- •Доверительный интервал для оценки ско σ нормального распределения. Распределение хи-квадрат.
- •Точечная и интервальная оценка вероятности биномиального распределения с заданной надежностью γ по относительной частоте.
- •Метод моментов для точечной оценки параметров распределения.
- •Метод наибольшего правдоподобия для дискретных и непрерывных случайных величин. Распределение Пуассона. Биномиальное распределение. Показательный закон. Нормальный закон.
- •Числовые характеристики вариационного ряда. Характеристики положения и характеристики рассеивания. Мода, Медиана. Размах варьирования. Коэффициент вариации. Асимметрия. Эксцесс.
- •14. Статистические моменты. Обычные, начальные и центральные эмрирические моменты. Условные эмпирические моменты. Нахождение центральных моментов по условным.
- •15. Метод произведений для вычисления выборочных средней и дисперсии. Сведение первоначальных вариант к равноотстоящим.
- •16. Эмпирические и выравнивающие частоты для дискретных и непрерывных распределений. Примеры.
- •17. Построение нормальной кривой по опытным данным. Оценка отклонения эмпирического распределения от нормального. Асимметрия. Эксцесс.
- •18. Построение статистической функцией распределения. Гистограмма.Назовите числовые характеристики статистического распределения. Дайте определение этих характеристик.
- •Точечная оценка параметра. Свойство точечной оценки. Состоятельная, несмещенная, эффективная оценка. Исправленная дисперсия.
- •Доверительный интервал и доверительная вероятность (надежность). Построение доверительного интервала для математического ожидания случайной величины, распределенной по нормальному закону.
- •§14. Точность оценки, доверительная вероятность (надежность). Доверительный интервал
- •§ 15. Доверительные интервалы для оценки математического ожидания нормального распределения при известном σ
- •Понятие функциональной, статистической и корреляционной зависимости.
- •§ 2. Условные средние
- •§ 3. Выборочные уравнения регрессии
- •Сущность метода наибольшего правдоподобия для нахождения оценок параметров распределений.
- •Сущность метода наименьших квадратов при обработке результатов наблюдений.
- •Формулировка задачи статистической проверки гипотез. Приведите примеры задач на проверку гипотез. Вероятностные данные для применения метода минимума риска к решению задачи проверки гипотез.
- •3.1. Классический метод проверки гипотез
- •Сущность метода минимума риска при решении задачи проверки гипотез. Сформулируйте оптимальное решающее правило. Ошибки первого и второго рода. Сущность метода
- •§ 2. Ошибки первого и второго рода
- •28. Сравнение двух дисперсий нормальных генеральных совокупностей. Распределение Фишера-Снедекора.
- •29. Сравнение исправленной выборочной дисперсии с гипотетической генеральной дисперсей нормальной совокупности. Критерий Стьюдента.
- •Сравнение двух средних нормальных генеральных совокупностей, дисперсии которых известны. Выборки независимы. Функция Лапласа.
- •Сравнение двух вероятностей биномиальных распределений.
- •34. Сравнение нескольких дисперсий нормальных генеральных совокупностей по выборкам одинакового объема. Критерий Кочрена.
- •35. Определение параметров выборочного уравнения прямой линии среднеквадратичной регрессии по несгрупированным и сгруппированным данным.
- •36. Выборочный коэффициент корреляции. Методика вычисления выборочного коэффициента корреляции. Выборочное корреляционное отношение и его свойство. Мера корреляционной связи.
- •42. Корреляционный анализ. Коррелированность и зависимость случайных величин. Численные характеристики системы двух случайных величин: корреляционный момент и коэффициент корреляции.
- •43. Регрессионный анализ. Линейная регрессия. Прямые линии среднеквадратической зависимости. Коэффициенты регрессии y на X и X на y.
- •[Править]Парная и множественная регрессия
- •Случайные числа. Генератор псевдослучайных чисел. Метод Монте-Карло. Применение метода Монте-Карло для вычисления определенного интеграла.
- •Случайные процессы. Процесс Пуассона и его свойства: стационарность, отсутствие последействия и ординарность.
- •48. Цепь Маркова. Переходная вероятность. Однородная цепь Маркова.Матрица перехода. Равенство Маркова.
- •Определение
- •[Править]Переходная матрица и однородные цепи
- •[Править]Конечномерные распределения и матрица перехода за n шагов
28. Сравнение двух дисперсий нормальных генеральных совокупностей. Распределение Фишера-Снедекора.
По независимым выборкам, объемы которых n1, n2, извлеченным из нормальных генеральных совокупностей, найдены исправленные выборочные дисперсии s2х и s2у. Требуется сравнить эти дисперсии.
Правило 1. Для того чтобы при заданном уровне значимости α проверить нулевую гипотезу H0: D(X)=D(Y) о равенстве генеральных дисперсий нормальных совокупностей при конкурирующей гипотезе H1:D(X)>D(Y), надо вычислить наблюдаемое значение критерия(отношение большей исправленной дисперсии к меньшей) Fнабл=S2б/S2м и по таблице критических точек распределения Фишера—Снедекора, по заданному уровню значимости α и числам степеней свободы k1=n1—1, k2 = n2—1 найти критическую точку Fкр(α; k1; k2). Если Fнабл <Fкр— нет оснований отвергнуть нулевую гипотезу. Если Fнабл >Fкр—нулевую гипотезу отвергают.
Правило 2. При конкурирующей гипотезе H1:D(X)≠D(Y) критическую точку Fкр (а/2; k1; k2) ищут по уровню значимости а/2(вдвое меньшему заданного) и числам степеней свободы k1 и k2.
Распределение Фишера-Снедекора
fk,m=(Х2k/k)/(X2m/m) k, m – число степеней свободы
29. Сравнение исправленной выборочной дисперсии с гипотетической генеральной дисперсей нормальной совокупности. Критерий Стьюдента.
Обозначим через n объем выборки, по которой найдена исправленная дисперсия s2.
Правило 1. Для того чтобы при заданном уровне значимости α проверить нулевую гипотезу Н0:Ϭ2=Ϭ02 о равенстве неизвестной генеральной дисперсии Ϭ2 гипотетическому (предполагаемому) значению Ϭ02 при конкурирующей гипотезе H1: Ϭ2> Ϭ02, надо вычислить наблюдаемое значение критерия
Χ2набл=((n-1)*s2)/ Ϭ02 и по таблице критических точек распределения Χ2 по заданному уровню значимости α и числу степеней свободы k = n—1 найти критическую точку Хкр(α; k). Если Хнабл<Хкр—нет оснований
отвергнуть нулевую гипотезу. Если Хнабл > Хкр—нулевую гипотезу отвергают.
Правило 2. При конкурирующей гипотезе H1: Ϭ2≠Ϭ02 находят левую Х2лев. кр(1—α/2; k) и правую Х2прав.кр(а/2;k) критические точки. Если Х2лев. кр<Х2набл<Х2прав. кр —нет оснований отвергнуть нулевую гипотезу. Если Х2набл<Х2лев, кр или Х2набл>Х2прав. кр —нулевую гипотезу отвергают.
Правило 3. При конкурирующей гипотезе H1: Ϭ2<Ϭ02 находят критическую точку Х2кр(1—α; k). Если Х2набл>Х2кр(1—α; k)—нет оснований отвергнуть нулевую гипотезу. Если Х2набл < Х2кр(1—α; k)— нулевую гипотезу отвергают.
З а м е ч а н и е . Если число степеней свободы k > 30, то критическую
точку Х2кр(α; k) можно найти из равенства Уилсона—Гильферти:
где zα находят, используя функцию Лапласа (приложение 2), из равенства Ф(zα)=(1-2α)/2 .
t-критерий Стьюдента — общее название для класса методов статистической проверки гипотез (статистических критериев), основанных на распределении Стьюдента. Наиболее частые случаи применения t-критерия связаны с проверкой равенства средних значений в двух выборках.
Сравнение двух средних нормальных генеральных совокупностей, дисперсии которых известны. Выборки независимы. Функция Лапласа.
30.1
Обозначим через пит объемы больших (п > 30, m > 30) независимых выборок, по которым найдены соответствующие выборочные средние x и у. Генеральные дисперсии D (X) и D (У) известны.
Правило 1. Для того чтобы при заданном уровне значимости а (альфа)проверить нулевую гипотезу Но: М(Х) = М(У) о равенстве математических ожиданий (генеральных средних) двух нормальных генеральных совокупностей с известными дисперсиями (в случае больших выборок) при конкурирующей гипотезе Н1: М (X) =\ М (У), надо вычислить наблюдаемое значение критерия Zнабл. :
и по таблице функции Лапласа найти критическую точку Zкр. из равенства
Ф(Zкр) = ( 1 - а ) / 2 . (a-альфа)
Если I Zнабл I < Zкр. — нет оснований отвергнуть нулевую гипотезу.
Если |ZHa6лl > Zкр—нулевую гипотезу отвергают.
Правило 2. При конкурирующей гипотезе H1: М (X) > М (Y) находят критическую точку Zkр. по таблице функции Лапласа из равенства
Ф(Zкр) = ( 1 - 2 а ) / 2 . (а-альфа)
Если Zнабл < Zкр — нет оснований отвергнуть нулевую гипотезу.
Если Zнабл > Zкр — нулевую гипотезу отвергают.
Правило 3. При конкурирующей гипотезе H1: М (X) < М (У) находят вспомогательную точкуъ Zкр. по правилу 2.
Если Zнабл > - Zкр — нет оснований отвергать нулевую гипотезу .
Если Zнабл < Zкр —нулевую гипотезу отвергают.
Функция Лапласа.
Локальная теорема Лапласа
Вероятность того, что в п независимых испытаниях, в каждом из которых вероятность появления события равна р(0 < р < 1), событие наступит ровно k раз (безразлично, в какой последовательности),приближенно равна (тем точнее, чем больше п) :
Таблица функции q>(x) для положительных значений х приведена в приложении 1; для отрицательных значений х пользуются этой же таблицей [функция ф>(х) четная, следовательно, ф(— х) =ф(х).
Интегральная теорема Лапласа .
Вероятность того, что в n независимых испытаниях, в каждом из которых вероятность появления события равна р (0 < р < 1), событие наступит не менее k1 раз и не более k2 раз, приближенно равна
P(k1;k2)=Φ(x'') - Φ(x')
Здесь
-функция Лапласа.
Таблица функции Лапласа для положительных значений х(0< х < 5 ) приведена в приложении 2; для значений х> 5 полагают Ф(х)а=0,5. Для отрицательных значений х используют эту же таблицу учитывая, что функция Лапласа нечетная [Ф(—х) = —Ф(х) ]
30.3.
Выборка или выборочная совокупность — множество случаев (испытуемых, объектов, событий, образцов), с помощью определённой процедуры выбранных из генеральной совокупности для участия в исследовании.
При сравнении двух (и более) выборок важным параметром является их зависимость. Если можно установить гомоморфную пару (то есть, когда одному случаю из выборки X соответствует один и только один случай из выборки Y и наоборот) для каждого случая в двух выборках (и это основание взаимосвязи является важным для измеряемого на выборках признака), такие выборки называются зависимыми. Примеры зависимых выборок:
пары близнецов,
два измерения какого-либо признака до и после экспериментального воздействия,
мужья и жёны
и т. п.
В случае, если такая взаимосвязь между выборками отсутствует, то эти выборки считаются независимыми, например:
мужчины и женщины,
психологи и математики.
Соответственно, зависимые выборки всегда имеют одинаковый объём, а объём независимых может отличаться.
31. Сравнение выборочной средней с гипотетической генеральной средней нормальной совокупности, дисперсии генеральной совокупности известна. Определение минимального объема выборки при сравнении выборочной и гипотетической генеральной средних.
Правило 1. Для того чтобы при заданном уровне значимости а(альфа) проверить нулевую гипотезу Hо: А= Ао ,о равенстве генеральной средней а нормальной совокупности с известной дисперсией (сигма в квадрате) гипотетическому (предполагаемому) значению Ао при конкурирующей гипотезе Н1=: А =\ Ао, надо вычислить наблюдаемое значение критерия:
и по таблице функции Лапласа найти критическую точку Uкр. двусторонней критической области из равенства
Ф(Uкр) = ( 1 - а ) / 2.
Если I Uнабл I < Uкр — нет оснований отвергнуть нулевую гипотезу. Если I Uнабл I > Uкр — нулевую гипотезу отвергают.
Правило 2. при конкурирующей гипотезе Н1: А >Ао критическую точку правосторонней критической области находят из равенства :Ф(Uкр) = ( 1 - 2 а ) / 2.
Если Uнабл < Uкр — нет оснований отвергнуть нулевую гипотезу. Если Uнабл > Uкр—нулевую гипотезу отвергают.
Правило 3. При конкурирующей гипотезе H1 :А < Ао сначала находят вспомогательную критическую точку Uкр. пo правилу 2, а затем полагают границу левосторонней критической области :Uкр = — Uкр
Если Uнабл > — Uк.р — нет оснований отвергнуть нулевую гипотезу. Если Uнабл <—Uкр—нулевую гипотезу отвергают.