- •22. Дисперсионный анализ.
- •24. Методы расчета сводных характеристик выборки. Условные варианты. Обычные, начальные и центральные эмпирические моменты.
- •23. Условные эмпирические моменты. Отыскание центральных моментов по условным. Метод произведения.
- •21. Метод наименьших квадратов.
- •6. Распределение хи-квадрат, Стьюдента, Фишера
- •7. Интервальные оценки неизвестных параметров(дляMx)
- •8. Интервальные оценки неизвестных параметров(для dx)
- •9.Проверка статистических гипотез.
- •10. Гипотезы сравнения о равенстве мх при неизвестной дисперсии
- •16.Критерий Колмогорова.
- •17.Условные математические ожидания и их свойства.
- •18.Оснавная теорема регрессионного анализа.
- •19.Уравнения линейной регрессии.
- •20.Выборочные уравнения линейной регрессии.
- •15. Критерии ω² Мизиса-Смирнова.
- •1. Задачи математической статистики. Генеральная совокупность. Выборка.
- •3. Точечные оценки неизвестных параметров. Несмещенные, состоятельные, эмпирические оценки.
- •4. Методы получения оценок. Метод моментов.
- •5. Методы получения оценок. Метод максимального правдоподобия.
17.Условные математические ожидания и их свойства.
Пусть случайный вектор (X,Y) задан рядом распределения. Обозначим через
|
y1 y2 … |
|
x1 x2 . . . |
p11 p12 … p21 p22 … . . . . . . |
p1. p2. . . . |
|
p.1 p.2 |
1 |
О. Условным математическим ожиданием случайной величины Y при условии, что случайная величина X приняла значение xi называется число Все пространство элементарных исходов можно разбить на следующие части:
Введем случайную величину: , если . Эта случайная величина дискретная с рядом распределения:
M(Y|X) |
M(Y|X=x1) |
M(Y|X=x2) |
… |
p |
p1. |
p2. |
… |
О. Случайная величина M(Y|X) называется условным математическим ожиданием Y при условии X.
Свойства условного математического ожидания:
1. M(C|X)=C. , отсюда
2. M(Y1+Y2|X)=M(Y1|X)+M(Y2|X).
Справедлива формула полного математического ожидания:
18.Оснавная теорема регрессионного анализа.
Теорема (Основная теорема регрессионного анализа).
Наилучшим прогнозом случайной величины Y по случайной величине X в среднем квадратическом смысле является условное математическое ожидание Другими словами, если h(x) – любой прогноз Y по X, то математическое ожидание
19.Уравнения линейной регрессии.
О. Уравнение Y=f(X), где f(X)=M[Y|X] называется уравнением регрессии Y на X (прогноза Y по X).
Если обозначить через g(Y)=M(X|Y), то
О. Уравнение X=g(Y), где g(Y)=M(X|Y) называется уравнением регрессии X на Y (гипотеза Y по X)
О. Регрессия Y на X называется линейной, если f(X)=M(Y|X)=a0+a1X.(1) О. Регрессия X на Y называется линейной, если g(Y)=M(X|Y)=b0+b1Y.
Обозначим через MX=a, MY=b, , и через r коэффициент корреляции
Применим математическое ожидание к обеим частям уравнения (1) Вычтем из (1)-(2’)
Применим операцию МО еще раз
Из этого находим постоянную . Подставим в (3) . Искомое уравнение регрессии имеет вид: - уравнение линейной регрессии Y на X. Аналогично - уравнение линейной регрессии X на Y.
20.Выборочные уравнения линейной регрессии.
На практике, как правило, иметься только выборка. Например, ( ),…,( ). Эмпирический коэффициент корреляции r является мерой тесноты линейной связи между двумя случайными величинами. С геометрической точки зрения это означает, что чем теснее располагаются точки на диаграмме рассеивания вокруг линии регрессии, тем выше абсолютная величина регрессии и наоборот. На рисунке 1-4 изображены несколько диаграмм рассеивания.
Диаграмма на рис.1 указывает на отрицательную функциональную связь (r=-1), на рис.2- на относительно высокую степень положительной корреляции (r≈0,8), на рис.3- умеренную степень отрицательной корреляции (r≈ -0,5), на рис.4 – отсутствие корреляции (r=0). По диаграмме рис.4 видно, что если коэффициент корреляции равен 0 , то независимо от того, чему равна величина переменной X , оцениваемая величина зависимой переменной всегда равна .
Сначала , для построения диаграммы рассеивания строят корреляционное поле, т.е. наносят на плоскость все точки.
Если видят , что точки имеют тенденцию к линейной зависимости , начинают строить линейную регрессию.
11. Гипотезы сравнения о равенстве МХ при известной дисперсии.
Предположим, что известны. H0: a1=a2. В качестве оценок возьмем . Критическая область . , т.к. -несмещенная оценка a1
. Т.о , аналогично . . Таким образом: В качестве статистики критерия берем случайную величину (по лемме о
12. Гипотезы сравнения о равенстве DX.
По лемме Фишера: В качестве статистики нашего критерия возьмем
-заданный уровень значимости.
13. Критерии проверки гипотезы о равенстве нулю коэффициента корреляции.
Предположим, что имеется 2-мерная выборка (x1,y1),(x2,y2),…,(xn,yn) наблюдений случайного вектора (X,Y).
В качестве оценки дисперсии возьмем: ср. кв. откл. , . MX заменяем оценкой
Выборочный коэффициент корреляции: При больших n можно показать, что Проверим
14. Критерии согласия χ² – Пирсона.
В критерии X2- Пирсона в качестве меры отклонения теоретической функции распределения F(x) от эмпирической функции распределения Fn(x) выбирается величина
Обозначим через , - число выборочных значений, попавших в интервал ,
Теорема (Пирсона).
Пусть , тогда , где случайная величина имеет распределение X2 с (k-1) степенью свободы. , тогда - мало X2 – небольшое число. Если предположим, что H0 – верна, то