Другие журналы
|
научное издание МГТУ им. Н.Э. БауманаНАУКА и ОБРАЗОВАНИЕИздатель ФГБОУ ВПО "МГТУ им. Н.Э. Баумана". Эл № ФС 77 - 48211. ISSN 1994-0408
77-30569/226125 О независимости остаточной суммы квадратов с нецентральным хи-квадрат распределением.
# 10, октябрь 2011
Файл статьи:
Сидняев_P.pdf
(341.64Кб)
УДК 51.519.2 МГТУ им. Н.Э. Баумана 1. Введение Дисперсионный анализ определяется как статистический метод, предназначенный для оценки влияния различных факторов на результат эксперимента, в связи, с чем область применения этого метода становится значительно шире. Несмещенной оценкой для неизвестных параметром является, как известно, сумма квадратов. Основная идея дисперсионного анализа заключается в разбиении этой суммы квадратов отклонений на несколько компонент, каждая из которых соответствует предполагаемой причине изменения средних ([1], гл. 3, п. 3.1.3. с. 92). Рассмотрим разложение остаточной суммы квадратов и докажем независимость слагаемых и . Для доказательства нам понадобятся две теоремы и четыре вспомогательные леммы. Лемма 1.1. Ранг произведения двух матриц и меньше или равен минимального из рангов матриц и , т.е. Доказательство. Так как по правилу умножения матриц столбцы матрицы являются линейной комбинацией столбцов матрицы , то число линейно независимых столбцов в не может превосходить число линейно независимых столбцов в ; следовательно, . Проведя аналогичные рассуждения для строк (строки являются линейной комбинацией строк ), получим, что . Лемма доказана. Следствие закона инерции квадратичных форм (о количестве инвариантов): если является квадратичной формой от переменных и ее ранг равен , т.е. , то существует линейных комбинаций переменных , например, , таких, что и каждое или . Используем теорему Кохрана [1], как простое следствие следующей теоремы. Теорема 1.1. Пусть , где является квадратичной формой ранга от переменных . Тогда необходимым и достаточным условием существования ортогонального преобразования , переводящего вектор в вектор так, чтобы при этом (1.1) является условие . Доказательство. Необходимость. Если такое ортогональное преобразование существует, то . Левая часть является квадратичной формой ранга , а правая часть – квадратичной формой ранга . По лемме 1.2 отсюда следует, что ранги квадратичных форм равны, т.е. . Достаточность. Так как ранг равен , то из следствия закона инерции квадратичных форм отсюда следует, что существует линейных комбинаций переменных , таких, что , где каждое или . Для индексы принимают значения ; для – и т.д. Теперь, если , то существует линейных комбинаций , которые в матричных обозначениях можно записать так: . Вводя диагональную матрицу с диагональными элементами , получаем, что . С другой стороны, . Так как симметричная матрица квадратичной формы единственна, то заключаем, что , следовательно, невырождена. Теперь докажем, что . Действительно, предположим, что . Тогда по формуле мы можем найти значения , соответствующие значениям при и , а для этих значений , что невозможно. Следовательно, и . Последнее равенство показывает, что преобразование ортогонально. Теорема доказана. Замечание. Условие обеспечивает всем квадратичным формам положительную определенность, так как при ортогональном преобразовании получается, что все их характеристические числа равны 0 или 1. Теорема 1.2 [1]. Пусть случайные величины независимы и имеют нормальные распределения соответственно. Пусть далее , где – квадратичная форма от переменных ранга . Тогда будут иметь независимые нецентральные -распределения с степенями свободы соответственно тогда и только тогда, когда . Если через обозначен параметр нецентральности , то значение может быть получено заменой на в , т.е. если , то , где ; . Доказательство. Необходимость. Если являются независимыми случайными величинами, имеющими -распределения с степенями свободы соответственно, то из определения нецентрального -распределения следует, что имеет нецентральное -распределение с степенями свободы. Но так как имеет нецентральное -распределение с степенями свободы, а , то, следовательно, . Достаточность. Пусть . Тогда при ортогональном преобразовании теоремы 1.1, случайные величины снова будут независимыми и нормально распределенными. Из соотношений (1.1) и определения нецентрального -распределения следует, что имеют независимые нецентральные -распределения с степенями свободы соответственно. Теорема доказана.
2. Вспомогательные теоремы и леммы Предположим, что пространство значений случайных величин разбито на конечное число r частей без общих точек, и пусть - соответствующие вероятности , . Будем предполагать, что все . Обозначим через число наблюденных значений случайных величин – X принадлежащих множеству . Рассмотрим вектор (). В качестве меры расхождения между эмпирическим и теоретическим распределением рассмотрим выражение , где коэффиценты могут быть выбраны более или менее произвольно. Пирсон показал ([2] гл.10.6, с.261, [3] , что если , то полученная мера (2.1) обладает чрезвычайно простыми свойствами. Теорема 2.1. При распределение стремится к распределению с r – 1 степенями свободы. На основании этой теоремы по заданному уровню значимости a находят по таблицам число из условия (2.2) Гипотеза отвергается, если вычисленная по выборке величина . При доказательстве теоремы нам потребуется следующая лемма. Лемма 2.1. Пусть - целые неотрицательные числа, причем . Число способов, посредством которых n элементов могут разделены на r групп, из которых первая содержит элементов, вторая элементов, …, элементов равно . Доказательство. Первую группу из элементов можно выбрать способами. После того, как образована первая группа, остается n - элементов. Поэтому вторую группу из элементов можно выбрать способами и.т.д. После образования r – 1 группы остается элементов, которые и образуют последнюю группу. Таким образом, число всех возможных способов, посредством которых n элементов могут быть распределены на r групп, из которых первая содержит элементов, … , содержит элементов, равно . Используя формулу , получим утверждение леммы. Доказательство. Результат любого испытания с вероятностью будет принадлежать множеству . Поэтому, на основании леммы 2.1, вероятность того, что в процессе n независимых испытаний значений будет принадлежать множеству , … , значений будет принадлежать множеству , равно (2.3) Это выражение, как легко видеть, является общим членом разложения . Совместное распределение случайного вектора задается (2.3) и является полиноминальным распределением. Найдем характеристическую функцию с полиноминальным распределением. Имеем Введем новые величины , . Тогда, очевидно, , . Найдем характеристическую функцию случайного вектора . Имеем (2.4) Далее, для любых фиксированных получим (2.5) Из разложений , , и из (2.6) следует (2.6) Таким образом, из (2.6) получаем (2.7) Квадратичная форма имеет матрицу , где Iобозначает единичную матрицу, а P – вектор – столбец, заменяя новыми переменными с помощью ортогонального преобразования, при котором , получим . Итак, квадратичная форма неотрицательная и имеет ранг r – 1 , т.е. при совместная характеристическая функция величин стремится к выражению , являющемуся характеристической функцией некоторого несобственного нормального распределения ранга r – 1 , в котором вся масса сосредоточена на гиперплоскости . Из теоремы непрерывности следует, что в пределе величины имеют несобственное нормальное распределение с нулевыми, средними и матрицей вторых моментов . Отсюда получаем, что в пределе величина имеет распределение степенями свободы, ч.т.д.
3. Нецентральное хи-квадрат распределение Рассмотрим случай, когда у1, у2,…, уn — независимые случайные величины, имеющие нормальное распределение со средним (i=1, 2,…,n) и дисперсией 1, т. е. ~N () (i=1, 2,…,n). Тогда распределение случайной величины называется нецентральным -распределением [1-3]. Величина представляет собой радиус гиперсферы в n-мерном пространстве [1,4]. Распределение случайной величины u зависит только от параметров nи . Поэтому его также называют нецентральным -распределением с n степенями свободы и параметром нецентральности [2,5,6]. В этом случае, следуя [4], случайную величину u будем обозначать . Если , т. е. (i=1, 2,…,n), то распределение случайной величины u называют центральным -распределением или просто -распределением с n степенями свободы и случайную величину u будем обозначать . Пусть . Величину называют порогом или - процентной точкой - распределения с n степенями свободы. Ее значения для различных и n[5,6]. Математическое ожидание и дисперсия случайной величины равны . Если и — независимые случайные величины, то из определения нецентрального -распределения сразу следует, что их сумма имеет нецентральное - распределение с n=n1+n2 степенями свободы и параметров не центральности .
4. Результаты Для доказательства независимости слагаемых и приведем следующие вспомогательные утверждения. Лемма 4.1. Ранг суммы квадратичных форм не превосходит суммы их рангов. Доказательство. Достаточно показать, что если и являются матрицами одного порядка и ранг равен , то . Для векторного пространства, порожденного столбцами , выберем базис из векторов. Тогда так как столбцы равны суммам соответствующих столбцов и , то они являются линейными комбинациями векторов двух базисов; следовательно, число линейно независимых столбцов в не может превосходить . Следовательно, . Лемма доказана. Следствие. Если , где ранг меньше или равен , , и если , то , . Доказательство. Оно следует непосредственно из леммы 4.1. С одной стороны , а с другой стороны Следовательно, При условии , , выполнение последнего равенства возможно только тогда, когда , , что и доказывает следствие. Лемма 4.2. Если является квадратичной формой от переменных и может быть выражена как квадратичная форма от переменных , являющихся линейными комбинациями , то . Доказательство. Пусть и , где и симметричны. Тогда из равенства следует, что , а по лемме 1.1 получаем: . Так как – матрица размера , то . Лемма доказана. Используя приведенные выше утверждения, приступим к доказательству независимости и . Так как , то , (4.1) где ; . Определим ранги квадратичных форм , и . Так как , то [1,2,6]. Перейдем к анализу квадратичной формы . Введем переменные , ; . Очевидно, что . Так как , то , поэтому . Таким образом, . Как видно из этого выражения, является квадратичной формой от переменных , ; , где . Поскольку переменные являются линейными комбинациями , то, применяя лемму 4.2, получаем . Следуя аналогичной схеме рассуждений для , применяя лемму 4, находим . Действительно, квадратичная форма от переменных после некоторых преобразований может быть записана в виде , где – -мерный вектор, а . Но и без этого на основании следствия леммы 4.1, так как , получаем ; ; . В силу того, что случайные величины , , , независимы и имеют нормальное распределение , где , то переход от равенства (4.1) к равенству позволяет применить теорему Кохрана. По этой теореме случайные величины , и независимы и имеют нецентральные -распределения соответственно с , и степенями свободы. Таким образом, независимость и доказана. Замечание. Применяя теорему Кохрана для вычисления параметра нецентральности квадратичной формы , легко убедиться, что независимо от того, истинна гипотеза или нет, , т.е. величина имеет центральное -распределение: .
Список литературы 1.Асатурян В.И. Теория планирования эксперимента. М.: Радио и связь, 1883. 248 с. 2.Сидняев Н.И. Теория вероятностей и математическая статистика. М.: Юрайт, 2011. –170-190 с. 3. Тескин О.И. Статистическая обработка и планирование эксперимента . М.: МВТУ, 1982. 75 с. 4. Математическое моделирование интенсивности теплопередачи методами теории планирования эксперимента/ Сидняев Н.И. и др.//Инженерно-физичекий журнал. -2002. -Т.75, ╧2 -С.132-138. 5.Сидняев Н.И. Теория планирования эксперимента и анализ статистических данных. М.: Юрайт, 2011. –95-220 с. Публикации с ключевыми словами: дисперсионный анализ, нецентральное хи-квадрат распределение, адекватные модели, квадратичные суммы Публикации со словами: дисперсионный анализ, нецентральное хи-квадрат распределение, адекватные модели, квадратичные суммы Смотри также: Тематические рубрики: Поделиться:
|
|
||||||||||||||||||||||||||||||||
|