Изменения

Перейти к: навигация, поиск

Ковариация случайных величин

1619 байт убрано, 01:27, 13 января 2013
Неравенство Коши — Буняковского
: <tex>Cov^2(\eta,\xi) \leqslant \mathrm{D}[\eta] \cdot \mathrm{D}[\xi]</tex>.
| proof =
 
Запишем неравенство в другом виде:
: <tex>|Cov(\eta, \xi)|\leqslant\sqrt{D[\eta]D[\xi]}</tex>.
 
Введём в рассмотрение случайную величину <tex>Z_{1}= \sigma_{Y} X- \sigma_{X} Y</tex> (где <tex> \sigma</tex> — среднеквадратическое отклонение) и найдём её дисперсию <tex> D(Z_{1})= M[ Z-m_{Z1}]^2</tex>. Выполнив выкладки получим:
 
<tex>
D(Z_{1})=2 \sigma^2_{X} \sigma^2_{Y}-2 \sigma_{X} \sigma_{Y}Cov(\eta, \xi).
</tex>
 
Любая дисперсия неотрицательна, поэтому
 
<tex>
2 \sigma^2_{X} \sigma^2_{Y}-2 \sigma_{X} \sigma_{Y}Cov(\eta, \xi) \geqslant 0
</tex>
 
Отсюда
 
<tex>
Cov(\eta, \xi)\leqslant\mathrm{\sigma}_{X}\mathrm{\sigma}_{Y}.
</tex>
 
Введя случайную величину <tex> Z_{2}= \sigma_{Y} X+ \sigma_{X} Y</tex>, аналогично
 
<tex>
Cov(\eta, \xi)\geqslant - \mathrm{\sigma}_{X}\mathrm{\sigma}_{Y}.
</tex>
 
Объединив полученные неравенства имеем
 
<tex>
- \mathrm{\sigma}_{X}\mathrm{\sigma}_{Y}\leqslant Cov(\eta, \xi)\leqslant\mathrm{\sigma}_{X}\mathrm{\sigma}_{Y}.
</tex>
 
Или
 
<tex>
|Cov(\eta, \xi)|\leqslant\mathrm{\sigma}_{X}\mathrm{\sigma}_{Y}.
</tex>
 
Итак,
 
<tex>
|Cov(\eta, \xi)|\leqslant\sqrt{D[\eta]D[\xi]}.
</tex>
 
А значит, верно и исходное неравенство:
 
<tex>Cov^2(\eta,\xi) \leqslant \mathrm{D}[\eta] \cdot \mathrm{D}[\xi]</tex>
}}
 
 
{{Теорема
|statement= <tex>Cov^2(\eta, \xi) \le \sigma_\eta ^2\sigma_\xi ^2</tex> (где <tex>\sigma</tex> — среднеквадратическое отклонение)
|proof= Для этого предположим, что <tex> t </tex> {{---}} некоторое вещественное число, которое мы выберем позже, и рассмотрим очевидное неравенство
<tex> E((V+tW)^2) \ge geqslant 0 </tex>, где <tex> V = \eta - E\eta </tex> и <tex> W = \xi - E\xi </tex>.
Используя линейность математического ожидания, мы получаем такое неравенство:
<tex> E(V^2)+2tE(VW)+t^2E(W^2) \ge geqslant 0 </tex>
Обратим внимание, что левая часть является квадратным трехчленом, зависимым от <tex> t </tex>.
Итак, наш квадратный трехчлен выглядит следующим образом:
<tex>\sigma_\xi ^2t^2+2Cov(\eta,\xi)t+\sigma_\eta ^2 \ge geqslant 0</tex>
Из этого неравенства мы видим, что левая сторона может равняться <tex>0</tex> только тогда, когда многочлен имеет двойной корень (т.е. график касается оси <tex>x</tex> в одной точкeточке), что может быть только при нулевом дискриминанте. Таким образом, дискриминантвсегда должен быть неположительнымне положительным, что означает:
<tex> 4Cov^2(\eta,\xi)-4\sigma_\eta ^2\sigma_\xi ^2 \le leqslant 0</tex>
<tex>Cov^2(\eta,\xi) \le leqslant \sigma_\eta ^2\sigma_\xi ^2</tex> <tex>Cov^2(\eta,\xi) \leqslant \mathrm{D}[\eta] \cdot \mathrm{D}[\xi]</tex>
что и требовалось доказывать.
Анонимный участник

Навигация