- •Лекция 1. Предмет теории вероятностей и математической статистики и их роль в экономике и менеджменте
- •Лекция 2. Аксиоматика теории вероятности Понятие случайного эксперимента.
- •Пространство элементарных событий.
- •Совместные и несовместные события.
- •Операции над событиями (сумма, разность, произведение).
- •Свойства операций над событиями.
- •Алгебра и сигма-алгебра событий.
- •Лекция 3. Методы определения вероятностей событий
- •Классическое определение вероятности события. Случаи равновероятных исходов.
- •Статистическое определение вероятности события. Случаи неравновероятных исходов.
- •Геометрические вероятности.
- •Аксиоматическое построение теории вероятностей.
- •Вероятностное пространство
- •Лекция 4. Основные теоремы теории вероятностей. Формула полной вероятности и формула Байеса Полная группа событий.
- •Условная вероятность.
- •Формула умножения вероятностей.
- •Формула сложения вероятностей.
- •Независимость событий.
- •Формула полной вероятности.
- •Формула Байеса
- •Основные понятия комбинаторики.
- •Правила суммы и произведения.
- •Лекция 5. Схема независимых испытаний Бернулли
- •Случай непостоянной вероятности появления события в опытах
- •Наивероятнейшее число наступления событий в схеме Бернулли.
- •Предельные теоремы для схемы Бернулли.
- •Теорема Пуассона.
- •Понятие потока событий.
- •Локальная теорема Муавра –Лапласа.
- •Интегральная (глобальная) теорема Муавра – Лапласа.
- •Лекция 6. Виды случайных величин и расчет вероятностей событий с использованием функций и плотностей распределения
- •Закон распределения дискретной случайной величины.
- •Функция распределения случайной величины и ее свойства.
- •Свойства функции распределения
- •Плотность распределения вероятностей.
- •Лекция 7. Основные параметры распределений одномерных случайных величин.
- •Математическое ожидание случайной величины
- •Свойства математического ожидания:
- •Дисперсия случайной величины и ее свойства.
- •Среднее квадратическое отклонение.
- •Лекция 8. Основные законы распределений случайных величин
- •Биномиальное распределение, его математическое ожидание и дисперсия.
- •Распределение Пуассона.
- •Геометрическое распределение
- •Гипергеометрическое распределение (урновая схема)
- •Равномерное распределение.
- •Показательное распределение.
- •Лекция 9. Нормальное распределение и его свойства
- •Свойства функции Гаусса.
- •Вероятность попадания нормальной случайной величины в заданный интервал.
- •Функция Лапласа и ее свойства.
- •О тклонение нормальной случайной величины от ее математического ожидания. Правило «трех сигм».
- •Лекция 10. Многомерные случайные величины
- •Закон распределения вероятностей двумерной случайной величины
- •Совместная функция распределения двух случайных величин
- •Свойства совместной функции распределения двух случайных величин
- •Плотность совместного распределения вероятностей непрерывной двумерной случайной величины
- •Свойства двумерной плотности вероятности
- •Независимые случайные величины
- •Для независимых случайных величин справедливы соотношения
- •Числовые характеристики системы двух случайных величин
- •Корреляционный момент
- •Коэффициент корреляции
- •Свойства коэффициента корреляции
- •Лекция 11. Предельные теоремы теории вероятностей.
- •Неравенство Чебышева
- •Теорема Чебышева.
- •Центральная предельная теорема.
- •Лекция 12. Выборочный метод анализа свойств генеральной совокупности.
- •Выборочный метод и его основные понятия. Случайная выборка и ее объем
- •Способы отбора
- •Вариационный ряд для дискретных и непрерывных случайных величин.
- •Полигон и гистограмма
- •Лекция 13. Понятие о статистических оценках случайных величин Эмпирическая функция распределения
- •Важнейшие свойства статистических оценок
- •Надежность и доверительный интервал.
- •Лекция 14. Доверительные интервалы для математического ожидания и дисперсии Доверительный интервал для математического ожидания нормального распределения при известной дисперсии.
- •Доверительный интервал для математического ожидания нормального распределения при неизвестной дисперсии
- •. Доверительный интервал для оценки среднего квадратического отклонения нормального распределения
- •Лекция 15. Проверка статистических гипотез.
- •Статистический критерий
- •Критическая область. Область принятия гипотезы. Критические точки.
- •Критерий согласия Пирсона о виде распределения.
- •Лекция 16. (уир) Понятие о регрессионном анализе
- •Понятие о регрессионном анализе
- •Выборочные уравнения регрессии.
- •Линейная регрессия
- •Множественная линейная регрессия
- •Нелинейная регрессия
- •Логарифмическая модель.
- •Обратная модель.
- •Степенная модель.
- •Показательная модель.
- •Лекция 17 (уир). Понятие о корреляционном анализе.
- •А. Парная корреляция
- •Б. Множественная корреляция
- •Лекция 18 (уир). Цепи Маркова с дискретным временем
- •Однородные цепи Маркова
- •Переходные вероятности. Матрица перехода.
- •Равенство Маркова
- •Лекция 19 (уир). Цепи Маркова с непрерывным временем.
- •Уравнения Колмогорова
- •Финальные вероятности состояний системы
- •Лекция 20 (уир). Системы массового обслуживания.
- •Расчет характеристик систем массового обслуживания Одноканальные модели а. Одноканальная модель с отказами
- •Б. Одноканальная модель с ожиданием
- •Многоканальные модели
А. Парная корреляция
Уравнение как линейной, так и нелинейной регрессии всегда дополняется показателем тесноты связи.
При использовании линейной регрессии в качестве показателя тесноты связи выступает линейный коэффициент корреляции, рассмотренный выше.
Важно понимать, что величина линейного коэффициента корреляции оценивает тесноту связи рассматриваемых признаков в ее линейной форме. Поэтому близость его абсолютной величины к нулю еще не означает отсутствия связи между признаками. При другом выборе уравнения регрессии связь между признаками может оказаться достаточно тесной.
В случае нелинейной регрессии вместо коэффициента корреляции используется индекс корреляции, рассчитываемый по формуле:
.
Характеристикой доли дисперсии, объясняемой регрессией, в общей дисперсии является коэффициент (в случае линейной регрессии) или индекс (в нелинейном случае) детерминации . Соответственно, величина характеризует долю дисперсии, вызываемую влиянием остальных, не учтенных в модели факторов. Величина коэффициента (индекса) детерминации:
служит одним из критериев оценки качества модели. Данный параметр представляет собой квадрат коэффициента (или индекса) корреляции.
Для анализируемого уравнения регрессии необходимо провести оценку значимости как самого уравнения в целом, так и отдельных его параметров.
Оценка значимости уравнения регрессии в целом
Оценка значимости (качества) уравнения регрессии в целом производится с помощью F-критерия Фишера (F-теста). При этом выдвигается нулевая гипотеза, что коэффициент регрессии (в линейном случае - коэффициент перед x) равен нулю, и, следовательно, фактор x не оказывает влияния на результат y. Иными словами, проверяется нулевая гипотеза о статистической незначимости уравнения регрессии и показателя тесноты (силы) связи. Выполняется сравнение фактического и табличного значений критерия Фишера. Fфакт определяется из соотношения:
где - число наблюдений, - число параметров при переменной x. Последнее равенство относится к случаю линейной регрессии, для которой .
Табличное значение F-критерия – это максимальная величина отношения дисперсий, которая может иметь место при случайном их расхождении для данного уровня значимости и данного числа степеней свободы. В случае Fфакт > Fтабл, нулевая гипотеза об отсутствии связи признаков отклоняется и делается вывод о существенности этой связи.
Если Fфакт < Fтабл, то уравнение регрессии считается статистически незначимым и не отклоняется.
Далее мы ограничимся случаем парной линейной регрессии вида
.
Оценка значимости отдельных параметров регрессии
По каждому из параметров определяется его стандартная ошибка. Стандартная ошибка линейного коэффициента регрессии определяется по формуле:
.
Стандартная ошибка коэффициента определяется выражением:
,
а стандартная ошибка коэффициента корреляции – выражением
.
После расчета стандартных ошибок рассчитывается значение t-критерия Стьюдента по формулам
Выдвигается гипотеза о случайной природе показателей, т.е. о незначимом их отличии от нуля. Сравнивая фактическое и критическое (табличное) значения t-статистики (число степеней свободы n – 2), гипотеза принимается или отвергается. При этом, если tфакт > tтабл, - то - отклоняется, т.е. делается вывод о том, что не случайно отличаются от нуля и сформировались под действием систематически действующего фактора . Если же tфакт < tтабл, - то нулевая гипотеза не отклоняется и признается случайная природа формирования одного или всех параметров регрессии.
Рассмотрим вопрос о прогнозировании значений результативного признака.
В прогнозных расчетах по уравнению регрессии определяется предсказываемое значение как точечный прогноз при , т.е. путем подстановки в уравнение регрессии соответствующего значения . Однако точечный прогноз не обладает высокой точностью, в связи с чем он дополняется расчетом стандартной ошибки , обозначаемой как , и интервальной оценкой прогнозирования
.
Расчет стандартной ошибки предсказываемого по линии регрессии значения осуществляется по формуле:
, (2)
характеризующей ошибку положения линии регрессии. Величина стандартной ошибки возрастает по мере того, как удаляется от в любом направлении.
В заключение рассмотрим вопрос о средней ошибке аппроксимации модели регрессии. Она рассчитывается по формуле:
,
справедливой и в случае множественной регрессии.