- •4. Классическое определение вероятности.
- •5. Геометрические вероятности и статистическая вероятность.
- •6. Теоремы сложения и умножения вероятностей..
- •48. Основные понятия дисперсионного анализа.
- •7. Условная вероятность.
- •8. Независимость событий.
- •9. Формулы полной вероятности и Байеса.
- •47. Критерии согласия Пирсона и Колмогорова.
- •17. Случайные величины и законы их распределения
- •21 Мода и медиана
- •22.Моменты случайных величин
- •26. Закон Пуассона.
- •27. Геометрическое и гипергеометрическое распределения.
- •28. Равномерное распределение.
- •31.Функция Лапласа.
- •38. Центральная предельная теорема.
- •Вопрос 39. Предмет математической статистики.
- •Вопрос 40. Генеральная и выборочная совокупность.
- •2. Алгебра событий.
- •11.Формула Бернулли.
- •30.Нормальный закон распределения Непрерывная случайная величина х имеет нормальный закон распределения (закон Гаусса) с параметрами а и , если ее плотность вероятности имеет вид
- •13.Теорема Пуассона.
- •15. Случайные величины их класификация
- •29.Показательное распределение.
- •16.Дискретные и Непрерывные величины.
- •37. Теорема Чебышева и Бернулли.
- •23.Асимметрия и эксцесс.
- •25.Биномиальный закон распределения.
- •26.Функции случайных величин.
- •33. Многомерные случайные величины.
- •14. Локальной и интегральной формуле Муавра – Лапласа
- •3 Частота и вероятность
- •35. Корреляционный момент и коэфф.Корреляции.
- •34 Зависимые и независимые случайные величина.
- •12.Найвераятнейшее число успехов в схеме Бернулли.
- •10. Последовательность независимых повторных испытаний.
- •32. Распределение «хи-квардат». Стьюдента и Фишера –Снедекора.
- •44. Статистические гипотизы.
- •43. Предельная ошибка и необходимость объем выборки.
- •45. Уровень значимости и мощность критерии.
- •46. Проверка статистических гипотез.
- •53. Ранговая корреляция
- •52. Проверка значимости уравнение и коэффициентов уравнения регрессии.
- •50. Модели и Основные понятия корреляционного и регрессионного анализа
- •51. Линейная корреляционная зависимость и линии регрессии.
- •49. Однофакторный дисперсионный анализ
32. Распределение «хи-квардат». Стьюдента и Фишера –Снедекора.
Распределении.
Пусть Х1, Х2, …, Хn- независимые нормально распределенные случайные величины с нулевыми математическими ожиданиями и средними квадратичными отклонениями, = 1. Тогда закон распределения суммы квадратов случайных величин. Χ2=Х21+Х22+…+Х2n наз.законом хи-квадрат с n степенями свободы.
Плотность вероятности такой случайный величины имеет вид.
Где Г (n/2)- гамма-функция, для которой выполняется равенство Г(n+2)= n!
Распределение стьюдера
Пусть Х0,Х1, Х2, …, Хn- независимые нормально распределенные случайные величины с нулевыми математическими ожиданиями и средними квадратичными отклонениями, = 1.
Тогда случайная величинаИмеет распределение Стьюдента (t-распределение) с n степенями свободы.
Плотность вероятности случайной величины Т имеет вид f(x)= bn(1+x2/n)- (n+1)/2
Где bn= Г [(n+1)/2]/ Г(n/2)√πn
Распределение Фишера-Снекорда.
Пусть Х1, Х2, …, Хn и Y1,Y2,…, Ym- независимые нормально распределенные случайные величины с нулевыми математическими ожиданиями и средними квадратичными отклонениями, = 1.Тогда случайная величина
Имеет распределение Фишера-Снедекора с n и m степенями свободы.
44. Статистические гипотизы.
Пусть Х наблюдаемая дискретная или непрерывная случайная величина.
Статистической гипотезой Н наз. некоторое предположение относительно параметров или вида распределения случайной величины Х, проверяемое по выборочным данным.
Примеры гипотез:
1) генеральная случайная величина Х имеет математическое ожидание M (X)=m0 и дисперсию D(X)=σ 02 ;
2)случайная величина Х, распределённая по показательному закону, имеет параметр λ = 1;
3) случайная величина Х распределена по нормальному закону N (0, 1) ;
4) случайная величина Х распределена по закону Пуассона.
43. Предельная ошибка и необходимость объем выборки.
Предельная ошибка выборкиравна t-кратному числу средних ошибок выборки:
μ– средняя ошибка выборки, рассчитанная с учетом поправки, на которую производится корректировка в случаебесповторного отбора;
t – коэффициент доверия, который находят при заданном уровне вероятности. Так для Р=0,997 по таблице значений интегральной функции Лапласа t=3
Величина предельной ошибки выборкиможет быть установлена с определеннойвероятностью. Вероятность появления такой ошибки, равной или больше утроенной средней ошибки выборки, крайне мала и равна 0,003 (1–0,997). Такие маловероятные события считаются практически невозможными, а потому вероятность того, что эта разность превысит трехкратную величину средней ошибки, определяетуровень ошибкии составляет не более0,3%.
В практике организации выборочного наблюдения возникает потребность определения необходимой численности (объема) выборкидля обеспечения заданной точности предельной ошибки выборки и ее вероятности. Определение необходимой численности (объема) выборки основывается на формуле предельной ошибки выборки.
Из формулы предельной ошибки выборки среднего значения признака при повторном отборе:
находим
При бесповторномслучайном отборе необходимая численность выборки вычисляется по формуле:
При типическойвыборке:
При серийнойвыборке:
Необходимый объем (численность) выборки при определении долиисчисляется по аналогичным формулам с той разницей, что вместо дисперсииколичественного признака, используется дисперсияальтернативного признака. Так, для случайной бесповторной выборки формула необходимой численности выборки будет иметь следующий вид: