1,i |
|||
i1 1i2 1 |
in 1 |
1 |
2 |
n |
|
|
|
||
Математическое |
ожидание |
M[ (X1, X2 , ..., Xn )] |
существует, |
если интеграл (или ряд) в формулах (3.69), (3.70) абсолютно сходится. Таким образом, математическое ожидание функции n случайных аргументов, как и в случае скалярного аргумента, является средним всех ее возможных значений, взвешенных соответствующими вероятностями.
Смешанным |
начальным |
моментом |
(X) |
,...,r порядка |
r ,r |
||||
|
|
|
1 2 |
n |
( r1 r2 ... rn ) для случайного вектора X = col(X1, X2, …, Xn) , где r1, r2 , ..., rn – натуральные числа, называется
(X) |
= M[X r1 |
X r2 |
... X rn ] . |
(3.71) |
r1 ,r2 ,...,rn |
1 |
2 |
n |
|
|
|
|
|
137 |
Для непрерывно распределенного случайного вектора X
|
|
|
|
|
|
|
|
|
(X) |
,...,r = |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
r ,r |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 2 |
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
= |
|
... x1r1 x2r2 ... xnrn fX (x1, x2 , ..., xn ) dx1 dx2 ... dxn |
, |
(3.72) |
||||||||||||
|
- |
|
|
|
|
|
|
|
|
|
|
|||||
а в случае дискретного распределения |
|
|
|
|
|
|
||||||||||
(X) |
|
|
N1 |
N2 |
|
Nn |
|
r |
|
r |
|
r |
|
|||
|
|
= ... |
|
|
|
|
|
|||||||||
r1 ,r2 ,...,rn |
|
pX (i1, i2 , ..., in ) x1,1i |
x2,2i2 ... xnn, i |
. (3.73) |
||||||||||||
|
|
|
|
|
i1 1 i2 1 |
|
in 1 |
|
1 |
|
|
|
|
n |
||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
Если |
в |
|
выражениях (3.72), |
(3.73) |
для |
|
|
(X) |
|
положить |
||||||
|
|
r ,r ,...,r |
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 2 |
n |
|
|
|
|
|
|||||||||||||
rm 0, m 1, n, |
k m, то получим начальный момент порядка rk |
|||||||||||||||
случайной величины Xk : |
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
(X) |
|
r |
( X |
|
) |
|
|
|
|
|
|
|
|
|
|
|
0,...0,r ,0,...,0 = M[ X kk ] = r |
k |
|
= |
|
|
||||
|
|
|
|
|
|
|
|
|
k |
|
k |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
xkrk f X k (xk ) dxk для непрерывного распределения; |
|||||||||||||||
= - |
|
|
|
|
|
|
|
|
|
|
|
|
|
(3.74) |
||
N k |
|
|
(ik ) |
r |
для дискретного распределения. |
|
||||||||||
|
pX |
k |
x k |
|
||||||||||||
|
1 |
|
|
|
k , ik |
|
|
|
|
|
|
|
|
|
||
ik |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
При выводе формулы (3.74) применены свойства плотности распределения fX (x1, x2 , ..., xn ) (3.31) случайного вектора непрерыв-
ного типа и свойство (3.17) распределения pX (i1, i2 , ..., in ) дискретного случайного вектора.
Полагая в (3.74) rk = 1, k 1, n, получим выражение для математического ожидания координаты Xk случайного вектора X:
(X) |
= M[ X rk ] = ( X k ) = m |
X k |
. |
|
0,...0,1,0,...,0 |
k |
1 |
|
Математическим ожиданием случайного вектора называется
вектор |
|
|
|
|
|
|
M[X] = mX= col( mX |
, mX |
2 |
, ..., mX |
n |
). |
(3.75) |
1 |
|
|
|
|
Центрированным случайным вектором X называется отклоне-
ние вектора X от своего математического ожидания:
138
|
mX |
|
), (X2 mX |
|
), ..., (Xn mX |
|
|
|
X = X – M[X] = col( (X1 |
1 |
2 |
n |
) ). (3.76) |
||||
|
|
|
|
|
|
|||
Смешанным центральным |
|
|
(X) |
|
порядка |
|||
моментом r ,r ,...,r |
||||||||
|
|
|
|
|
|
1 2 |
n |
( r1 r2 ... rn ) для случайного вектора X = col(X1, X2, …, Xn) называется
(X) |
,...,r |
= M[( X |
1 |
m |
X1 |
)r1 (X |
2 |
m |
X |
2 |
)r2 ... ( X |
n |
m |
X n |
)rn ]. |
(3.77) |
||||
r ,r |
|
|
|
|
|
|
|
|
|
|
|
|||||||||
1 2 |
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Смешанный центральный момент второго порядка |
|
|
||||||||||||||||||
|
|
|
klm M[(Xl mX |
l |
)(X m mX |
m |
)] |
|
(3.78) |
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
называется |
ковариационным |
моментом |
случайных |
величин |
Xl и Xm , где l, m 1, n , l ≠ m.
Согласно определению (3.78) и формулам (3.69) и (3.70) расчета математического ожидания для непрерывных и дискретных распределений ковариационный момент klm определяется следующими выражениями:
klm =
|
|
|
|
|
|
|
|
|
|
|
|
(xl mX l |
|||
- |
- |
|
|
|
|||
= N |
l |
|
N |
m |
|
|
|
|
|
|
|
|
|
||
p X |
, X |
m |
|||||
i 1 i |
|
l |
|
||||
|
1 |
|
|
||||
l |
|
|
m |
|
|
|
|
|
|
|
|
|
|
|
|
) (xm mX m ) f X l , X m (xl , xm ) dxl dxm |
|
для непрерывного распределения; (3.79)
(il , im ) (xl,il mX l ) (xm,im mX m )
для дискретного распределения.
Согласно определению (3.78) при l = m ковариационный момент kmm равен дисперсии случайной величины Xm:
k |
mm |
M[ ( X |
m |
m |
X |
m |
) |
2] d |
X |
m |
. |
(3.80) |
|||
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
||||||||||
Ковариационные моменты klm , |
l, m 1, n , образуют ковариаци- |
||||||||||||||
онную матрицу K: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
K = (klm ; l, m 1, n) . |
|
|
(3.81) |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
139 |
Согласно определению (3.78) klm = kml , поэтому ковариацион-
ная матрица является симметричной: K = KТ. Здесь верхний индекс «Т» означает транспонирование матрицы.
Определение ковариационной матрицы можно записать с использованием выражения (3.75) в следующей краткой форме:
K = M[ (X m |
X |
) (X m |
X |
)T ]. |
(3.82) |
|
|
|
|
Заметим, что ковариационный момент klm измеряется в единицах, определяемых произведением единиц измерения случайных величин Xl и Xm . Более удобным в использовании является норми-
рованный ковариационный момент, или коэффициент корреляции
rlm :
|
|
|
|
|
|
|
rlm |
|
|
|
klm |
|
|
|
|
|
|
klm |
|
|
|
|
|
|
|
|
|
klm |
, |
(3.83) |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
X l X m |
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
kll kmm |
d X l d X m |
|
|
|
|
|
|
||||||||||||||||||
где |
X |
l |
, X |
m |
– стандартные отклонения случайных величин Xl и |
||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Xm . Покажем, что коэффициент корреляции rlm |
случайных величин |
||||||||||||||||||||||||||||||||||
Xl и Xm |
совпадает с ковариационным моментом нормированных |
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
~ |
|
( Xl |
mXl ) Xl |
|
|
|
|
~ |
|
|
( X m mXm ) |
Xm , |
|||||||||||||||
случайных величин |
Xl |
|
, |
|
X m |
||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
~ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
который обозначим klm : |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
~ |
|
( Xl |
mX |
l |
) ( X m mX |
m |
) |
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
klm M |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
X |
|
|
|
|
|
|
|
|
X |
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
l |
|
|
|
|
|
|
|
m |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(3.84) |
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
M[(Xl mX l ) ( X m mX m )] |
|
|
|
|
|
klm |
|
|
rlm . |
|
||||||||||||||||||
X |
l |
X |
m |
|
|
|
X |
|
X |
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
l |
m |
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
Коэффициент корреляции rlm |
является безразмерной величи- |
||||||||||||||||||||||||||||||||||
ной. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Симметричная матрица, образованная коэффициентами корре-
ляции rlm , где l, m 1, n , называется корреляционной матрицей R:
R = (rlm ; l, m 1, n) .
Как следует из определения (3.83), корреляционная матрица симметрична: R = RТ, а ее диагональные элементы равны единице.
140