- •Критерии однородности дисперсии нескольких независимых выборок.
- •Понятие квантили (определение, графическая интерпретация), доверительного интервала, доверительной области. Примеры нахождения квантилей нормального распределения.
- •Критерии однородности выборок. Критерий Смирнова.
- •Доверительные интервалы для дисперсии нормального распределения.
- •Критерии однородности выборок. Критерий однородности хи-квадрат Пирсона
- •Доверительные интервалы для дисперсии нормального распределения.
- •Критерий проверки значимости линейной регрессии (два подхода).
- •Понятие одномерной и двумерной функции распределения случайного процесса и плотности распределения. Вероятностный смысл.
- •Простые и сложные гипотезы. Статистический критерий различения гипотез. Уровень значимости и мощность критерия. Ошибки первого и второго рода.
- •Числовые характеристики случайных процессов (определение, свойства). Корреляционная теория случайных процессов.
- •Лемма Неймана — Пирсона. Наиболее мощные критерии
- •2. Математическое ожидание суммы случайных величин
- •Наиболее мощные критерии различения двух простых гипотез о среднем значении гауссовской случайной величины при известной дисперсии.
- •Дискретный вариационный ряд. Полигон частот и относительных частот.
- •Наиболее мощные критерии различения двух простых гипотез о среднем значении гауссовской случайной величины при неизвестной дисперсии.
- •Доверительные интервалы для математического ожидания нормального распределения.
- •Лемма Неймана — Пирсона. Наиболее мощные критерии
- •2. Математическое ожидание суммы случайных величин
- •Сравнение дисперсий двух гауссовских выборок. Критерий Фишера.
- •Интервальный вариационный ряд. Гистограмма частот и относительных частот.
- •Сравнение средних двух гауссовских выборок с равными дисперсиями. Критерий Стьюдента.
- •Дискретный вариационный ряд. Полигон частот и относительных частот.
- •1.Сравнение исправленной выборочной дисперсии с гипотетической генеральной дисперсией.
- •2.Сравнение средних двух гауссовских зависимых выборок.
- •Критерий
- •Понятие статистики как функции от выборки
- •Статистика критерия
- •Оценки максимального правдоподобия параметров нормального распределения.
- •Метод наименьших квадратов для случая квадратичной зависимости и обобщенной линейной зависимости данных.
- •1.Оценки подстановки неизвестных параметров. Выборочное среднее и выборочная дисперсия. Несмещенная оценка дисперсии.
- •2.Методы линейной регрессии. Метод наименьших квадратов для случая линейной зависимости данных.
- •1.Критерий согласия хи-квадрат Пирсона различения статистических гипотез (случай распределения с неизвестными параметрами).
- •Статистика критерия
- •1.Вариационный ряд. Распределения порядковых статистик выборки (максимальной и минимальной варианты выборки).
- •2.Эмпирическая функция распределения и её свойства. Пример нахождения эмпирической функции и построение ее графика.
- •1.Усиленный закон больших чисел. Теорема Колмогорова и теорема Бореля.
- •2.Оценки подстановки неизвестных параметров. Выборочное среднее и выборочная дисперсия. Несмещенная оценка дисперсии.
Оценки максимального правдоподобия параметров нормального распределения.
Ме́тод максима́льного правдоподо́бия в математической статистике — это метод оценивания неизвестного параметра путём максимизации функции правдоподобия. Основан на предположении о том, что вся информация о статистической выборке содержится в функции правдоподобия. Оценка максимального правдоподобия является популярным статистическим методом, который используется для создания статистической модели на основе данных, и обеспечения оценки параметров модели.
Метод максимального правдоподобия соответствует многим известным методам оценки в области статистики.
Для фиксированного набора данных и базовой вероятностной модели, используя метод максимального правдоподобия, мы получим значения параметров модели, которые делают данные «более близкими» к реальным. Оценка максимального правдоподобия дает уникальный и простой способ определить решения в случае нормального распределения.
Пусть есть выборка из распределения , где — неизвестный параметр. Пусть — функция правдоподобия, где .Точечная оценка
называется оце́нкой максима́льного правдоподо́бия параметра θ. Таким образом оценка максимального правдоподобия — это такая оценка, которая максимизирует функцию правдоподобия при фиксированной реализации выборки.
Метод наименьших квадратов для случая квадратичной зависимости и обобщенной линейной зависимости данных.
Одним из распространенных приемов построения таких формул является метод наименьших квадратов. Изложим идею этого способа, ограничиваясь случаями линейной и квадратичной зависимости. Пусть требуется установить зависимость между двумя величинами x и y, например, между стоимостью потребляемого сырья и стоимостью выпущенной продукции. Произведем обследование n видов продукции и представим результаты исследования в виде таблицы:
x |
x1 |
x2 |
... |
xn |
y |
y1 |
y2 |
... |
yn |
Из анализа таблицы нелегко обнаружить наличие и характер зависимости между x и y. Поэтому обратимся к графику. Допустим, что точки, взятые из таблицы (опытные точки) группируются около некоторой прямой линии. Тогда можно предположить,что между x и y существует линейная зависимостьy= ax+b, где a и b - коэффициенты, подлежащие определению,y - теоретическое значение ординаты. Проведя прямую “на глаз”, можно графически найти b и a=tg , однако это будут весьма неточные результаты. Для нахожденияa, b применяют метод наименьших квадратов.
Перепишем уравнение искомой прямой в виде ax + b -y=0. Точки, построенные на основе опытных данных, вообще говоря, не лежат на этой прямой. Поэтому если подставить в уравнение прямой вместо x иy заданные величины xi и yi, то окажется, что левая часть уравнения равна какой-то малой величине i=yi -yi; а именно: для первой точки ax1 + b - y1 = 1, для второй - ax2 + b - y2 = 2, для последней - axn + b - yn = n. Величины 1, 2,..., n, не равные нулю, называются погрешностями. Геометрически это разность между ординатой точки на прямой и ординатой опытной точки с той же абсциссой. Погрешности зависят от выбранного положения прямой, т.е. от a и b. Требуется подобрать a и b таким образом, чтобы эти погрешности были возможно меньшими по абсолютной величине. Способ наименьших квадратов состоит в том, что a и b выбираются из условия, чтобы сумма квадратов погрешностей u = была минимальной. Если эта сумма квадратов окажется минимальной, то и сами погрешности будут в среднем малыми по абсолютной величине. Подставим в выражение для u вместо iих значения.
u = (ax1 + b - y1) 2 + (ax2 + b - y2) 2 +... + ( axn + b - yn)2, или u = u(a,b),
где xi, yi известные величины, a и b - неизвестные, подлежащие определению. Выберем a и b так, чтобы u(a,b) имело наименьшее значение. Необходимые условия экстремума , . Имеем: = 2(ax1 + b - y1)x1 +... +2 (ax1 + b - y1)xn, = 2(ax1 + b - y1) +... + + 2 (ax1 + b - y1). Получаем систему:
Эта система называется нормальной системой метода наименьших квадратов.
Дисциплина: ТВ и МС Билет № 17