2.1.3. Статистическое усреднение случайных величин
Усреднение играет важную роль для
характеристики результатов эксперимента и случайных величин, определенных на
выборочном пространстве эксперимента. В частности, представляют интерес первый
и второй моменты одной случайной величины и совместные моменты, такие как
корреляция и ковариация между парой случайных величин в многомерном ряде случайных
величин. Также большой интерес представляет характеристическая функция
случайной величины и совместные характеристические функции для многомерного
ряда случайных величин. Этот раздел посвящается определению этих важных
статистических средних.
Сначала мы рассмотрим случайную
величину
,
характеризуемую ФПВ
. Математическое ожидание
от
определяется
как
, (2.1.61)
где
означает математическое ожидание
(статистическое усреднение). Это первый момент случайной величины
. В общем,
-й момент
определяется как
. (2.1.62)
Теперь предположим, что мы определяем
случайную величину
, где
- некоторая произвольная функция от
случайной величины
. Математическое ожидание
определяется как
. (2.1.63)
В частности, если
, где
- математическое
ожидание
,
то
. (2.1.64)
Это математическое ожидание названо
-м центральным
моментом случайной величины
, так как это момент, взяты
относительно среднего. Если
, центральный момент называется дисперсией
случайной величины и обозначается
. Таким образом,
. (2.1.65)
Этот параметр является мерой
рассеяния случайной величины
. Раскрывая выражение
в интеграле
(2.1.65) и учитывая, что математическое ожидание от константы равно константе,
получим выражение, которое определяет дисперсию через первый и второй моменты:
. (2.1.66)
Для случая двух случайный величин
и
с СФПВ
мы определяем совместный
момент как
. (2.1.67)
и совместный центр момент
как
(2.1.68)
где
. С точки зрения приложений важное
значение имеет совместный момент и совместный центральный момент, когда
. Эти совместные
моменты называют корреляцией и ковариацией
случайных величин
и
.
При рассмотрении многомерных
случайных величин мы можем определять совместные моменты произвольного порядка.
Однако наиболее полезные для практических приложений моменты – это корреляция и
ковариации между парами случайных величин. Для детализации предположим, что
, являются
случайными величинами с СФПВ
. Пусть
- СФВП случайных величин
и
. Тогда корреляция
между
и
определяется
совместным моментом
, (2.1.69)
а ковариация между
и
равна
(2.1.70)
Матрица размера
с элементами
называется ковариационной
матрицей случайных величин
,
. Мы встретимся с ковариационной
матрицей при обсуждении совместных гауссовских случайных величин в разделе
2.1.4.
Две случайные величины называют некоррелированными,
если
. В
этом случае их ковариация
. Заметим, что если
и
некоррелированы, они не
обязательно статистически независимы.
Говорят, что две случайные величины
ортогональны, если
. Заметим что это условие имеет место,
когда
и
не коррелированы и
либо одна, либо обе случайные величины имеют нулевое среднее.
Характеристические функции. Характеристическая функция случайной величины
определяется как статистическое
среднее
, (2.1.71)
где переменная
вещественная,
. Заметим, что
можно определить
как преобразование Фурье от ФПВ
. Тогда обратное преобразование Фурье
дает
. (2.1.72)
Очень полезное свойство
характеристической функции – ее связь с моментами случайной величины. Заметим,
что первая производная от (2.1.71) по
.
Вычисляя производную при
, получаем для
первого момента (среднего)
. (2.1.73)
Дифференцирование можно продолжить,
и
-я
производная от
при
определяет
-й момент:
. (2.1.74)
Таким образом, моменты случайный
величин можно определять через характеристические функции. С другой стороны,
предположим, что характеристическую можно представить рядом Тейлора
относительно точки
, т.е.
. (2.1.75)
Используя соотношение (2.1.74) в
(2.1.75), мы получаем выражение для характеристической функции через моменты в
виде
(2.1.76)
Характеристическая функция дает
простой метод для определения ФПВ суммы независимых случайных величин. Чтобы
это проиллюстрировать, предположим, что
,
, - ряд статистически независимых
случайных величин, и пусть
. (2.1.77)
Задача сводится к нахождению ФПВ от
. Мы
определим ФПВ от
,
найдя сначала её характеристическую функцию, а затем вычислив обратное
преобразование Фурье. Итак,
. (2.1.78)
Так как случайные величины
статистически неизменимы,
и
-мерный интеграл в (2.1.78) сводится к
произведению
простых
интегралов, каждый из которых определяет характеристическую функцию одного
. Следовательно,
. (2.1.79)
Если помимо статистической
независимости все
имеют
одинаковое распределение, тогда все
идентичны.
Соответственно
. (2.1.80)
Окончательно ФПВ
определяется
обратным преобразованием Фурье, как дано в (2.1.72).
Поскольку характеристическая
функция суммы
статистически
независимых случайных величин равна произведению характеристических функций
индивидуальных случайных переменных
,
, отсюда следует, что в области
преобразования ФПВ
является
-кратной сверткой ФПВ от
. Обычно
-кратную свёртку
выполнить непосредственно более сложно, чем воспользоваться методом
характеристической функции для нахождения распределения ФПВ для
, как описано выше.
Если мы имеем дело с
-мерными случайными
величинами, необходимо определить
-мерные преобразования Фурье от СФПВ. В
частности, если
,
, -
случайные величины с ФПВ
,
-мерная характеристическая
функция определяется как
. (2.1.81)
Специальный интерес представляет
двухмерная характеристическая функция
. (2.1.82)
Заметим, что частные производные от
по
и
можно использовать
для получения совместных моментов. Например, легко видеть, что
. (2.1.83)
Моменты более высоких порядков
можно получить аналогичным образом.