Będziemy się posługiwać momentami statystycznymi i wykonywać na nich działania.
Działania na wartościach oczekiwanych Poniżej pokażemy, jakie są właściwości sumy czy różnicy, a nawet iloczynu wartości oczekiwanych oraz jakie są warunki by takowe działania zachodziły w przypadku ostatniego działania.
Suma wartości oczekiwanych Określmy czemu jest równa wartość oczekiwana sumy argumentów x i y. Zmienna x należy do przedziału (a,b), a zmienna y należy do przedziału (c,d). Wartość oczekiwana sumy argumentów x i y, jak w przypadku wartości oczekiwanych dla dwóch argumentów definiujemy tutaj względem funkcji złożonej H(x,y)=x+y, zatem według wzoru na wartość oczekiwaną dwóch zmiennych .
Mając gęstość uzyskania jednocześnie zmiennej x i y, czyli f(x,y) możemy policzyć gęstość prawdopodobieństwa uzyskania zmiennej x, czyli g(x) określamy według wzoru , a gęstość uzyskania zmiennej y, czyli h(y) określamy według wzoru , zatem mając definicję tychże gęstości i podstawiamy je do wzoru :
Po skorzystaniu z definicji wartości oczekiwanych zmiennej x lub y wedle przepisu , ostatecznie otrzymujemy że wartość oczekiwana sumy dwóch zmiennych jest równa sumie wartości oczekiwanych tychże samych argumentów.
Analogicznie jak przy dowodzie schematu wartość oczekiwana różnicy argumentów x i y jest równa różnicy wartości oczekiwanych tychże samych argumentów:
Gdy we wzorze zachodzi y=x, to wtedy otrzymujemy, że wartość oczekiwana z liczby zero jest liczbą zero.
Podstawiając we wzorze za zmienną x liczbę zero i wykorzystując własność , otrzymujemy że wartość oczekiwana jest funkcją nieparzystą.
Iloczyn wartości oczekiwanych Określmy iloczyn wartości oczekiwanych. Załóżmy, że mamy dwa niezależne zdarzenia, wtedy gęstość prawdopodobieństwa uzyskania wyników x i y jest równa iloczynowi gęstości prawdopodobieństwa uzyskania tychże samych wyników.
Niech naszą funkcją złożoną będzie H(x,y)=xy, to zgodnie z oraz ze wzorem na niezależne zdarzenia i jeśli dodatkowo przyjmować będziemy wzory na gęstość uzyskania zmiennej x lub y względem gęstości uzyskania jednocześnie dwóch wyników i , wtedy otrzymujemy wzór na wartość oczekiwaną iloczynu dwóch argumentów, która jak się dowiemy dla zmiennych niezależnych jest równa iloczynowi wartości oczekiwanych dla tychże samych zmiennych:
Wzór wynikający z obliczeń możemy przepisać dla przejrzystości wykładu:
Wariancja, współczynnik korelacji, transformacje liniowe Odchylenie standardowe i wariancja to podstawowe wielkości w statystyce matematycznej, pozwalają określić, jaki błąd popełniliśmy w doświadczeniu, oraz czy wyniki uzyskane w doświadczeniu są zależne od innych wyników (tu mowa o kowariancji).
Kowariancja dwóch zmiennych Kowariancję dwóch zmiennych typu dyskretnego x i y, gdy ich wartościami oczekiwanymi są kolejno i , definiujemy wedle wzoru , gdy prawdopodobieństwo uzyskania tychże wyników jest P(x,y):
Dla zmiennych typu losowego ciągłego wzór na kowariancję, gdy gęstość uzyskania dwóch wyników x i y jest równe h(x,y), piszemy:
Ogólnie, oba te przypadki losowych wartości, dyskretnych bądź ciągłych, można zapisać jako wartość oczekiwana wyrażenia (x-x)(y-y), ale tylko dla dwóch zmiennych:
Można powiedzieć, że kowariancja jest wartością oczekiwaną , gdy funkcją złożoną jest:
Kowariancja dwóch niezależnych wyników w doświadczeniu Zdefiniujmy f(x) jako gęstość prawdopodobieństwa uzyskania wyniku x, a także g(x) jako gęstość prawdopodobieństwa uzyskania wyniku y, wówczas prawdopodobieństwo uzyskania tychże wyników dla dwóch niezależnych zdarzeń określa się wzorem .
Dla zmiennych niezależnych typu ciągłego można udowodnić z definicji jedynkowego momentu statystycznego zmiennej x lub y, czyli względem ich wartości oczekiwanych lub , która jest zawsze równa zero, stąd dochodzimy do wniosku, że ta kowariancja dwóch zdarzeń w tym przypadku jest równa zero, zatem można by powiedzieć, że w takim razie te dwa pomiary są niezależne od siebie.
W ten sposób otrzymujemy, że dla dwóch niezależnych zdarzeń (uzyskania wyników) kowariancja jest równa zero, czyli ostatecznie:
Wariancja kombinacji liniowej dwóch zmiennych Wyznaczmy wariancję sumy kombinacji liczb x i y. Obliczenia przeprowadzimy wykorzystując ze wzorów skróconego mnożenia i z wartości oczekiwanych sumy zdarzeń oraz definicji wariancji i ostatecznie z definicji kowariancji dla dwóch zmiennych :
Wzór wynikający z obliczeń możemy przepisać dla przejrzystości wykładu w formie:
Współczynnik korelacji Definicja współczynnika korelacji wygląda jako iloraz kowariancji zmiennej x i y przez iloczyn odchyleń standardowych pomiarowych tych samych zmiennych:
Obliczenia z użyciem współczynnika korelacji Użyjemy zredukowanych zmiennych, która jest ilorazem odchylenia od wartości oczekiwanej zmiennej x przez odchylenie standardowe tej samej zmiennej
Z własności podstawienia wnioskujemy, że wartość oczekiwana tej samej zmiennej jest taka jak udowodnimy, że jest równa zero, co nie powinno nas dziwić:
Natomiast wariancja wartości zmiennej rozważanej zmiennej u, przy czym wykorzystując tożsamość , jest równa jeden, jak udowodnimy poniżej.
Powyżej skorzystaliśmy, że wariancja z wartości oczekiwanej jest równa zero, również kowariancja, w której jedna ze zmiennej jest wartością oczekiwaną również też jest równa zero. Korzystając z dowodu wariancji , a także z tożsamości i na końcu z definicji współczynnika korelacji , wtedy można napisać, że wariancja sumy zmiennych u i v, którego definicje są według , można jak udowodnić, tą wielkość przedstawić wedle sposobu:
W przypadku wariancji różnicy tychże argumentów, co poprzednio możemy otrzymać wzór bardzo podobny do tożsamości , ale trochę w innej postaci:
Ponieważ dowolna wariancją jest funkcją nieujemną. Z dwóch tożsamości i otrzymujemy własność dla współczynnika korelacji:
Można wykazać, że współczynnika korelacji w zmiennych u i v zdefiniowanych w punkcie jest równa współczynnikowi korelacji, ale w zmiennych x i y, a oto dowód tej tożsamości
Dla zmiennych zależnych według pewnej funkcji y=f(x), ale tym razem określmy, że te zmienne zależą w sposób liniowy wedle:
Zatem na podstawie zależności możemy policzyć współczynnik kowariancji wedle schematu:
Również otrzymujemy, że wariancja zmiennej y, która się zmienia według funkcji liniowej , jest ona określona według wyprowadzenia:
Z obliczeń możemy wyznaczyć odchylenie standardowe zmiennej y, biorąc pierwiastek obu stron wspomnianej tożsamości:
Zatem funkcja korelacji, dla y zależnego liniowo od x, według zależy od odchylenia standardowego zmiennej y oraz z definicji odchylenia standardowego zmiennej x, wtedy dostajemy, że liczona wspomniana wielkość jest:
Dodatkowo mamy ρ(x,y)=0, gdy a=0.
Czyli gdy ρ(x,y)=1, to funkcja liniowa jest rosnąca, tzn. a>0, ale następnie gdy zachodzi ρ(x,y)=-1 ta sama funkcja liniowa jest teraz malejąca, bo wtedy mamy a<0. Natomiast, gdy jeszcze zachodzi dla współczynnika korelacji ρ(x,y)=0, wtedy ta nasza funkcja liniowa jest funkcją stałą, bo a=0.
Transformacje liniowe i ortogonalne Wiemy, że każdą funkcję można przetransformować pewnymi transformacjami liniowymi wokół pewnego punktu, a więc zakładamy, że mamy , która jest wielkością wektorową, którą można przetransformować pewnymi funkcjami liniowymi względem argumentu , według wzoru poniżej:
Można udowodnić z transformacji , że współczynniki t można zapisać jako pochodne cząstkowe zmiennej y względem argumentu x:
Macierzowa postać wzoru na zmienną y względem argumentu x, lub ogólniej przy wektorze względem wektora argumentu , przedstawia się wedle:
Powyższy zapis można przedstawić w bardziej uproszczony sposób macierzowy, przy czym używając macierzy T, którego elementy są zdefiniowane w punkcie :
Aby uzyskać wartość oczekiwaną zmiennej y, korzystamy z wzoru zastępując wszystkie zmienne w wspomnianym wzorze ich wartościami oczekiwanymi, względem wartości oczekiwanej wektora x i "y", ostatecznie otrzymując:
Ogólnie, gdy chcemy policzyć kowariancję zmiennej x i y, tzn. czy oba zdarzenia są zależne od siebie, wtedy należy wykorzystać ze wzoru na macierzową postać kowariancji napisanej wedle tożsamości . Wzory i podstawiamy do wzoru na kowariancję, wtedy dostajemy wyrażenie na kowariancję zmiennej y.
Na podstawie definicji kowariancji zmiennej x, czyli , możemy zapisać jak zależy kowariancja zmiennej y względem kowariancji zmienne x, gdy macierz transformacji w przekształceniu jest T:
Jeśli mamy n zmiennych, które nie zależą od siebie, to wyrazy pozadiagonalne są równe od zero, czyli conv(x,y)=0, ale posiada tylko wyrazy diagonalne, które w ogólności są różne od zera i są równe wariancji poszczególnych zmiennych losowych.
Wiemy, jakie są elementy macierzy transformacji z do według wzoru , którego elementy są policzone według , stąd kowariancja wyniku wykorzystując przy tym przybliżenie wedle wzoru , którą jest funkcja liniowa wokół pewnego punktu względem małego wychylenia od tego elementu, zatem wariacja zmiennej y przy zerowaniu się elementów kowariancji (elementów macierzy kowariancji pozadiagnoalnych), jeżeli mamy zmienne niezależne, jest napisana:
W doświadczeniach fizycznych przyjmuje się zwykle, że pierwiastek wariancji jest to odchylenie wyniku pomiarowego:
Jest to niepewność pomiarowa wyniku pomiaru zmiennej y, obliczonej przez eksperymentatora na podstawie wyników doświadczeń.