Московский Государственный Институт

Электронной Техники (ТУ)

Курсовая работа по

«Теории вероятностей и математической статистике»

« Анализ данных в линейной регрессионной модели»

Выполнил :

Павлов М.В.

ЭКТ-23

Преподаватель:

Мустафин Н.Н.

МОСКВА

2003 г

План.

1)Данные.

2)Теоретическая часть.

3)Практическая часть.

X	Y	Остатки
6,15	18,94	0,849025
7,07	18,51	0,034005
7,35	18,46	-0,13318
8,16	18,58	-0,35216
3,73	16,18	-0,89821
5,67	17,84	-0,0501
4,95	17,42	-0,16878
4,11	17,19	-0,04724
7,81	19,05	0,264315
4,29	17,48	0,167435
6,68	17,91	-0,40278
3,25	16,82	-0,05732
6,49	18,44	0,206735
4,71	17,53	0,041665
3,25	17,29	0,412675
7,34	18,6	0,01101
7,4	18,96	0,3459
4,78	17,84	0,32237
6,18	18,82	0,71647
6,44	18,8	0,58766
6,45	17,73	-0,48653
7,58	18,57	-0,11943
6,18	17,74	-0,36353
7,53	19,89	1,221495
4,76	17,44	-0,06926
5,78	18,24	0,30387
6,97	19,01	0,575855
4,58	16,25	-1,18393
3,45	16,56	-0,40103
5,04	17,15	-0,47644
7,08	17,75	-0,73018
5,04	18,35	0,72356
4,92	16,77	-0,80622
5,82	17,41	-0,54287
6,31	18,71	0,552065
6,59	19,05	0,774885
9,11	17,32	-2,00974
9,91	19,65	-0,01454
5,78	18,22	0,28387
3,4	16,55	-0,3901
3,83	17,65	0,529945
4,75	17,86	0,354925
3,32	17,33	0,42338
5,82	17,16	-0,79287
4,79	17,42	-0,10181
5,13	16,54	-1,12411
8,63	19,92	0,791145
3,94	17,2	0,03391
5,21	18,57	0,872415
3,7	17,39	0,32435

Статистическое описание и выборочные характеристики двумерного случайного вектора.

Пусть (x_i,y_i), i = 1,2,......,n ,- выборка объема n из наблюдений случайного двумерного вектора (X,Y). Предварительное представление о двумерной генеральной совокупности можно получить, изображая элементы выборки точками на плоскости с выбранной декартовой прямоугольной системой координат. Это представление выборки называется диаграммой рассеивания.

Построить диаграмму рассеяния нанести на нее уравнения регресси Y на X

y=^*₀ +^*₁x и X на Y x=^*₀ +^*₁y.

Сначала вычислим суммы

x_i , y_i ,x²_i ,y²_i , x_iy_i , (x_i+y_i)²

Для контроля правильности вычислений используется тождество

 (x_i+y_i)²= x²_i + 2 x_iy_i + y²_i

Выборочные средние находятся по формулам

x^*=^*_1,0=(1/n) x_i , y^*=^*_0,1=(1/n) y_{i .} (1)

Затем вычисляются суммы квадратов отклонений от среднего и произведений отклонений от средних :

Q_x=(x_i – x^*)²=x²_i – (x)²_i/n , (2)

Q_y=(y_i – y^*)²=y²_i – (y)²_i/n , (3)

Q_xy=(x_i – x^*)(y_i – y^*)=x_iy_i – (x _i)(y_i )/n , (4)

Отсюда

D^*_x= (1/n) Q_x , D^*_y= (1/n) Q_y ,

R=(^*_1,1)/ (D^*_x D^*_y)^1/2= (Q_xy)/( Q_x Q_y)^1/2 (5)

Выборочная линейная регрессия Y на X по выборке (x_i , y_i ), i= 1,......, n определяется уравнением

y=^*₀ +^*₁x= y^* + r (D^*_y / D^*_x ) (x – x^*)

Коэффициенты ^*₀ и ^*₁ называются выборочными коэффициентами регрессии. Они вычисляются по формулам

₁^*=[n  x_iy_i – (x _i)(y_i )]/(n x²_i - (x_i)² ) = Q_xy / Q_x (6)

₀^* = y^*- ₁^*x^* (7)

Аналогично определяется выборочная линейная регрессия X на Y :

x=^*₀ +^*₁y = x^* + r (D^*_x / D^*_y ) (y – y^*)

₁^*=[n  x_iy_i – (x _i)(y_i )]/(n y²_i - (y_i)² ) = Q_xy / Q_y (8)

₀^*= x^*- ^*₁y^* (9)

Для контроля правильности расчетов используют соотношение

(₁^*₁^*)^1/2= r (10)

Прямые

y=^*₀ +^*₁x , x=^*₀ +^*₁y

Пересекаются в точке с координатами (x^*, y^* )

Функция y=^*₀ +^*₁x

Определяет выборочную (эмпирическую ) регрессию Y на x. Последняя является оценкой предполагаемой (теоретической) регрессии по результатам наблюдений. Разности между наблюдаемыми значениями переменной Y при x=x_i , i=1,2,....,n, и расчетными значениями ŷ_i=^*₀ +^*₁x называются остатками и обозначаются e_i :

e_i = y_i – ŷ _i, i = 1,2,......,n . Все остатки приведены в таблице 1. (11)

Качество аппроксимации результатов наблюдений (x_i,y_i), i = 1,2,......,n , выборочной регрессии определяется величиной остаточной дисперсии , вычисляемой по формуле

S²= e²_i /(n-2)=1/(n-2) [ y_i – (^*₀ +^*₁x_i)]²=Q_e/(n-2) (12)

Величина Q_e определяемая выражением

Q_e =  e²_i= (y_i – ŷ _i)² (13)

Называется остаточной суммой квадратов.

В практических вычислениях остаточную сумму квадратов получают из тождества

 (y_i – y^*_i)² =  (ŷ_i – y^*_i )² +  (y_i – ŷ_i) ² (14)

Которое записывается в виде

Q_y = Q_r + Q_e , где

Q_y=  (y_i – y^*_i)²=  y²_i – n*(y^*_i )²,

Q_r = (ŷ_i – y^*_i )²=^*₁ Q_xy=^2*₁ Q_x= Q²_xy/ Q_x (15)

Величина Q_r называется суммой квадратов, обусловленной регрессией регрессией.

Полезной характеристокой линейной регрессии является коэффициент детерминации R² , вычисляемый по формуле

R²= Q_r / Q_y =1 – (Q_e / Q_y) (16)

Коэффициент детерминации R² равен той доле разброса результатов наблюдений (x_i,y_i), i = 1,2,......,n , относительно горизонтальной прямой y=y^* , которая объсняется выборочной регрессией . Величина R= + (R²)^1/2 является оценкой коэффициента корреляции между результатами наблюдений y_i и вычисленными значениями ŷ_i , предсказываемыми регрессией , т.е.

R= p^*_yŷ= r_yŷ

В случае линейной регрессии Yнаx(одной независимой переменнойx) между коэффициентомRи выборочным коэффициентом корреляцииr_xyимеется следующее соотношение :

r_xy = ( знак ^*₁ ) R .