Введение. Часто в практике инженерных и научных исследований результат испытания характеризуется набором случайных величин

Часто в практике инженерных и научных исследований результат испытания характеризуется набором случайных величин, т. е. многомерной случайной величиной (МСВ). Например, погодные условия характеризуются температурой, давлением, влажностью, направлением и скоростью ветра; успеваемость студента определяется оценками по различным дисциплинам.

Многомерные случайные величины характеризуются многомерными (k ‑мерными) законами распределения (заданными таблично, в виде функции распределения F (x ₁, x ₂,..., x_k) или плотности распределения f (x ₁, x ₂,..., x_k)) и числовыми характеристиками. Наряду с числовыми характеристиками, применимыми для одномерных с. в. (математическим ожиданием, дисперсией и др.), МСВ определяются дополнительными числовыми характеристиками, описывающими зависимость между ее компонентами.

В дальнейшем ограничимся рассмотрением двумерной с. в. (X, Y), компоненты X и Y которой фактически являются одномерными с. в.

Зависимость между случайными величинами, при которой каждому значению x случайной величины Х однозначно ставится в соответствие единственное значение y с. в. Y, называется функциональной. Например, зная напряжение U на участке электрической цепи сопротивлением R, можно однозначно определить величину тока (U = R I); зная скорость движения поезда V, можно однозначно определить время T его движения по перегону.

Однако часто на практике одному значению с. в. Х может соответствовать не одно, а множество значений с. в. Y, характеризуемых для каждого Х = х условным распределением с плотностью вероятностей f (y | Х = x). Такая зависимость называется статистической. Примером статистической зависимости является зависимость величины расхода топлива локомотивом (Y) от массы поезда (X), т.к. одному значению массы состава могут соответствовать различные значения расхода топлива (величина расхода топлива кроме массы состава обусловливается скоростью движения, профилем и состоянием пути, состоянием подвижного состава, направлением и скоростью ветра и прочими причинами).

Таким образом, при фиксированном значении x _i влияющей величины X значения зависимой величины Y по-прежнему являются случайными и определяются условным законом распределения (при условии, что X = x _i ). Изменение условного закона распределения с. в. Y при изменении значения Х может проявляться как при изменении вида распределения (рисунок 1, а), так и при изменении его числовых характеристик (рисунок 1, б), например, математического ожидания.

а) б)

Рисунок 1 – Примеры статистической зависимости: с изменением вида закона
распределения (а), c изменением только лишь математического ожидания (б)

Если условный закон распределения (например f (y | Х = x)) одной из величин не изменяется при изменении значения другой случайной величины Х, то такие величины называются независимыми. Например, температура воздуха Y завтра в полдень не зависит от числа X, выпавшего на игральной кости (f (y | Х = 1) = f (y | Х = 2) =…= f (y | Х = 6)). Независимыми являются случайные величины, не связанные причинно-следственными связями.

Исследование зависимостей между случайными величинами является наиболее часто используемым приложением математической статистики (МС) и применяется главным образом для предсказания значения одной с. в. по значению другой.

Совместный закон распределения двух с. в. (F (x, y) и/или f (x, y)) как и статистическая зависимость между ними в вероятностном смысле полностью определяет зависимость между величинами. Однако получение такой информации является затруднительным. Поэтому в МС чаще ограничиваются изучением регрессионной зависимости, которая каждому значению одной с. в. ставит в соответствие условное математическое ожидание другой с. в. M [ Y | X = x ].

Изучением зависимости между с. в. занимается регрессионный и корреляционный анализ – разделы математической статистики. Предметом регрессионного анализа является нахождение вида уравнения регрессионной зависимости между случайными величинами. Предметом же корреляционного анализа является оценка тесноты связи между с. в., а также оценка качества описания зависимости выбранным уравнением регрессии.