- •17. Біномінальний закон розподілу ймовірностей дискретної випадкової величини.
- •18. Розподіл Пуассона ймовірностей дискретної випадкової величини.
- •19. Математичне сподівання дискретної випадкової величини , його ймовірнісний зміст та властивості.
- •20. Дисперсія і середнє квадратичне відхилення дискретної випадкової величини та їх ймовірнісний зміст. Основні властивості дисперсії.
- •21.Числові характеристики середнього арифметичного однаково розподілених взаємно незалежних дискретних випадкових величин та їх практичне значення.
- •28. Дисперсія і середнє квадратичне відхилення неперервної випадкової величини.
- •33. Показниковий розподіл імовірностей неперервної випадкової величини.Графік густини й функції розподілу.
- •41. Умовні закони розподілу системи двох дискретних випадкових величин та їх числові характеристики.
- •42. Статистичний розподіл вибірки та його числові характеристики.
- •43. Емпірична функція розподілу.
- •45. Точкова оцінка математичного сподівання нормально розподіленої випадкової величини.
- •47. Інтервальні оцінки математичного сподівання нормально розподіленої випадкової величини у випадках, коли середньоквадратичне відхилення σ відоме і не відоме.
- •Інтервальна оцінка середнього квадратичного відхилення нормально розподіленої випадкової величини.
- •Задача про статистичну перевірку гіпотези і критерій узгодження.
- •53.Перевірка гіпотез про вигляд математичного сподівання нормально розподіленої випадкової величини у випадку коли дисперсія невідома.
- •Перевірка гіпотез про рівність математичних сподівань двох незалежних нормально розподілених випадкових величин
- •Перевірка гіпотез про рівність дисперсій двох незалежних нормально розподілених випадкових величин.
- •Відмінність між функціональною, статистичною та кореляційною залежностями.
- •Вибірковий коефіцієнт кореляції двовимірної випадкової величини (X, y) і визначення за його допомогою лінійного зв'язку між складовими X і y.
- •Рівняння лінійної регресії та його знаходження методом найменших квадратів.
- •Вираження рівняння лінійної регресії через коефіцієнт кореляції.
- •Статистичний розподіл вибірки двомірної випадкової величини та числові характеристики її складових.
- •Перевірка гіпотез про вигляд математичного сподівання нормально розподіленої випадкової величини у випадку коли дисперсія відома.
- •Критерій узгодження Пірсона ( критерій )для перевірки гіпотези про закон розподілу генеральної сукупності.
Відмінність між функціональною, статистичною та кореляційною залежностями.
Дві випадкові величини X і У можуть бути або залежними одна від другої, або бути незалежними.
Якщо ці величини залежні між собою, то ця залежність може бути або функціональною, або статистичною.
Строга функціональна залежність на практиці трапляється рідко, частіше - статистична.
Статистичною залежністю між двома величинами називають таку залежність, за якої зміна розподілу ймовірностей однієї з них викликає зміну розподілу ймовірностей другої.
Якщо за статистичної залежності двох величин за зміни однієї з них змінюється середнє значення іншої, то таку статистичну залежність називають кореляційною.
У багатьох практичних задачах часто виникає потреба - на основі вибірки встановити й оцінити залежність однієї випадкової величини від іншої (чи інших), встановити взаємозв'язок між цими величинами. Такі задачі розв'язуються за допомогою кореляційного та регресійного аналізів.
Вибірковий коефіцієнт кореляції двовимірної випадкової величини (X, y) і визначення за його допомогою лінійного зв'язку між складовими X і y.
Нехай двовимірна випадкова величина (X, У) розподілена нормально і нехай за заданим рівнем значущості треба перевірити гіпотезу H0: rху = 0 при Н1:r ху 0.
Перевірка гіпотези здійснюється за правилом:
Обчислюється хвіув.
Обчислюється середні квадратичні відхилення σвх і σву.
Обчислюється rв
Обчислюється емпіричне значення критерію Стьюдента за формуллою
За таблицею критичних точок Стьюдента за даними , зосередженому у верхньому рядку табліщі, і числом ступені k=n-2 знаходять критичну точку двосторонньої критичної області.
Робиться висновок
Рівняння лінійної регресії та його знаходження методом найменших квадратів.
Регресійний аналіз встановлює аналітичну форму залежності. Математична модель регресії, або просто – регресійна модель, -це аналітичний вираз залежності Y від Х.
Базою регресійних моделей служать вибіркові рівняння регресії, які записуються у формі:
Вибіркового рівняння регресії У на Х
Або вибіркового рівняння регресії Х на У
Основним методом для знаходження наближених значень таких параметрів є метод найменших квадратів. Його ідея полягає в тому щоб знайти такі точкові оцінки a* і b* параметрів a і b, для яких пряма Y*x= a*x+ b*
Була б найближчою до точок (x1 , у1), … (xn , уn)
За міру відхилення шуканої прямої від точок (xi , уi) вибирають величину
За точкові оцінки a* і b* параметрів a і b вибирають мінімальне значення квадрату відхилення тобто S(a*,b*)=min S(a,b)
Метод знаходження таких оцінок параметрів a і b з використання попередньої функції називається методом найменших квадратів.
Рівняння лінійної регресії Yx= a вx+ bв
Коефіцієнт a в називається коефіцієнтом регресії.
Вираження рівняння лінійної регресії через коефіцієнт кореляції.
Лнійне рівняння регресії можна подати й через коефіцієнт кореляції як формулу