- •Математика
- •Режим доступа к электронному аналогу печатного издания: http://www.Libdb.Sssu.Ru
- •Содержание
- •Предисловие
- •Лабораторная работа 1
- •Варианты заданий
- •Пример выполнения лабораторной работы
- •Контрольные вопросы
- •Лабораторная работа 2 Исследование дискретной и непрерывной случайных величин
- •Пример выполнения задания 1
- •Контрольные вопросы
- •Лабораторная работа 3 Линейная регрессия
- •Контрольные вопросы
- •Лабораторная работа 4
- •Рассмотрим три закона распределения, которые часто используются в теории вероятностей.
- •1. Распределение (читается «хи в квадрате»). Пусть n(0, 1), – независимые нормально распределённые с.В. С.В. Называетсяраспределённой по закону со степенью свободыk.
- •2. Распределение Стьюдента т(k). С.В. , гдеU n(0, 1), называется распределённой по закону Стьюдента со степенью свободы k.
- •3. С.В. , где k1, k2 – натуральные числа, называется распределённой по закону Фишера со степенями свободы k1, k2.
- •1 Доверительный интервал для м.О. Нормально распределённой с.В.
- •2 Доверительный интервал для дисперсии нормально распределённой г.С.
- •Проверка статистических гипотез
- •1. Предварительная обработка реализации выборки
- •F*(X) – статистическая функция распределения; f(X) – функция распределения
- •2. Основные понятия проверки статистических гипотез
- •3. Критерий согласия
- •Лабораторная работа 5
- •Обработка результатов экспериментов, определение точечных оценок числовых характеристик и параметров распределения.
- •Проверка гипотезы о законе распределения
- •Генеральной совокупности по критерию согласия
- •Контрольные вопросы к лабораторным работам 4 и 5
- •Библиографический список
- •Приложение 5 (справочное) Критические точки распределения Стьюдента
- •Приложение 6
- •Учебное издание
Лабораторная работа 3 Линейная регрессия
Цель работы: получить навыки построения регрессионных моделей с помощью системы Maple.
Краткий теоретический материал. Парная регрессия – уравнение связи двух переменных:
,
где – зависимая переменная (результативный признак);
–независимая объясняющая переменная (фактор-признак).
Линейная парная регрессия:, где и− параметры регрессии,− случайная переменная или ошибка.
Построение уравнения регрессии сводится к оценке её параметров. Для этого используют метод наименьших квадратов (МНК). МНК позволяет получить такие оценки параметров, при которых сумма квадратов отклонений фактических значений результативного признака от теоретических значенийминимальна, т.е.:
.
Для нахождения оценок параметров регрессии решается следующая система относительно и:
Проверить значимость уравнения регрессии – значит установить, соответствует ли математическая модель, выражающая зависимость между переменными, экспериментальным данным. Проверка значимости уравнения регрессии производится на основе дисперсионного анализа.
Задача дисперсионного анализа состоит в анализе дисперсии зависимой переменной:
,
где − общая сумма квадратов отклонений;
–сумма квадратов отклонений, обусловленная регрессией («объяснённая» или «факторная»);
–остаточная сумма квадратов отклонений.
Долю дисперсии, объясняемую регрессией, в общей дисперсии результативного признака характеризует коэффициент детерминации, который можно вычислить по формуле:
.
Например, коэффициент детерминации свидетельствует о том, что вариация исследуемой зависимой переменнойна 87,1 % объясняется изменчивостью объясняющей переменной.
Уравнение регрессии значимо на уровне , если фактическое значение– статистики
удовлетворяет условию ,где− табличное значение-критерия Фишера;− число оцениваемых параметров уравнения регрессии (для линейной парной регрессии);− число наблюдений;,.
Задание. Рассматриваются случайные величины X и Y, между которыми существует статистическая зависимость. Случайная ве-личина X считается независимой переменной, Y – зависимой. По заданным в условии результатам измерения аппроксимировать статистическую зависимость подходящей линейной зависимостью. Уравнение прямой найти методом наименьших квадратов. Определить достоверность полученной зависимости.
Вариант 1
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
-1.45 |
-1.83 |
-1.25 |
-1.05 |
-1.24 |
-0.99 |
-0.77 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
-0.50 |
-0.34 |
0.08 |
0.09 |
0.32 |
0.99 |
0.86 |
Вариант 2
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
-2.17 |
-1.38 |
-0.97 |
-0.5 |
-0.31 |
-0.72 |
-0.31 |
x |
-0.2 |
-0.1 |
0. |
0.1 |
0.2 |
0.3 |
0.4 |
y |
0.2 |
0.92 |
0.99 |
1.05 |
1.30 |
1.41 |
1.89 |
Вариант 3
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
0.49 |
0.63 |
0.28 |
0.77 |
1.3 |
1.21 |
1.31 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
1.46 |
1.91 |
2.15 |
2.28 |
2.43 |
2.73 |
2.57 |
Вариант 4
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
-0.14 |
0.66 |
1.40 |
0.93 |
1.74 |
1.76 |
1.77 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
2.62 |
2.79 |
2.74 |
2.72 |
3.31 |
3.50 |
4.08 |
Вариант 5
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
2.02 |
2.07 |
2.44 |
2.71 |
2.96 |
2.91 |
3.32 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
3.49 |
3.46 |
3.97 |
4.12 |
3.94 |
4.68 |
4.92 |
Вариант 6
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
2.32 |
2.45 |
2.92 |
2.54 |
3.49 |
3.73 |
4.11 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
4.94 |
4.68 |
4.86 |
5.61 |
6.02 |
5.46 |
6.59 |
Вариант 7
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
3.91 |
3.89 |
4.70 |
4.99 |
4.94 |
5.48 |
5.38 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
5.49 |
5.4 |
5.71 |
6.52 |
6.35 |
6.52 |
7.14 |
Вариант 8
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
3.97 |
4.81 |
4.92 |
5.36 |
5.82 |
5.79 |
6.27 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
6.86 |
6.21 |
6.86 |
7.37 |
7.53 |
7.96 |
8.40 |
Вариант 9
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
2.26 |
1.68 |
1.48 |
1.27 |
1.18 |
1.13 |
0.65 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
0.74 |
0.22 |
0.22 |
0.02 |
-0.38 |
-0.57 |
-0.92 |
Вариант 10
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
2.71 |
2.85 |
2.34 |
2.4 |
1.76 |
2.16 |
1.81 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
1.6 |
1.14 |
1.35 |
0.79 |
0.99 |
0.27 |
0.06 |
Вариант 11
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
4.09 |
3.64 |
3.43 |
3.19 |
3.10 |
3.06 |
2.68 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
2.24 |
2.26 |
2.04 |
1.96 |
1.19 |
1.50 |
1.04 |
Вариант 12
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
4.59 |
4.78 |
4.49 |
4.20 |
3.75 |
3.94 |
3.54 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
3.62 |
3 |
2.78 |
2.77 |
2.51 |
2.48 |
1.80 |
Вариант 13
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
5.89 |
5.34 |
5.62 |
5.19 |
4.75 |
4.65 |
4.25 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
4.25 |
4.23 |
3.96 |
3.82 |
3.56 |
3.24 |
2.89 |
Вариант 14
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
7.69 |
7.51 |
7.31 |
6.95 |
6.63 |
6.52 |
5.65 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
5.61 |
5.08 |
4.77 |
4.50 |
4.22 |
3.35 |
3.87 |
Вариант 15
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
4.87 |
4.99 |
5.07 |
5.44 |
5.36 |
5.43 |
5.50 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
5.64 |
5.86 |
5.79 |
5.92 |
6.36 |
6.08 |
6.5 |
Вариант 16
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
-1.46 |
-1.84 |
-1.26 |
-1.06 |
-1.25 |
-0.98 |
-0.78 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
-0.51 |
-0.35 |
0.09 |
0.08 |
0.33 |
0.98 |
0.87 |
Вариант 17
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
-2.18 |
-1.39 |
-0.98 |
-0.6 |
-0.32 |
-0.73 |
-0.32 |
x |
-0.2 |
-0.1 |
0. |
0.1 |
0.2 |
0.3 |
0.4 |
y |
0.21 |
0.93 |
0.98 |
1.06 |
1.31 |
1.42 |
1.88 |
Вариант 18
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
0.48 |
0.64 |
0.29 |
0.78 |
1.31 |
1.23 |
1.32 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
1.47 |
1.9 |
2.14 |
2.29 |
2.44 |
2.72 |
2.56 |
Вариант 19
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
-0.15 |
0.67 |
1.41 |
0.94 |
1.75 |
1.76 |
1.78 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
2.62 |
2.79 |
2.74 |
2.72 |
3.31 |
3.50 |
4.08 |
Вариант 20
x |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
-0.3 |
y |
2.02 |
2.07 |
2.44 |
2.71 |
2.96 |
2.91 |
3.32 |
x |
-0.2 |
-0.1 |
0 |
0.1 |
0.2 |
0.3 |
0.4 |
y |
3.49 |
3.46 |
3.97 |
4.12 |
3.94 |
4.68 |
4.92 |
Вариант 21
x |
-0.11 |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
y |
2.33 |
2.46 |
2.91 |
2.54 |
3.48 |
3.74 |
4.12 |
x |
-0.3 |
-0.2 |
-0.1 |
0. |
0.1 |
0.2 |
0.3 |
y |
4.95 |
4.69 |
4.86 |
5.62 |
6.03 |
5.45 |
6.58 |
Вариант 22
x |
-0.11 |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
y |
3.91 |
3.89 |
4.70 |
4.99 |
4.94 |
5.48 |
5.38 |
x |
-0.3 |
-0.2 |
-0.1 |
0. |
0.1 |
0.2 |
0.3 |
y |
5.49 |
5.4 |
5.71 |
6.52 |
6.35 |
6.52 |
7.14 |
Вариант 23
x |
-0.11 |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
y |
3.97 |
4.81 |
4.92 |
5.36 |
5.82 |
5.79 |
6.27 |
x |
-0.3 |
-0.2 |
-0.1 |
0. |
0.1 |
0.2 |
0.3 |
y |
6.86 |
6.21 |
6.86 |
7.37 |
7.53 |
7.96 |
8.40 |
Вариант 24
x |
-0.11 |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
y |
2.26 |
1,68 |
1.48 |
1.27 |
1.18 |
1.13 |
0.65 |
x |
-0.3 |
-0.2 |
-0.1 |
0. |
0.1 |
0.2 |
0.3 |
y |
0.74 |
0.22 |
0.22 |
0.02 |
-0.38 |
-0.57 |
-0.92 |
Вариант 25
x |
-0.11 |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
y |
2.71 |
2.85 |
2.34 |
2.4 |
1.76 |
2.16 |
1.81 |
x |
-0.3 |
-0.2 |
-0.1 |
0. |
0.1 |
0.2 |
0.3 |
y |
1.6 |
1.14 |
1.35 |
0.79 |
0.99 |
0.27 |
0.06 |
Вариант 26
x |
-0.11 |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
y |
4.09 |
3.64 |
3.43 |
3.19 |
3.10 |
3.06 |
2.68 |
x |
-0.3 |
-0.2 |
-0.1 |
0. |
0.1 |
0.2 |
0.3 |
y |
2.24 |
2.26 |
2.04 |
1.96 |
1.19 |
1.50 |
1.04 |
Вариант 27
x |
-0.11 |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
y |
4.59 |
4.78 |
4.49 |
4.20 |
3.75 |
3.94 |
3.54 |
x |
-0.3 |
-0.2 |
-0.1 |
0. |
0.1 |
0.2 |
0.3 |
y |
3.62 |
3 |
2.78 |
2.77 |
2.51 |
2.48 |
1.80 |
Вариант 28
x |
-0.11 |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
y |
5.89 |
5.34 |
5.62 |
5.19 |
4.75 |
4.65 |
4.25 |
x |
-0.3 |
-0.2 |
-0.1 |
0. |
0.1 |
0.2 |
0.3 |
y |
4.25 |
4.23 |
3.96 |
3.82 |
3.56 |
3.24 |
2.89 |
Вариант 29
x |
-0.11 |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
y |
7.69 |
7.51 |
7.31 |
6.95 |
6.63 |
6.52 |
5.65 |
x |
-0.3 |
-0.2 |
-0.1 |
0. |
0.1 |
0.2 |
0.3 |
y |
5.61 |
5.08 |
4.77 |
4.50 |
4.22 |
3.35 |
3.87 |
Вариант 30
x |
-0.11 |
-0.9 |
-0.8 |
-0.7 |
-0.6 |
-0.5 |
-0.4 |
y |
4.87 |
4.99 |
5.07 |
5.44 |
5.36 |
5.43 |
5.50 |
x |
-0.3 |
-0.2 |
-0.1 |
0. |
0.1 |
0.2 |
0.3 |
y |
5.64 |
5.86 |
5.79 |
5.92 |
6.36 |
6.08 |
6.5 |
Пример выполнения лабораторной работы
Зададим значения величин и.
> restart:X:=[-0.9,-0.8,-0.7,-0.6,-0.5,-0.4,-0.3,-0.2, -0.1,0,0.1,0.2,0.3,0.4]:
>Y:=[-5.32,-5.62,-5.51,-4.72,-4.68,-4.24,-3.74,-3.46,-2.84,-3.39,-3.08,-2.17,-1.69,-1.33]:
Построим корреляционное поле. Нанесём точки с координатами , на координатную плоскость.
> with(stats): statplots[scatterplot](X,Y,color=black).
Замечание. В версии Maple V R 4 для построения корреляционного поля нужно вызывать функцию с именем scatter 2d.
Методом наименьших квадратов найдём прямую такую, что сумма квадратов отклонений заданных точек от прямой будет наименьшей.
> fit[leastsquare[[x,y]]]([X,Y]);
Результат, полученный на экране монитора:
Для удобства определим найденную зависимость как функцию пользователя с именем :
> F:=unapply(-2.888461538+3.243296703*x,x);
Результат, полученный на экране монитора:
Определим «значимость» полученной нами регрессионной зависимости. Вычислим значение коэффициента детерминации R2. Найдём среднее значение . Обозначим эту величину идентификатором Ysr.
> n:=14:Ysr:=sum(Y[i],'i'=1..n)/n.
Результат, полученный на экране монитора:
Вычислим значения , определяемые уравнением регрессии. Полученное множество значений обозначим идентификатором FL.
> FL:=seq(F(X[i]),i=1..n):
Определим – меру разброса, объяснённого с помощью регрессии, и –меру общего разброса (вариации) переменной :
> SR2:=sum((FL[i]-Ysr)^2,'i'=1..n); S2:=sum((Y[i]-Ysr)^2,'i'=1..n);
Результат, полученный на экране монитора:
Вычислим значение статистического коэффициента детерминации R2:
> R2:=SR2/S2;
Результат, полученный на экране монитора:
По величине коэффициента детерминации заключаем, что вариация исследуемой зависимой переменной на 95.13 % объясняется изменчивостью объясняющей переменнойх.
Определим значимость уравнения регрессии. Найдём Fst –зна-чение F-статистики:
> Fst:=R2*(n-2)/(1-R2);
Результат, полученный на экране монитора:
Найденное значение Fst сравним с критическим значением критерия Фишера. Уровень значимости примем равным 0.05. По таблице определяем, что Fкр=4.747. Так как Fst>Fкр, то уравнение регрессии значимо на уровне 0.05.
Изобразим корреляционное поле и график полученной прямой на одном рисунке:
> k:=statplots[scatterplot](X,Y,color=green):
> l:=plot(F(x),x=-0.9..0.4):
> plots[display]([k,l]);
Результат, полученный на экране монитора: