- •1.Случайные события. Действия над событиями.
- •2.Классическое определение вероятности и ее свойства.
- •3.Аксиоматическое определение вероятности.
- •4. Формулы комбинаторики. Гипергеометрическое распределение.
- •5. Условная вероятность. Независимость событий.
- •6. Формула полной вероятности. Формула Байеса.
- •7. Схема независимых испытаний Бернулли.
- •8. Предельные теоремы в схеме Бернулли.
- •9. Функция распределения вероятностей и её свойства.
- •10. Плотность распределения вероятностей и её свойства.
- •11. Математическое ожидание и его свойства.
- •12. Дисперсия и ее свойства.
- •13. Коэффициент корреляции и ковариация.
- •14. Моменты
- •15. Основные дискретные распределения случайных величин.
- •16. Равномерное и показательное распределение.
- •17. Нормальное распределение.
- •18. Двумерная функция распределения и ее свойства.
- •19. Двумерная плотность вероятности и ее свойства.
- •20. Независимость случайных величин
- •21. Условный закон распределения.
- •22. Неравенство Чебышева. Сходимость случайных последовательностей.
- •23.Теорема Чебышева. Теорема Бернулли.
- •24. Центральная предельная теорема.
- •25. Выборочный метод.
- •26. Эмпирическая функция распределения.
- •27. Гистограмма и полигон.
- •28. Числовые характеристики выборки.
- •29. Точечное оценивание.
- •33. Распределение , Стьюдента и Фишера.
- •1. Распределение (хи-квадрат).
- •Распределение Фишера.
- •34 Проверка статистических гипотез.
- •36. Критерий согласия Пирсона.
- •38. Сравнение дисперсий двух нормальных выборок.
- •39.Сравнение средних двух нормальных выборок.
- •40. Дисперсионный анализ.
- •41. Парная регрессия.
- •42. Парный коэффициент корреляции, его свойства.
- •43. Проверка гипотез о достоверности коэффициента корреляции.
- •44. Нелинейная парная регрессия
44. Нелинейная парная регрессия
В случае линейной зависимости применение метода наименьших квадратов (МНК) приводит к решению линейной алгебраической системы относительно и , она имеет единственное решение. Кроме этого, оценки коэффициентов и являются несмещенными, самостоятельными и эффективными.
В случае нелинейной зависимости применение МНК приводит к решению нелинейной системы, которая в общем случае не имеет решения в известных аналитических функциях, тогда применяются приближенные методы для вычисления оцениваемых коэффициентов.
1. Пусть . Обозначим ,тогда получим множественную линейную модель .
2. Обратнопропорциональная зависимость . , .
3. Степенная модель
, , , , , . .
4. Показательная , , , , ,
Типичные задачи с нелинейной зависимостью:
1.Полиномеальные. Реально строятся полиномы (многочлены) для 2 и 3 степени, для больших степеней модели невозможно использовать для прогноза, т.к. .
2. Обратнопропорциональные.
Типичные задачи: взаимосвязь между ростом з/п и темпами инфляции, з/п-й раб-в физ-го труда и возрастом.
критерий Манна — Уитни—Пусть F(x)- функция распределения X и G(y ) - функция распределения Y . Проверим нулевую гипотезу о равенстве этих функций распределения при конкурирующей гипотезе, что
они не равны между собой:
H 0 : F (x) G(y ) , H 1 :F (x) ≠G(y ) . (1)
Предположим далее, что выборки X и Y независимы и имеют объем n и m .
Ну и если нулевая гипотеза принимается, то говорят, что нет отклика на воздействие. Если принимается альтернативная гипотеза, то говорят, что есть отклик на воздействие.
Для проверки нулевой гипотезы в таких случаях часто используются ранговые критерии. Рассмотрим один из них – критерий Манна-Уитни.
Ранговые критерии не используют исходные количественные данные, они
Основываются на понятии «больше-меньше». Вместо исходных данных берутся их ранги – номера наблюдений в вариационном ряду, полученном
После упорядочения объединенной выборки объемом N n +m . Номер,
Который получит наблюдение xi в упорядоченной выборке, называется
Его рангом и обозначается Ri,n , номер, который получит наблюдение y j -R j ,m
Далее вычисляется сумма рангов первой и второй выборки:
S1= ∑ R i n , иS2 = ∑ R j m , .
Для построения критерия Манна-Уитни используется меньшее
Значение суммы рангов:
S min{S ,S }.
Статистика Манна-Уитни имеет вид:
При справедливости нулевой гипотезы математические ожидания и дисперсии случайных величин будут иметь вид:
1 1
При
распределение U
сходится к нормальному со средним и дисперсией, определенных из
соотношений
Эта сходимость настолько быстрая, что уже при n,m >8 может
Применяться нормальная аппроксимация:
Известно, что при уровне значимости α 0,05 критическое значение
Нормального распределения zкр. ≈2 . Тогда, если модуль наблюдаемого
Значения критерия, вычисленного по формуле , превышает 2, можем сделать вывод о том, что функции распределения F (x) и G(y ) различаются
достоверно (естьоткликнавоздействие).
Замечание. Если среди исходных данных xij есть совпадения, то при
Переходе к рангам им присваивается средний ранг.