- •Теорія ймовірностей та математична статистика.
- •Тема 1. Предмет, методи, основні задачі та поняття теорії ймовірностей.
- •Тема 7. Закони великих чисел та центральна гранична теорема
- •Тема 8. Основні поняття математичної статистики: вибіркові спостереження та вибіркові оцінки
- •Тема 9. Методи параметричного та непараметричного оцінювання параметрів
- •Тема10. Методи перевірки статистичних гіпотез
- •§1. Випадкові події. Класифікація подій
- •§2. Операції над подіями
- •§4. Ймовірність події
- •§3. Частота події і її властивості
- •§5. Аксіоматична побудова теорії ймовірності
- •§1. Операції над ймовірностями
- •Ймовірність об’єднання несумісних подій
- •2. Ймовірність перетину подій
- •Ймовірність об’єднання сумісних подій
- •§2. Формула повної ймовірності. Формула Байеса
- •§1. Схема Бернуллі
- •§2. Наймовірніше число успіхів у схемі Бернуллі
- •§3. Граничні теореми теорії ймовірності
- •1. Локальна теорема Муавра-Лапласа
- •2. Інтегральна ознака Муавра-Лапласа
- •3. Гранична теорема Пуассона
- •§1. Випадкові величини та їх розподіл
- •1. Дискретна випадкова величина та її закон розподілу ймовірностей
- •Неперервна випадкова величина та її закони розподілу
- •3. Диференціальна функція розподілу
- •§2. Числові характеристики випадкових величин
- •Дисперсія і середнє квадратичне відхилення.
- •§1. Закони розподілу дискретних випадкових величин
- •§2. Закони розподілу неперервної випадкової величини
- •§3. Закони розподілу, зв’язані з нормальним
- •Лекція 6. Закон великих чисел
- •§1. Нерівність Чебишева
- •§2. Теорема Чебишева
- •§3. Теорема Бернуллі
- •§4. Центральна гранична теорема Ляпунова
- •§1. Статистичний розподіл вибірки та його геометричне зображення
- •§2. Числові характеристики вибірки
- •Лекція 8. Статистичні оцінки параметрів генеральної сукупності
- •§1. Точкові статистичні оцінки параметрів
- •Розглянемо наступну загальну задачу. Маємо випадкову величину х, закон розподілу якої має невідомий параметр а. Потрібно на основі даних вибірки знайти добру оцінку параметру а.
- •§2. Інтервальні статистичні оцінки параметрів
- •Довірчі інтервали для оцінки математичного
- •Довірчі інтервали для математичного сподівання
- •§3. Довірчий інтервал для оцінки середнього квадратичного відхилення
- •Гіпотез
- •§ 2. Критична область. Загальна методика побудови критичних областей
- •§ 3. Перевірка правдивості статистичних гіпотез про рівність двох генеральних середніх.
- •§4. Перевірка гіпотези про нормальний закон розподілу генеральної сукупності. Критерій узгодженості Пірсона
- •§5. Порівняння двох середніх генеральних сукупностей,
- •§1. Рівняння парної регресії
- •§2. Вибірковий коефіцієнт кореляції та його властивості,
- •§1. Багатофакторна регресія
- •§2. Нелінійна регресія
- •Контрольна робота
- •Контрольна робота
§1. Рівняння парної регресії
В ролі оцінки умовних математичних сподівань беруть умовні середні, які знаходять за даними вибірки.
Умовною
середньою
називають середнє арифметичне із значень
Y,
що відповідають одному і тому ж значенню
Х=х.
Приклад 1. Нехай Х – статистична величина, що характеризує вагу людини в кг, а Y – відповідно зріст в см, і двовимірний статистичний розподіл задається таблицею:
Y |
x |
|||
70 |
75 |
80 |
n |
|
170 |
15 |
10 |
5 |
30 |
175 |
- |
10 |
- |
10 |
180 |
- |
5 |
5 |
10 |
n |
15 |
25 |
10 |
50 |
Наприклад, вазі 75 кг відповідає середній зріст:
см.
Аналогічно
вводиться умовна середня
.
Використовуючи поняття умовної середньої, введемо таке означення кореляційної залежності.
Кореляційною
називається залежність умовної середньої
від аргументів і записується в такому
вигляді:
, якщо n
змінних:
.
Дані
рівняння називають вибірковими рівняннями
регресії Y
на Х;
функцію
- вибірковою регресією Y
на
Х,
а її графік – вибірковою лінією регресії
Y
на Х.
Рівняння регресії найчастіше використовують як різновид статистичних моделей, що застосовують, наприклад, в економічному аналізі, де за допомогою рівнянь регресії є можливість виміряти вплив окремих факторів-аргументів на залежну змінну. Цим самим аналіз стає конкретним і цінність його суттєво збільшується. Крім регресивного аналізу, рівняння регресії використовують у прогнозних дослідженнях. В економічних дослідженнях кореляційні дослідження ввійшли під поняттям виробничі функції.
Найпростішою буде кореляційна залежність, коли є один аргумент і вона називається парною . Якщо ж аргументів більше, ніж один, то залежність називається множинною.
Вигляд рівняння визначає тип кореляційної залежності. Найбільш поширеним і простим є рівняння лінійної регресії, коли всі параметри входять в першій степені:
.
(1)
Прикладами можуть бути: залежність між витратами на рекламу та обсягом реалізованої продукції, витратами на споживання та валовим національним продуктом (ВНП), зміною ВНП в залежності від часу і т.д.
В загальному вигляді проста лінійна вибіркова регресійна модель запишеться так:
.
(2)
Спочатку вважаємо, що різні значення х ознаки Х і відповідні їм значення y ознаки Y спостерігались по одному разу, тому нема потреби групувати дані, а також використовувати поняття умовної середньої, тому шукане рівняння (2) можна записати:
,
(3)
де
y
– вектор спостережень за залежною
змінною
,
х
– це вектор спостережень за незалежною
змінною
,
k,b
– невідомі параметри регресійної
моделі,
- вектор випадкових величин (помилок)
.
Модель (3) можна трактувати як пряму на площині, де b – перетин її з віссю ординат, k – кутовий коефіцієнт нахилу (звичайно, якщо абстрагуватись від випадкової величини е).
Щоб мати явний вигляд залежності, необхідно знайти (оцінити) невідомі параметри k,b цієї моделі. Як це зробити, яким критерієм користуватись? Щоб відповісти на ці запитання, розглянемо приклад.
Приклад 2. Бюро економічного аналізу кондитерської фабрики оцінює ефективність відділу маркетингу з продажу цукерок. Для такої оцінки вимагає досвід роботи у п’яти зонах з майже однаковими умовами. У цих зонах зафіксовано протягом певного періоду обсяги продажі (млн. коробок), витрати (млн. грн.) фірми та рух товару на ринку (дані наведені в таблиці).
Зони |
yi |
xi |
1 |
25 |
5 |
2 |
30 |
6 |
3 |
35 |
9 |
4 |
45 |
12 |
5 |
65 |
18 |
Візуально можна припустити, що між даними є лінійна залежність, тобто її можна наближено зобразити прямою лінією. Взагалі, існує необмежена кількість прямих y=kx+b, які можна провести через множину точок спостережень. Яку з них вибрати? Щоб це визначити, потрібно мати у розпорядженні певний критерій, що дозволяв би вибрати з множини прямих “найкращу” з точки зору даного критерію. Найпоширенішим є критерій мінімізації суми квадратів відхилень. На рис. 1 видно, що на цих прямих є точки, розташовані таким чином, що деякі з них знаходяться вище, деякі нижче цієї прямої, на основі чого можна встановити відхилення (помилки) відносно цієї прямої:
,
(4)
де
-
і-та
точка на прямій, яка відповідає значенню
.
Реальні спостереження (Хі,Yі) зобразимо в системі (ХОY).
60
45
35
30
25
0 5 6 9 12 18 x
Відхилення
або помилки ще називають залишками.
Логічно, що треба проводити пряму таким
чином, щоб сума квадратів помилок була
мінімальною. В цьому і полягає критерій
суми найменших квадратів:
невідомі параметри k
та b визначають
так, щоб мінімізувати
,
тобто:
.
(5)
Мінімум
функції
досягається за необхідних умов, коли
перші похідні дорівнюють нулеві, тобто:
,
(6)
або отримують лінійну систему рівнянь:
,
(7)
що називається нормальною. Розв’язують систему і знаходять невідомі параметри k,b:
,
(8)
.
(9)
З
метою спрощення виразу для (8) чисельник
і знаменник виразу помножимо на
:
,
(10)
де
.
Вираз (10) можна записати ще таким чином:
,
(11)
а
розділивши друге рівняння (7) на n,
отримаємо:
,
звідки
і остаточно
.
Аналогічно знаходять вибіркове рівняння прямої лінії регресії х та y:
.
Приклад 3. Візьмемо дані прикладу 2 і проведемо обчислення параметрів k та b:
.
Отже,
.
Коефіцієнт регресії k показує, на скільки зміниться детермінована складова y, якщо фактор х зміниться на одиницю.
При
великому числі спостережень одне і те
ж значення х
може
зустрітись nx
раз, одне і те ж значення y-ny
раз, одна пара чисел (х,
y)
може спостерігатись nxy
раз. Тому дані спостережень групують,
тобто підраховують частоти
.
Всі згруповані дані заносять до так
званої кореляційної
таблиці:
Y X |
|
|
… |
|
… |
|
|
|
|
|
… |
|
… |
|
|
|
|
|
… |
|
… |
|
|
… |
… |
… |
… |
… |
… |
… |
… |
|
|
|
… |
|
… |
|
|
… |
… |
… |
… |
… |
… |
… |
… |
|
|
|
… |
|
… |
|
|
|
|
|
… |
|
… |
|
|
Тут
nij
–
число елементів сукупності, в якій
,
тобто
в першому рядку таблиці вказані
спостережувані значення х1,х2,...хm,
а в першому стовпці – спостережувані
значення y1,y2,…yk.
На перетині рядків і стовпців знаходяться
частоти спостережуваних пар
.
Тепер повернемось до системи рівнянь (7). Використаємо тотожності
.
Підставивши праві частини тотожностей в систему (7), отримують систему
,
(12)
з якої знаходять:
. (13)
Підставивши
праву частину в рівняння регресії
,
отримують
,
(14)
де знову ж
.
Помноживши
обидві частини на
, записують:
Підставивши rв в (14) остаточно отримаємо вибіркове рівняння прямої лінії регресії Y та Х за згрупованими даними:
.
(15)
