Определение
| Определение: |
Корреляция случайных величин: пусть [math]\eta,\xi[/math] — две случайные величины, определённые на одном и том же вероятностном пространстве. Тогда их корреляция определяется следующим образом:
- [math]Corr(\eta,\xi)={Cov(\eta,\xi) \over \sigma_{\eta} \times \sigma_{\xi}}[/math], где [math]\sigma_{\eta}=\sqrt{D(\eta)}[/math] называется среднеквадратичным отклонением и равно квадратному корню из дисперсии, а [math]Cov(\eta,\xi)[/math] - ковариацией случайных величин
|
Вычисление
Заметим, что [math]\sigma_{\xi} = \sqrt{D(\xi)} = E\big((\xi-E(\xi))^2\big)[/math]
- [math]Corr(\eta,\xi)={Cov(\eta,\xi) \over \sigma_{\eta} \times \sigma_{\xi}} = {E\big((\eta-E\eta)(\xi-E\xi)\big) \over {\sqrt{D(\eta)} \times \sqrt{D(\xi)}}} ={E(\xi \times \eta) - E(\xi) \times E(\eta) \over {\sigma_{\eta} \times \sigma_{\xi}}}[/math]
Свойства корреляции
| Утверждение: |
Корреляция симметрична:
- [math]Corr(\eta,\xi) = Corr(\xi,\eta)[/math].
|
| [math]\triangleright[/math] |
- [math]Corr(\eta,\xi) = { E(\eta \times \xi) - E(\eta) \times E(\xi) \over \sqrt{D(\eta)} \times \sqrt{D(\xi)} } = { E(\xi \times \eta) - E(\xi) \times E(\eta) \over \sqrt{D(\xi)} \times \sqrt{D(\eta)} } = Corr(\xi,\eta)[/math]
|
| [math]\triangleleft[/math] |
| Утверждение: |
Корреляция лежит на отрезке [math][-1, 1][/math]: |
| [math]\triangleright[/math] |
|
Для доказательства используем свойства ковариации
[math]Cov^2(\eta, \xi) \le \sigma_\eta ^2\sigma_\xi ^2[/math]
из этого выходит [math] {Cov^2(\eta,\xi)\over(\sigma_\eta ^2\sigma_\xi ^2)} \le 1[/math]
при условии, конечно, что знаменатель не обращается в нуль.
[math]Corr^2(\eta,\xi) \le 1[/math]
[math]-1 \le Corr(\eta,\xi) \le 1[/math] |
| [math]\triangleleft[/math] |
| Утверждение: |
Если [math] Corr(\eta, \xi) = \pm 1 [/math], то [math]\eta[/math] и [math]\xi[/math] линейно зависимые |
| [math]\triangleright[/math] |
|
Для доказательствf используем доказательство свойства ковариации.
Так как у нас [math] Corr(\eta, \xi) = \pm 1 [/math]
то это означает, что [math]Cov^2(\eta,\xi) = \sigma_\eta ^2\sigma_\xi ^2[/math]
равенство на этом неравенстве [math]\sigma_\xi ^2t^2+2Cov(\eta,\xi)t+\sigma_\eta ^2 \ge 0[/math] выполняется только при условии, что дискриминант равен нулю т.е. имеет один корень [math] t_0 [/math].
Из этого выходит [math] E((\xi-E\xi +t_0 \eta - t_0 E\eta))=E((V + t_0 W)^2) = 0 [/math]
это может произойти только в одном случае, если [math] \xi-E\xi +t_0 \eta - t_0 E\eta = 0[/math];
Ясно, что [math]\eta[/math] и [math]\xi[/math] линейно зависимы. |
| [math]\triangleleft[/math] |
| Утверждение: |
Если [math]\eta[/math] и [math]\xi[/math] линейно зависимы, то [math]Corr(\eta, \xi)= \pm 1 [/math]. |
| [math]\triangleright[/math] |
|
Предположим [math]\xi = k \eta + b[/math].
Потом, мы имеем [math]E\xi=kE\eta + b[/math]; и так
[math] Cov(\eta, \xi) = E((\eta - E\eta)(\xi - E\xi))=kE((\eta-E\eta)^2)=k\sigma_\eta ^2 [/math].
Кроме того, по свойствам дисперсии,
[math] \sigma_\xi ^2 = D[\xi] = E((\xi-E\xi)^2)= k^2 E((\eta-E\eta)^2)= k^2 \sigma_\eta ^2 [/math]
Из этого следует
[math]Corr(\eta, \xi)= {Cov(\eta, \xi)\over \sigma_\eta \sigma_\xi}={k\over |k|}[/math],
ясно, что это равно на [math]\pm 1[/math], знак зависит от знака [math]k[/math]. |
| [math]\triangleleft[/math] |
| Утверждение: |
Если [math]\eta,\xi[/math] независимые случайные величины, то
- [math]Corr(\eta,\xi) = 0[/math].
|
| [math]\triangleright[/math] |
|
Пусть [math]\eta[/math] и [math]\xi[/math] - независимые величины. Тогда [math]E(\eta \times \xi)=E(\eta) \times E(\xi)[/math], где [math]E[/math] - их математическое ожидание. Получаем:
- [math]{E(\xi) \times E(\eta) - E(\xi) \times E(\eta) \over {E\big((\eta-E(\eta))^2\big) \times E\big((\xi-E(\xi))^2\big)}} = 0[/math]
Но обратное неверно:
Пусть [math]\eta[/math] - случайная величина, распределенная симметрично около 0, а [math]\xi=\eta^2[/math]. [math]Corr(\eta,\xi)=0[/math], но [math]\eta[/math] и [math]\xi[/math] - зависимые величины. |
| [math]\triangleleft[/math] |
Примеры
В общем смысле корреляция - это зависимость между случайными величинами, когда изменение одной влечет изменение распределения другой.
Определение корреляции по диаграмме
3 диаграммы рассеивания двух случайных величин X и Y
1. Соответственно, на первом графике изображена положительная корреляция, когда увеличение Y ведет к постепенному увеличению X.
2. Второй график отображает отрицательную корреляцию, когда увеличение X воздействует на постепенное уменьшение Y.
3. Третий график показывает, что X и Y связаны слабо, их распределение не зависит от изменения друг друга, поэтому корреляция между ними будет равна 0.
Определение корреляции по таблице
Рассмотрим 2 случайные величины: курс акций нефтедобывающей компании (X) и цены на нефть (Y).
| X |
2003,6 |
2013,2 |
2007,6 |
2007,4 |
2039,9 |
2025 |
2007 |
2017 |
2015,6 |
2011
|
| Y |
108,4 |
107,96 |
108,88 |
110,44 |
110,2 |
108,97 |
109,15 |
108,8 |
111,2 |
110,23
|
Для упрощения вычислений определим X и Y как равновероятные случайные величины. Тогда их математическое ожидание и дисперсию легко посчитать:
[math]E(X) = 2014,73[/math]
[math]E(Y) = 109,42[/math]
[math]D(X) = 104,9361[/math]
[math]D(Y) = 0,959661[/math]
Используя формулу, [math]Corr(\eta,\xi)={E(\xi \times \eta) - E(\xi) \times E(\eta) \over {\sigma_{\eta} \times \sigma_{\xi}}}[/math] определяем, что корреляция между величинами X и Y составляет 0,240935496, т.е. 24%.
Ссылки
