Как найти границы интервалов в выборке - Сайт, где вы сможете решить свои вопросы

При
большом
объеме выборки
работа с
вариационными рядами представляет
определенные неудобства, и тогда
наблюдаемые данные группируют.

Группировка
должна наиболее
полно выявлять существенные свойства
распределения. Существуют формулы для
определения оптимального количества
интервалов, но в психологии
считается, что следует брать от
5 до 15 интервалов.

Первый способ
построения интервального ряда.

Если
у исследователя нет предварительной
информации о характере распределения
признака, то лучше задавать равные
интервалы,
при этом длина
интервала

определяется по формуле
,
где– количество выбранных интервалов (числоокругляется до целого значения).

Начало
первого интервала равно
,
а конец(это будет одновременно и началом второго
интервала). Условимся все интервалы
считать соткрытым
правым концом:
.
Построение интервалов заканчивается,
если в интервал попало наибольшее
значение признака.

Далее
подсчитывают число
значений признака, попавших в каждый
интервал (с учетом открытого правого
конца). Получается таблица, называемаяинтервальным
вариационным рядом.

Интервалы	…	Сумма
Частоты,	…
Относительные частоты,		1

Второй
способ построения интервального ряда.

Весь
диапазон значений признака от
доразбивается на равныеинтервалы,
называемые также классами.
Затем все варианты совокупности
распределяются
по этим интервалам.
Порядок действий:

Определяется
число классов по формуле Стэрджеса
.
Затем
определяется размах выборки
.
Находим
ширину интервала
по формуле.
Находим
нижнюю границу первого интервала:
.
Начальные
и конечные значения всех последующих
интервалов можно вычислить путем
последовательного прибавления величины
интервала к значениям конца предыдущего
интервала:
,и так далее.

Пример
построения интервального вариационного
ряда.

Пусть измерен
некоторый показатель для 30 испытуемых:

23,
29, 35, 7, 11, 18, 23, 30, 36, 18, 11, 8, 13, 20, 25,

27,
14, 30, 20, 20, 24, 19, 21, 26, 22, 16, 26, 25, 33, 27.

Это
статистический
ряд.

Расставим
экспериментальные данные в возрастающем
порядке, то есть построим вариационный
ряд:

7,
8,
11,
11,
13,
14,
16,
18,
18,
19, 20,
20,
20,
21,
22,

23,
23,
24,
25,
25,
26,
26,
27,
27,
29,
30,
30,
33,
35,
36.

Число
классов (интервалов) для
:

Минимальное
и максимальное значения:
,.

Вариационный
размах:
.

Величина
интервала:
.

Находим границы
интервалов:

;

;
;

;
.

Построим
интервальный
вариационный ряд.

Номера интервалов	Интервалы	Серединные значения интервалов	Частоты
1	4 – 10	7	2
2	10 – 16	13	4
3	16 – 22	19	8
4	22 – 28	25	10
5	28 – 34	31	4
6	34 – 40	37	2

5. Гистограмма

Вариационные
ряды изображают графически с помощью
полигона и гистограммы.

с₁с₂с₃с₄с₅с₆с₇с₈с₉

Гистограммой
называется графическое изображение
интервального
вариационного
ряда. На оси
абсцисс откладываются отрезки,
изображающие интервалы значений
варьирующего признака, а затем на этих
отрезках, как на основаниях, строятся
прямоугольники, площади
которых пропорциональны частотам (или
относительным частотам).

Полигон
частот для
дискретного вариационного ряда – это
ломаная, отрезки которой соединяют
точки с координатами
.

Полигон
частот признака

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

Источник

Функция ДОВЕРИТ в Excel предназначена для определения доверительного интервала для среднего значения, найденного для генеральной совокупности, которая имеет нормальное распределение.

Другими словами, рассматриваемая функция позволяет определить допустимые отклонения для найденного среднего значения с учетом известных уровня значимости (заданная вероятность того, что некоторое значение находится в доверительном интервале) и стандартного отклонения (меры степени разброса значений относительно среднего значения для генеральной совокупности).

Как построить доверительный интервал нормального распределения в Excel

Поскольку интервал значений, в котором находится некоторая неизвестная величина, совпадает с областью, в которой могут изменяться значения этой величины, то вероятность правильности оценки данной величины стремится к нулю. Поэтому, принято устанавливать определенное значение вероятности для нахождения границ изменения некоторой величины. Значения, находящиеся между этими границами, называют доверительным интервалом.

Примечание:

Рассматриваемая функция была заменена функцией ДОВЕРИТ.НОРМ с версии Excel 2010. Функция ДОВЕРИТ была оставлена для обеспечения совместимости с документами, созданными в более ранних версиях табличного редактора.

Пример расчета доверительного интервала в Excel

Пример 1. В заводском цехе производят деталь, длина которой должна составлять 200 мм. Стандартное отклонение от длины – 3,6 мм. Для контроля качества деталей из партии (генеральная совокупность) делают выборку из 25 деталей. Определить интервал с доверительный уровнем 95%.

Вид таблицы данных:

Для определения доверительного интервала используем функцию:

=ДОВЕРИТ(1-B2;B3;B4)

Описание параметров:

1-B2 – уровень значимости (рассчитан с учетом зависимости от доверительного уровня);
B3 – значение стандартного отклонения;
B4 – количество деталей в выборке.

Полученный результат:

То есть, границы доверительного интервала соответствуют: (Xср-1,4112;Xср+1,4112). Допустим, было определено среднее значение выборки – 199,5 мм. Тогда доверительный интервал примерно определяется как (198,1;200,9), при этом номинальная длина детали (200 мм) находится в доверительном диапазоне, то есть производственный процесс не нарушен.

Как найти границы доверительного интервала в Excel

Пример 2. Были проведены опыты по определению скорости распространения звуковой волны в воздухе. Результаты 10 опытов записаны в таблицу. Определить левую и правую границы доверительного интервала для среднего значения.

Вид таблицы данных:

Для нахождения левой границы используем формулу:

В данном случае выборка и генеральная совокупность приняты как имеющиеся данные для 10 проведенных опытов. Среднее выборочное значение рассчитано с помощью функции СРЗНАЧ. Для получения левой границы доверительного интервала из данного значения вычитаем число, полученное в результате выполнения функции ДОВЕРИТ, в которой значение второго аргумента определено с помощью функции СТАНДОТКЛОН.Г, а число опытов – подсчетом количества ячеек функцией СЧЁТЗ.

Поскольку уровень значимости не задан, используем стандартное значение – 0,05.

Правая граница определяется аналогично с разницей в том, что к среднему значению выборки прибавляется результат расчета функции ДОВЕРИТ:

Полученные значения:

Как посчитать доверительный интервал по функции ДОВЕРИТ в Excel

Функция имеет следующую синтаксическую запись:

=ДОВЕРИТ(альфа;стандартное_откл;размер)

Описание аргументов:

альфа – обязательный, принимает числовое значение, характеризующее уровень значимости – вероятность отклонения нулевой (неверной) гипотезы в том случае, когда она на самом деле верна. Определяется как 1-, где  – уровень доверия (вероятность нахождения истинного значения некоторой оцениваемой величины в определенном интервале, называемом доверительным).
стандартное_откл – обязательный, принимает значение стандартного отклонения величины для генеральной совокупности значений (в Excel предусмотрена функция для определения этой величины – СТАНДОТКЛОН.Г).
размер – обязательный, принимает числовое значение, характеризующее количество точек данных в анализируемой выборке (ее размер).

Примечания:

Все аргументы функции должны указываться в виде числовых значений или данных, которые могут быть преобразованы в числа (например, текстовые строки с числами, логические ИСТИНА, ЛОЖЬ). В противном случае результатом выполнения функции ДОВЕРИТ будет код ошибки #ЧИСЛО!
Аргумент альфа должен быть указан числовым значением из диапазона от 0 до 1 (оба включительно). Иначе функция ДОВЕРИТ вернет код ошибки #ЧИСЛО! Аналогичная ошибка возникает в случаях, когда аргумент стандартное_откл задан числом, взятым из диапазона отрицательных значений или нулем.
Диапазон допустимых значений для аргумента размер – от 1 до бесконечности со знаком плюс.

Источник

Содержание:

Математическая статистика возникла (XVII в.) и создавалась параллельно с теорией вероятностей. Дальнейшее развитие математической статистики (вторая половина ХІХ и начало ХХ вв.) обязано, в первую очередь, П.Л.Чебышеву, А.А.Маркову, А.М.Ляпунову, а также К.Гауссу, А.Кетле, К.Пирсону и др. В ХХ в. наиболее существенный вклад в математическую статистику был сделан советскими математиками (В.И.Романовский, А.Н.Колмогоров и др.), а также английскими (Стьюдент, Р.Фишер, Э.Пирсон) и американскими (Ю.Нейман,
А.Вальд) учёными.

Установление закономерностей, которым подчинены массовые случайные явления, основано на изучении статистических данных – результатах наблюдений, то есть основу исследований в математической статистике составляют данные наблюдений или опытов над случайными величинами.

Первая задача математической статистики – указать способы сбора и группировки (если данных
очень много) статистических сведений, в том числе определение объёма необходимых экспериментов до начала и в ходе исследования. Вторая задача математической статистики – разработать методы анализа статистических данных, в зависимости от целей исследования.

Изучение тех или иных явлений методами математической статистики служит средством решения многих вопросов, выдвигаемых наукой и практикой (правильная организация технологического процесса, наиболее целесообразное планирование и др.). Итак, задача математической статистики состоит в создании методов сбора и обработки статистических данных для получения научных и практических выводов.

Генеральная и выборочная совокупности

Пусть требуется изучить совокупность однородных объектов относительно некоторого качественного или количественного признака, характеризующего эти объекты. Например, если имеется партия деталей, то качественным признаком может служить стандартность детали, а количественным – контролируемый размер детали. Иногда проводят сплошное обследование, то есть обследуют каждый из
объектов совокупности относительно признака, которым интересуются. На практике, однако, сплошное обследование применяется сравнительно редко. Например, если совокупность содержит очень большое число объектов, то провести сплошное обследование физически невозможно. Если обследование объекта связано с его уничтожением или требует больших материальных затрат, то проводить сплошное обследование практически не имеет смысла. В таких случаях случайно отбирают из всей совокупности ограниченное число объектов и
подвергают их изучению.

Выборочной совокупностью, или просто выборкой, называют совокупность случайно отобранных объектов.

Генеральной совокупностью называют совокупность объектов, из которых производится выборка.

Объёмом совокупности (выборочной или генеральной) называют число объектов этой совокупности.

Например, если из 1000 деталей отобрано для обследования 100 деталей, то объём генеральной совокупности N = 1 000, а объём выборки n = 100. Часто генеральная совокупность содержит конечное число объектов. Однако, если это число достаточно велико, то иногда в целях упрощения
вычислений, или для облегчения теоретических выводов, допускают, что генеральная совокупность состоит из бесчисленного множества объектов. Такое допущение оправдывается тем, что увеличение объёма генеральной совокупности (достаточно большого объёма) практически не сказывается на результатах обработки данных выборки. При этом, что важно, для того чтобы по данным выборки можно было достаточно уверенно судить об интересующем нас признаке генеральной совокупности, необходимо, чтобы объекты выборки правильно его представляли. Это требование коротко формулируют так: выборка должна быть репрезентативной (представительной). В силу закона больших чисел можно утверждать, что выборка будет репрезентативной, если её осуществить случайно: каждый объект выборки отобран случайно из генеральной совокупности, при этом все объекты имеют одинаковую вероятность попасть в выборку.

При составлении выборки можно поступать двояко: после того, как объект отобран и над ним произведено наблюдение, он может быть возвращён, либо не возвращён в генеральную совокупность. В соответствии с этим, выборки подразделяют на повторные и бесповторные. Повторной называют выборку, при которой отобранный объект (перед отбором следующего) возвращается в генеральную совокупность. Бесповторной называют выборку, при которой отобранный объект в генеральную совокупность не возвращается. Если объём генеральной совокупности достаточно велик, а выборка составляет лишь незначительную часть этой совокупности, то различие между повторной и бесповторной выборкам стирается; в предельном случае, когда рассматривается бесконечная генеральная совокупность, а выборка имеет конечный объём, это различие исчезает.

На практике применяются различные способы отбора. Принципиально эти способы можно подразделить на два вида:

1. Отбор, не требующий расчленения генеральной совокупности на части. Сюда относится, так называемый, простой случайный отбор (как повторный, так и бесповторный), то есть отбор, при котором объекты извлекают по одному из всей генеральной совокупности.

2. Отбор, при котором генеральная совокупность разбивается на части. Сюда относятся:

– типический отбор – отбор, при котором объекты отбираются не из всей генеральной совокупности, а из каждой её «типической» части (например, если детали изготавливают на нескольких станках, то отбор производят не из всей совокупности деталей, произведённых всеми станками, а из продукции каждого станка в отдельности);
– механический отбор – отбор, при котором генеральная совокупность «механически» делится на столько групп, сколько объектов должно войти в выборку, и затем из каждой группы отбирается один объект (например, если нужно отобрать 20% изготовленных станком деталей, то отбирают каждую пятую деталь; если требуется отобрать 5% деталей, то отбирают каждую двадцатую деталь и т. д.);
– серийный отбор – отбор, при котором объекты отбирают из генеральной совокупности не по одному, а «сериями», которые подвергаются сплошному обследованию. Например, если изделия изготавливаются большой группой станков-автоматов, то подвергают сплошному обследованию продукцию только нескольких станков.

Заметим, что серийным отбором пользуются тогда, когда обследуемый признак колеблется в различных сериях незначительно.

Статистическое распределение выборки

В результате статистической обработки материалов можно подсчитать число единиц, обладающих конкретным значением того или иного признака. Каждое отдельное значение признака будем обозначать

Если при изучении результатов выборки отдельные значения признака (варианты) расположим в возрастающем или убывающем порядке и относительно каждой варианты укажем, как часто она встречается в данной совокупности, тополучим статистическое распределение признака, или вариационный ряд. Он характеризует изменение (варьирование) какого-нибудь количественного признака. Следовательно, вариационный ряд представляет собой две строки (или колонки). В одной из них приводятся варианты, в другой – частоты.

Вариация признака может быть дискретной и непрерывной:

Дискретной называется вариация, при которой отдельные значения признака (варианты) отличаются друг от друга на некоторую конечную величину (обычно целое число). Например: количество детей в семье; оценки, полученные студентами на экзамене; размеры обуви, проданной магазином за день. Если число элементов вариационного ряда велико, то для удобства его изучения образуют интервальный ряд, группируя значения в интервалы. Для интервального ряда частота i m равна числу значений, наблюдавшихся в i -ом интервале. Длина интервала чаще всего берётся одинаковой.
Непрерывной называется вариация, при которой значения признака могут отличаться одно от другого на сколь угодно малую величину. Например: уровень рентабельности предприятия; процент занятости трудоспособного населения; депозитная ставка коммерческих банков. При непрерывной вариации распределение признака называется интервальным. Частоты относятся не к отдельному значению признака, а ко всему интервалу. Часто значением интервала принимают его середину, то есть центральное значение.

Нередко вместо абсолютных значений частот используют относительные. Для этого можно использовать долю частоты того или иного варианта (а также интервала) в сумме всех частот. Такая величина называется относительной частотой и обозначается w . Для получения относительных частот необходимо соответствующую частоту разделить на сумму всех частот:

где – относительная частота j -ой варианты или интервала . Сумма
всех относительных частот равна единице: Относительные частоты можно выражать и в процентах, тогда их сумма равна 100%.

В интервальном вариационном ряду в каждом интервале различают нижнюю и верхнюю границы интервала: нижняя граница интервала ; верхняя граница интервала ; величина интервала. Как правило, при построении интервальных вариационных рядов в каждый интервал включаются варианты, числовые значения которых больше нижней границы и меньше или равны верхней границе. Интервальные вариационные ряды бывают с одинаковыми и неодинаковыми интервалами. В последнем случае чаще всего встречаются
последовательно увеличивающиеся интервалы. Для выбора оптимальной величины интервала, то есть такой величины, при которой вариационный ряд не будет громоздким и, при этом, будут сохранены все особенности данного явления, можно рекомендовать формулу:

где n – число единиц в совокупности. Так, если в совокупности 200 единиц, наибольший вариант равен 49,961,
а наименьший – 49,918, то

Другими словами, в данном случае оптимальной величиной интервала может служить 0,005.

Гистограмма и полигон статистических распределений

Для наглядности представления вариационного ряда большое значение имеют его графические изображения. Графически вариационный ряд может быть изображён в виде полигона, гистограммы и кумуляты. Полигон распределения (дословно – многоугольник распределения) называют ломанную, которая строится в прямоугольной системе координат. Величина признака откладывается на оси абсцисс, соответствующие частоты (или относительные частоты ) – по оси ординат. Точки соединяют отрезками прямых и получают полигон распределения. Чаще всего полигоны применяются для изображения дискретных вариационных рядов, но их
можно применять также и для интервальных рядов. В этом случае на оси абсцисс откладываются точки, соответствующие серединам данных интервалов. Гистограммой распределения называют ступенчатую фигуру, состоящую из прямоугольников, основанием которых служат частичные интервалы длиною h, а высоты пропорциональны частотам (или относительным частотам) и равны плотность частоты (или – плотность относительной частоты). Для построения гистограммы на оси абсцисс откладывают частичные интервалы, а над ними проводят отрезки, параллельные оси абсцисс на расстоянии Заметим, что площадь гистограммы частот (относительных частот) равна сумме всех частот (относительных частот), то есть, равна объему выборки (то есть – единице).

Пример №1

Уровень рентабельности предприятий лёгкой промышленности характеризуется следующими данными:

По приведённым данным построить полигон распределения и гистограмму.

Решение. Воспользовавшись определениями, нетрудно построить полигон распределения и гистограмму (см. рис.)

Кумулятивная кривая (кривая сумм – кумулята) получается при изображении вариационного ряда с накопленными частотами (или относительными частотами) в прямоугольной системе координат. Накопленная частота (или относительная частота) определённой варианты получается суммированием всех частот (относительных частот) вариант, предшествующих данной, с частотой (относительной частотой) этой варианты. При построении кумуляты дискретного признака по оси абсцисс откладывают значения признака (варианты). Ординатами
служат вертикальные отрезки, длина которых пропорциональна накопленной частоте (или относительной частоте) той или иной варианты. Соединением вершин ординат прямыми линиями получаем ломанную (кривую) кумуляту. При построении кумуляты интервального вариационного ряда нижней границе первого интервала соответствует частота (относительная частота), равная нулю, а верхней – вся частота (относительная частота) интервала. Верхней границе второго интервала соответствует накопленная частота (относительная частота) первых двух интервалов (то есть сумма частот (относительных частот) этих интервалов) и т. д.

Пример №2

По данным примера 1 построить кумуляту распределения.

Решение. Воспользовавшись определением и правилом построения кумуляты интервального вариационного ряда, нетрудно построить кумулятивную кривую данного распределения (см. рисунок).

Пример №3

В результате эксперимента получены следующие значения случайной величины X:

3; 6; 8; 11; 6; 10; 7; 9; 7; 3; 4; 8;
7; 9; 4; 9; 11; 7; 8; 4; 10; 5; 6; 7; 2.
Требуется:

а) составить статистический ряд;

б) построить статистическое распределение;

в) изобразить полигон распределения.

Решение. а) Объем выборки n = 25.

Построим статистический ряд данной выборки: в первой строке таблицы укажем все различные значения, принимаемые случайной величиной X; во второй строке укажем, сколько раз она приняла эти значения.

б) Найдем статистическое распределение случайной величины X, для чего в табл. 7.2 заменим вторую строку строкой, содержащей относительные частоты

Контроль:

в) На плоскости построим точки:

Соединим их (рис. 7.3). Полученная ломаная – полигон данного распределения.

Ответ: а) табл. 7.2, б) табл. 7.3, в) рис. 7.3.

Пример №4

В результате эксперимента получены следующие значения случайной величины X:
16; 17; 9; 13; 21; 11; 7; 7; 19; 5; 17; 5; 20;
18; 11; 4; 6; 22; 21; 15; 15; 23; 19; 25; 1.
Требуется:

а) построить интервальный статистический ряд, разбив промежуток [0; 25] на 5 промежутков равной длины;

б) построить гистограмму относительных частот.

Решение.

а) Объем выборки n = 25. По экспериментальным данным составим таблицу (табл. 7.4). В её первой строке укажем промежутки разбиения: [0; 5), [5; 10), [10; 15), [15; 20) [20; 25].
Во второй строке укажем соответствующие числа − сколько раз случайная величина X приняла значение из этого промежутка.

Контроль: 2 + 6 + 3 + 8 + 6 = 25.
По табл. 7.4 составим интервальный статистический ряд, где во второй строке указаны относительные частоты (табл. 7.5).

б) На оси Ox отложим промежутки:

[0; 5), [5; 10), [10; 15), [15; 20) [20; 25]
интервального статистического ряда, а на оси – относительные частоты. Построив по этим данным прямоугольники с основаниями и высотами получим ступенчатую фигуру – гистограмму (рис.7.4)

Ответ: а) табл. 7.4; б) рис. 7.5.

Пример №5

Дан статистический ряд

Найти статистическую функцию распределения и построить её график.
Решение. Воспользовавшись формулой

где n – объем выборки; – число выборочных значений, меньших x, вычисляем:

(1)

Построим график функции

Ответ: а) формула (1); б) рис. 7.5.

Числовые характеристики выборки

В качестве одной из важнейших характеристик вариационного ряда применяют среднюю величину. Математическая статистика различает несколько типов средних величин: арифметическую, геометрическую, гармоническую, квадратическую, кубическую и др. Все перечисленные типы средних могут быть рассчитаны для случаев, когда каждая из вариант вариационного ряда встречается только один раз (тогда средняя называется простой, или невзвешенной) и когда варианты или интервалы повторяются. При этом число повторений вариант или интервалов называют частотой, или статистическим весом, а среднюю, вычисленную с учётом статистического веса, – взвешенной средней.

Для характеристики вариационного ряда один из перечисленных типов средних выбирается не произвольно, а в зависимости от особенностей изучаемого явления и цели, для которой среднее вычисляется.

Практически при выборе того или иного типа средней следует исходить из принципа осмысленности результата при суммировании или при взвешивании. Только тогда средняя применена правильно, когда в результате взвешивания или суммирования получаются величины, имеющие реальный смысл.

Обычно затруднения при выборе типа средней возникают лишь в использовании средней арифметической, или гармонической. Что же касается геометрической и квадратической средних, то их применение обусловлено особыми случаями (см. далее).

Следует иметь в виду, что средняя только в том случае является обобщающей характеристикой, если она применяется к однородной совокупности. В случае использования средней для неоднородных совокупностей можно прийти к неверным выводам. Научной основой статистического анализа является метод статистических группировок, то есть расчленения совокупности на качественно однородные группы.

Все указанные типы средних величин можно получить из формул степенной средней. Если имеются варианты , то среднюю из данных вариант можно рассчитать по формуле простой невзвешенной степенной средней порядка

При наличии соответствующих частот средняя рассчитывается по формуле взвешенной степенной средней:

Здесь – степенная средняя; – показатель степени, определяющий тип средней;
– варианты; – частоты или статистические веса вариантов.
Средняя арифметическая получается из формулы степенной средней при
подстановке значения

– невзвешенная (простая)
– взвешенная

Средняя гармоническая получается при подстановке в формулу степенной средней значения

– невзвешенная (простая)
– взвешенная

Средняя гармоническая вычисляется тогда, когда средняя предназначается для расчёта сумм слагаемых, обратно пропорциональных величине данного признака, то есть, когда суммированию подлежат не сами варианты, а обратные им величины

Средняя квадратическая получается из формулы степенной средней при подстановке

– невзвешенная (простая)
– взвешенная

Средняя квадратическая используется только тогда, когда варианты представляют собой отклонения фактических величин от их средней
арифметической или от заданной нормы.
Средняя геометрическая получается из формулы степенной средней при предельном переходе

Вычисления средней геометрической в значительной мере упрощаются, если воспользоваться логарифмированием. В этом случае получаем:

– для невзвешенной (простой) средней геометрической
– для взвешенной

Таким образом, логарифм средней геометрической есть средняя арифметическая из логарифмов вариант. Средняя геометрическая используется главным образом при изучении динамики. Средние коэффициенты и темпы роста также рассчитывают по формулам средней геометрической. Если вычислить различные типы средних для одного и того же вариационного ряда, то числовые их значения будут различаться. При этом средние по своей величине расположатся в определённом порядке. Наименьшей из перечисленных средних окажется средняя гармоническая, затем геометрическая и т. д., наибольшей будет средняя квадратическая. При этом порядок возрастания средних определяется показателем степени z в формуле степенной средней. Так, при z =1 получаем среднюю гармоническую, при z =0 – геометрическую, при z =1 – арифметическую, при z = 2 – квадратическую:

В качестве характеристики вариационного ряда используют медиану , то есть такое значение варьирующего признака, которое приходится на середину упорядоченного вариационного ряда. Если в вариационном ряду 2m +1 случаев, то значение признака у случая m +1 будет медианным. Если в ряду чётное число 2m случаев, то медиана равна средней арифметической из двух серединных значений.

Таким образом, медиана рассчитывается по формуле

– при нечётном количестве вариантов:
– при чётном:

При расчёте медианы интервального вариационного ряда сначала находят интервал, содержащий медиану, путём использования накопленных частот (или относительных частот). Медианному интервалу соответствует первая из накопленных частот (или относительных частот), превышающая половину всего объёма совокупности. Для нахождения медианы при постоянстве плотности внутри интервала, содержащего медиану, используют формулу:

где нижняя граница медианного интервала; k – величина медианного интервала; – накопленная частота интервала, предшествующая медианному; – частота медианного интервала.

Медиану можно также определить графически – по кумуляте. Для этого последнюю ординату, пропорциональную суме всех частот (или относительных частот), делят пополам. Из полученной точки восстанавливают перпендикуляр до пересечения с кумулятой. Абсцисса точки пересечения – значение медианы.

Медиана обладает таким свойством: сумма абсолютных величин отклонений вариантов от медианы меньше, чем от любой другой величины (в том числе и от средней арифметической). Другими словами:

Это свойство медианы можно использовать при проектировании расположения трамвайных и троллейбусных остановок, бензоколонок и т. д.

Пример №6

На шоссе 100км имеется 10 гаражей. Для проектирования строительства бензоколонки были собраны данные о числе предполагаемых поездок на заправку с каждого гаража. Результаты обследования приведены в следующей таблице:

Бензоколонку нужно поставить так, чтобы общий пробег машин на заправку был наименьшим.

1-й способ:

Если бензоколонку поставить на середине шоссе, то есть на 50-м километре (средняя арифметическая), то пробеги с учётом числа поездок составят

– в одном направлении:

(50-7)-10 +(50-26)-15+ (50-28)-5+ (50-37)-20 +(50-40)-5 +(50-46)-25 = 1310 км;

– в противоположном:

(60 – 50)-15 + (78 – 50)- 30 + (86 – 50)-10 + (92-50)- 65 = 4080 км .

Общий пробег в оба направления окажется равным 5390 км.

2-й способ:

Уменьшения пробега можно достичь, если бензоколонку поставить на 63,85-м километре, то есть на среднем участке шоссе с учётом числа поездок (средняя арифметическая взвешенная). В этом случае пробеги составят по 2475,75 км в оба направления. Таким образом, общий пробег составит 4951,5 км и окажется меньше, чем в первом способе решения, на 438,5 км.

3-й способ:

Наилучший результат, то есть минимальный общий пробег, получим, если поставить бензоколонку на 78-м километре, что будет соответствовать медиане. Заметим, что медиана вычислена по формуле: При этом вариационный ряд записываем в виде

Следовательно Тогда пробеги составят 3820 км и 990 км
соответственно. Общий пробег, в этом случае, равен 4810 км, то есть он оказался меньше общих пробегов, рассчитанных в предыдущих способах. Модой называется варианта, наиболее часто встречающаяся в данном вариационном ряду. Для дискретного ряда мода, являющаяся характеристикой вариационного ряда, определяется по частотам вариант и соответствует варианте с наибольшей частотой. В случае интервального распределения с равными интервалами, модальный интервал (то есть интервал, содержащий моду) определяется по наибольшей частоте, а при неравных интервалах – по наибольшей плотности. Мода рассчитывается по формуле:

где – нижняя граница модального интервала; k – величина модального интервала; – частота модального интервала; – частота интервала, предшествующего модальному; – частота интервала, следующего за модальным.

Вариационные ряды, в которых частоты вариант, равноотстоящих от средней, равны между собой, называются симметричными. Особенность симметричны вариационных рядов состоит в равенстве трёх характеристик – средней арифметической, моды и медианы, то есть:

(это необходимое, но не достаточное, условие симметричности вариационного ряда). Вариационные ряды, в которых расположение вариант вокруг средней не одинаково, то есть частоты по обе стороны от средней изменяются по-разному, называются асимметричными, или скошенными. Различают асимметрию – левостороннюю и правостороннюю. Средние величины, характеризую вариационный ряд одним числом, не учитывают вариацию признака, между тем эта вариация существует. Для измерения вариации признака в математической статистике применяют ряд способов.

Вариационный размах ( R), или широта распределения, есть разность между наибольшим и наименьшим значениями вариационного ряда:

Вариационный размах представляет собой величину неустойчивую, чрезвычайно зависящую от случайных обстоятельств; применяется для приблизительной оценки вариации.

Среднее линейное отклонение (обозначается d ) представляет собой среднюю арифметическую из абсолютных значений отклонений вариант от средней. В зависимости от отсутствия или наличия частот вычисляют среднее линейное отклонение невзвешенное или взвешенное:

Средний квадрат отклонения, или дисперсия (обозначается D) наиболее часто применяется как мера колеблемости признака. Дисперсии невзвешенную и взвешенную вычисляют по формулам: Таким образом, дисперсия есть средняя арифметическая из квадратов отклонений вариант от их средней арифметической. Квадратный корень из дисперсииназывается среднеквадратическим отклонением. Обобщающими характеристиками вариационных рядов являются моменты
распределения. Характер распределения можно определить с помощью небольшого количества моментов. Средняя из k – х степеней отклонений вариант x от некоторой постоянной величины A (ложный ноль) называется моментом k -го порядка:

При расчёте средних в качестве весов можно использовать частоты, относительные частоты или вероятности. При использовании в качестве весов частот или относительных частот моменты называются эмпирическими, а при использовании вероятностей – теоретическими. Порядок момента определяется величиной k . Эмпирический момент k -го порядка находится как отношение суммы произведений k -х степеней отклонений вариант от постоянной величины A на соответствующие частоты к сумме частот (объём
выборки), то есть

В зависимости от выбора постоянной величины A различают следующее моменты:

1. Если A= 0, то моменты называются начальными. Будем обозначать их через и вычислять по формуле:

Тогда:

– при k = 0 получаем начальный момент нулевого порядка ;
– при k =1 получаем начальный момент первого порядка
– при k =2 получаем начальный момент второго порядка ;
– при k = 3 получаем начальный момент третьего порядка
– при k = 4 получаем начальный момент четвёртого порядка

и так далее. На практике чаще всего используют моменты первых четырёх порядков.

2. Если то моменты называются начальными относительно , обозначаютсяи рассчитываются по формуле:

3. Еслисредняя), то моменты называются центральными, обозначаются и вычисляются так:

Тогда

Коэффициентом асимметрии называется отношение центрального момента третьего порядка к кубу среднеквадратического отклонения:

Если полигон вариационного ряда скошен, то есть одна из его ветвей, начиная от вершины, зримо короче другой, то такой ряд называют асимметричным.
Эксцессом называют уменьшенное на три единицы отношение центрального момента четвёртого порядка к четвёртой степени среднеквадратического отклонения:

Кривые распределения, у которых , менее крутые, имеют более плоскую вершину и называются плосковершинными. Кривые распределения, у которых более крутые, имеют более острую вершину и называются островершинными.

Выборки и доверительные интервалы

Пусть у нас имеется большое количество предметов, с нормальным распределением некоторых характеристик (например, полный склад однотипных овощей, размер и вес которых варьируется). Вы хотите знать средние характеристики всей партии товара, но у Вас нет ни времени, ни желания измерять и взвешивать каждый овощ. Вы понимаете, что в этом нет необходимости. Но сколько штук надо было бы взять на выборочную проверку?

Прежде, чем дать несколько полезных для этой ситуации формул напомним некоторые обозначения.

Во-первых, если бы мы все-таки промерили весь склад овощей (это множество элементов называется генеральной совокупностью), то мы узнали бы со всей доступной нам точностью среднее значение веса всей партии. Назовем это среднее значение Х ср.ген. – генеральным средним. Мы уже знаем, что нормальное распределение определяется полностью, если известно его среднее значение и отклонение s. Правда, пока мы ни ни s генеральной совокупности не знаем. Мы можем только взять некоторую выборку, замерить нужные нам значения и посчитать для этой выборки как среднее значение так и среднее квадратическое отклонение

Известно, что если наша выборочная проверка содержит большое количество элементов (обычно n больше 30), и они взяты действительно случайным образом, то s генеральной совокупности почти не будет отличаться от

Кроме того, для случая нормального распределения мы можем пользоваться следующими формулами:

С вероятностью 95%

С вероятностью 99%

В общем виде с вероятностью P(t)

Связь значения t со значением вероятности P(t), с которой мы хотим знать доверительный интервал, можно взять из следующей таблицы:

Таким образом, мы определили, в каком диапазоне находится среднее значение для генеральной совокупности (с данной вероятностью). Если у нас нет достаточно большой выборки, мы не можем утверждать, что генеральная совокупность имеет Кроме того, в этом случае проблематична близость выборки к нормальному распределению. В этом случае также пользуются вместо s в формуле:

но значение t для фиксированной вероятности P(t) будет зависеть от количества элементов в выборке n. Чем больше n, тем ближе будет полученный доверительный интервал к значению, даваемому формулой (1). Значения t в этом случае берутся из другой таблицы (t-критерий Стьюдента), которую мы приводим ниже:

Значения t-критерия Стьюдента для вероятности 0,95 и 0,99

Пример №7

Из работников фирмы случайным образом отобрано 30 человек. По выборке оказалось, что средняя зарплата (в месяц) составляет 10 тыс. рублей при среднем квадратическом отклонении 3 тыс. рублей. С вероятностью 0,99 определить среднюю зарплату в фирме.

Решение:

По условию имеем Для нахождения доверительного интервала воспользуемся формулой, соответствующей критерию Стьюдента. По таблице для n = 30 и Р = 0,99 находим t = 2,756, следовательно,

т.е. искомый доверительный интервал Итак, вероятностью 0,99 можно утверждать, что интервал (27484; 32516) содержит внутри себя среднюю зарплату в фирме. Мы надеемся, что Вы будете пользоваться этим методом, при этом не обязательно, чтобы при Вас каждый раз была таблица. Подсчеты можно проводить в Excel автоматически. Находясь в файле Excel, нажмите в верхнем меню кнопку Затем, выберите среди функций тип “статистические”, и из предложенного перечня в окошке – СТЬЮДРАСПОБР. Затем, по подсказке, поставив курсор в поле “вероятность” наберите значение обратной вероятности (т.е. в нашем случае вместо вероятности 0,95 надо набирать вероятность 0,05). Видимо, электронная таблица составлена так, что результат отвечает на вопрос, с какой вероятностью мы можем ошибиться. Аналогично в поле “степень свободы” введите значение (n-1) для своей выборки.

Понятие о статистике

«Статистика знает все», — утверждали И. Ильф и Е. Петров в своем знаменитом романе «Двенадцать стульев» и продолжали: «Известно, сколько какой пищи съедает в год средний гражданин республики… Известно, сколько в стране охотников, балерин, станков, собак всех пород, велосипедов, памятников, девушек, маяков и швейных машинок… Как много жизни, полной пыла, страстей и мысли, глядит на нас из статистических таблиц!»

Это ироничное описание дает достаточно точное представление о статистике (от латинского status — состояние) — науке, изучающей, обрабатывающей и анализирующей количественные данные о разнообразнейших массовых явлениях в жизни. Экономическая статистика изучает изменение цен, спроса и предложения товаров, прогнозирует рост и падение производства и потребления. Медицинская статистика изучает эффективность разных лекарств и методов лечения, вероятность возникновения некоторых заболеваний в зависимости от возраста, пола, наследственности, условий жизни, вредных привычек, прогнозирует распространение эпидемий. Демографическая статистика изучает рождаемость, численность населения, его состав (возрастной, национальный, профессиональный). А есть еще статистика финансовая, налоговая, биологическая, метеорологическая…

Статистика имеет многовековую историю. Уже в Древнем мире вели статистический учет населения. Однако случайное толкование статистических данных, отсутствие строгой научной базы статистических прогнозов даже в середине XIX в. еще не позволяли говорить о статистике как науке. Только в XX в. появилась математическая статистика — наука, опирающаяся на законы теории вероятностей. Выяснилось, что статистические методы обработки данных из самых разных областей жизни имеют много общего. Это позволило создать универсальные научно обоснованные методы статистических исследований и проверки статистических гипотез.

Таким образом:

Математическая статистика — это раздел математики, изучающий математические методы обработки и использования статистических данных для научных и практических выводов.

В математической статистике рассматриваются методы, которые дают возможность по результатам экспериментов (статистическим данным) делать определенные выводы вероятностного характера.

Математическая статистика подразделяется на две обширные области: 1) описательная статистика, которая рассматривает методы описания статистических данных, их табличное и графическое представление и пр.; 2) аналитическая статистика (теория статистических выводов), которая рассматривает обработку данных, полученных в ходе эксперимента, и формулировку выводов, имеющих прикладное значение для конкретной области человеческой деятельности. Теория статистических выводов тесно связана с теорией вероятностей и базируется на ее математическом аппарате. Среди основных задач математической статистики можно отметить следующие. 1. Оценка вероятности. Пусть некоторое случайное событие имеет вероятность p > 0, но ее значение нам неизвестно. Требуется оценить эту вероятность по результатам экспериментов, то есть решить задачу об оценке вероятности через частоту.

Оценка закона распределения:

Исследуется некоторая случайная величина, точное выражение для закона распределения которой нам неизвестно. Необходимо по результатам экспериментов найти приближенное выражение для функции, задающей закон распределения.

Оценка числовых характеристик случайной величины (например, математического ожидания ).

Проверка статистических гипотез (предположений).

Исследуется некоторая случайная величина. Исходя из определенных рассуждений, выдвигается, например, гипотеза о распределении этой случайной величины. Необходимо по результатам экспериментов принять или отвергнуть эту гипотезу. Результаты исследований, проводимых методами математической статистики, применяются для принятия решений. В частности, при планировании и организации производства, при контроле качества продукции, при выборе оптимального времени наладки или замены действующей аппаратуры (например, при определении времени замены двигателя самолета, отдельных частей станков и т. д.). Как и в каждой науке, в статистике используются свои специфические термины и понятия. Некоторые из них приведены в табл. 37. Запоминать их определения необязательно, достаточно понимать их смысл.

Генеральная совокупность и выборка

Для изучения различных массовых явлений проводятся специальные статистические исследования. Любое статистическое исследование начинается с целенаправленного сбора информации об изучаемом явлении или процессе. Этот этап называют этапом статистических наблюдений.

Для получения статистических данных в результате наблюдений похожие элементы некоторой совокупности сравнивают по разным признакам. Например, учащихся 11 классов можно сравнивать по росту, размеру одежды, успеваемости и пр. Болты можно сравнивать по длине, диаметру, массе, материалу и другим характеристикам. Практически любой признак или непосредственно измеряется, или может получить условную числовую характеристику (см. пример с выпадением «герба» или «числа» при подбрасывании монеты).

Таким образом, некоторый признак элементов совокупности можно рассматривать как величину, принимающую те или иные числовые значения. При изучении реальных явлений часто бывает невозможно обследовать все элементы совокупности.

Например, практически невозможно выяснить размеры обуви у всех людей планеты. А проверить, например, наличие листов некачественной фотобумаги в большой партии хотя и реально, но бессмысленно, потому что полная проверка приведет к уничтожению всей партии бумаги. В подобных случаях вместо изучения всех элементов совокупности, называемой генеральной совокупностью, обследуют ее значительную часть, выбранную случайным образом. Эту часть называют выборкой, а число элементов в выборке называется объемом выборки. Eсли в выборке все основные признаки генеральной совокупности представлены в той же пропорции и с той же относительной частотой, с которой данный признак выступает в данной генеральной совокупности, то эту выборку называют репрезентативной (от французского représentatif — показательный).

Иными словами, репрезентативная выборка представляет собой меньшую по размеру, но точную модель той генеральной совокупности, которую она должна отражать. В той степени, в какой выборка является репрезентативной, выводы, основанные на изучении этой выборки, можно с большой долей уверенности считать применимыми ко всей генеральной совокупности.

Понятие репрезентативности отобранной выборки не означает ее полного представительства по всем признакам генеральной совокупности, поскольку это практически обеспечить невозможно. Отобранная из всей совокупности часть должна быть репрезентативной относительно тех признаков, которые изучаются.

Чтобы выборка была репрезентативной, она должна быть выделена из генеральной совокупности случайным образом. Этого можно достичь различными способами.

Чаще всего используют следующие виды выборок:

собственно-случайную;
механическую;
типическую;
серийную.

Кратко охарактеризуем каждую из них.

1) Члены генеральной совокупности можно предварительно занумеровать и каждый номер записать на отдельной карточке. После тщательного перемешивания будем отбирать наугад из пачки таких карточек по одной и таким образом получим выборочную совокупность любого нужного объема, которая называется собственно-случайной выборкой. Номера на отобранных карточках укажут, какие члены генеральной совокупности попали в выборку. (Заметим, что при этом возможны два принципиально различных способа отбора карточек в зависимости от того, возвращается или не возвращается обратно вынутая карточка после записи ее номера.) Собственно-случайную выборку заданного объема п можно образовать и с помощью так называемых таблиц случайных чисел или генератора случайных чисел на компьютере. При образовании собственно-случайной выборки каждый член генеральной совокупности с одинаковой вероятностью может попасть в выборку.

2) Выборка, в которую члены из генеральной совокупности отбираются через определенный интервал, называется механической. Например, если объем выборки должен составлять 5% объема генеральной совокупности (5%-ная выборка), то отбирается ее каждый 20-й член, при 10%-ной выборке — каждый 10-й член генеральной совокупности и т. д. Механическую выборку можно образовать, если имеется определенный порядок следования членов генеральной совокупности, например, если они следуют друг за другом в определенной последовательности во времени. Именно так появляются изготовленные на станке детали, приборы, сошедшие с конвейера, и т. п. При этом необходимо убедиться, что в следующих один за другим членах генеральной совокупности значения признака не изменяются с той же (или кратной ей) периодичностью, что и периодичность отбора элементов в выборку. Например, пусть из продукции металлообрабатывающего станка в выборку попадает каждая пятая деталь, а после каждой десятой детали рабочий производит смену (или заточку) режущего инструмента и наладку станка. Эти операции рабочего направлены на улучшение качества деталей (износ режущего инструмента происходит более или менее равномерно). Следовательно, в выборочную совокупность попадут детали, на качество которых работа станка влияет в одну и ту же сторону, и значения признака выборочной совокупности могут неправильно отразить соответствующие значения признака генеральной совокупности.

3) Если из предварительно разбитой на непересекающиеся группы генеральной совокупности образовать собственно-случайные выборки из каждой группы (с повторным или бесповторным отбором членов), то отобранные элементы составят выборочную совокупность, которая называется типической.

4) Если генеральную совокупность предварительно разбить на непересекающиеся серии (группы), а затем, рассматривая серии как элементы, образовать собственно-случайную выборку (с повторным или бесповторным отбором серий), то все члены отобранных серий составят выборочную совокупность, которая называется серийной. Например, пусть на заводе 150 станков (10 цехов по 15 станков) производят одинаковые изделия. Если в выборку отбирать изделия из тщательно перемешанной продукции всех 150 станков, то образуется собственно-случайная выборка. Но можно отбирать изделия отдельно из продукции первого, второго и т. д. станков. Тогда будет образована типическая выборка. Если же членами генеральной совокупности считать цеха и сначала образовать собственно-случайную выборку цехов, а потом в каждом из отобранных цехов взять все произведенные изделия, то все отобранные изделия (из всех отобранных цехов) составят серийную выборку. Как уже отмечалось, практически любой изучаемый признак X может быть непосредственно измерен или получить числовую характеристику. Поэтому первичные экспериментальные данные, характеризующие выделенную выборку, обычно представлены в виде набора чисел, записанных исследователем в порядке их поступления. Количество (n) чисел в этом наборе – объем выборки, а численность (m) варианты (одного из значений элементов выборки) называют частотой варианты. Отношение m n называют относительной частотой (W) варианты.

Используя эти понятия, запишем соотношение между ними в репрезентативной выборке.

Пусть S — объем генеральной совокупности, n — объем репрезентативной выборки, в которой k значений исследуемых признаков распределены по частотам. Тогда в генеральной совокупности частотам будут соответствовать частоты тех же значений признака, что и в выборке По определению репрезентативной выборки получаем: , где і — порядковый номер значения признака Из этого соотношения находим:

Пример №8

Обувной цех должен выпустить 1000 пар кроссовок молодежного фасона. Для того чтобы определить, сколько кроссовок и какого размера необходимо выпустить, были выявлены размеры обуви у 50 случайным образом выбранных подростков. Распределение размеров обуви по частотам представлено в таблице:

Сколько кроссовок разного размера будет изготавливать фабрика?

Решение:

Будем считать рассмотренную выборку объемом n = 50 подростков репрезентативной. Тогда в генеральной совокупности (объемом S = 1000) количество кроссовок каждого размера пропорционально количеству кроссовок соответствующего размера в выборке (и для каждого размера находится по формуле (1)). Результаты расчетов будем записывать в таблицу:

Ответ:

В сельском хозяйстве для определения количественного соотношения продукции разного сорта пользуются так называемым выборочным

методом. Суть этого метода будет ясна из описания следующего опыта, теоретическую основу которого составляет закон больших чисел. В коробке тщательно перемешан горох двух сортов: зеленый и желтый. Небольшой емкостью, например ложкой, вынимают из разных мест коробки порции гороха. В каждой порции подсчитывают число М желтых горошин и число n всех горошин. Для каждой порции находят относительную частоту появления желтой горошины Так делают k раз (на практике обычно берут 5 < k < 10) и каждый раз вычисляют относительную частоту. За статистическую вероятность извлечения желтой горошины из коробки принимают среднее арифметическое полученных относительных частот

Табличное и графическое представление данных. Числовые характеристики рядов данных

Ранжирование ряда данных:

Под ранжированием ряда данных понимают расположение элементов этого ряда в порядке возрастания (имеется в виду, что каждое следующее число или больше, или не меньше предыдущего).

Пример:

Если ряд данных выборки имеет вид 5, 3, 7, 4, 6, 4, 6, 9, 4, то после ранжирования он превращается в ряд 3, 4, 4, 4, 5, 6, 6, 7, 9. (*)

Размах выборки (R)

Размах выборки — это разность между наибольшим и наименьшим значениями величины в выборке.

Для ряда (*) размах выборки: R = 9 – 3 = 6.

Мода (Mo)

Мода — это значение элемента выборки, встречающееся чаще остальных.

В ряду (*) значение 4 встречается чаще всего, итак, Mo = 4.

Медиана (Me)

Медиана — это так называемое серединное значение упорядоченного ряда значений: — если количество чисел в ряду нечетное, то медиана — это число, записанное посередине; — если количество чисел в ряду четное, то медиана — это среднее арифметическое двух чисел, стоящих посередине.

Для ряда (*), в котором 9 членов, медиана — это среднее (то есть пятое) число 5: Me = 5. Если рассмотреть ряд 3, 3, 4, 4, 4, 5, 6, 6, 7, 9, в котором 10 членов, то медиана — это среднее арифметическое пятого и шестого членов:

Среднее значение выборки

Средним значением выборки называется среднее арифметическое всех чисел ряда данных выборки. Если в ряду данных записаны значения (среди которых могут быть и одинаковые), то

Если известно, что в ряду данных различные значения встречаются соответственно с частотами (тогда то среднее арифметическое можно вычислить по формуле

Пусть ряд данных задан таблицей распределения его различных значений по частотам M:

Тогда по формуле (**) или по другой формуле

Табличное и графическое представление данных. Полигоны частот

Как уже отмечалось, практически любой изучаемый признак X может быть непосредственно измерен или получить числовую характеристику. Поэтому первичные экспериментальные данные, характеризующие выделенную выборку, обычно представлены в виде набора чисел, записанных исследователем в порядке их поступления.

Если данных много, то полученный набор чисел трудно обозрим и сделать по нему какие-то выводы очень сложно. Поэтому первичные данные нуждаются в обработке, которая обычно начинается с их группировки. Группировка выполняется различными методами в зависимости от целей исследования, вида изучаемого признака и количества экспериментальных данных (объема выборки). Наиболее часто группировка сводится к представлению данных в виде таблиц, в которых различные значения элементов выборки упорядочены по возрастанию и указаны их частоты (то есть количество каждого элемента в выборке).

При необходимости в этой таблице указывают также относительные частоты для каждого элемента, записанного в первой строке. Такую таблицу часто называют рядом распределения (или вариационным рядом). Например, пусть при изучении размера обуви 30 мальчиков 11 класса получили набор чисел (результаты записаны в порядке опроса): 39; 44; 41; 39; 40; 41; 45; 42; 44; 41; 41; 43; 42; 43; 41; 44; 42; 38; 40; 38; 41; 40; 42; 43; 42; 41; 43; 40; 40; 42. Чтобы удобнее было анализировать информацию, в подобных ситуациях числовые данные сначала ранжируют, располагая их в порядке возрастания (когда каждое следующее число или больше, или не меньше предыдущего). В результате ранжирования получаем следующий ряд: 38; 38; 39; 39; 40; 40; 40; 40; 40; 41; 41; 41; 41; 41; 41; 41; 42; 42; 42; 42; 42; 42; 43; 43; 43; 43; 44; 44; 44; 45. Затем составляем таблицу, в первой строке которой указаны все различные значения полученного ряда данных (X  размер обуви выбранных 30 мальчиков 11 класса), а во второй строке – их частоты М:

Получаем ряд распределения рассматриваемого признака X по частотам. Иногда удобно проводить анализ ряда распределения на основе его графического изображения. Отметим на координатной плоскости точки с координатамии соединим их последовательно отрезками (рис. 23.1). Полученную ломаную линию называют полигоном частот.

Итак, полигоном частот называют ломаную, отрезки которой последовательно соединяют точки с координатами , где — значения различных элементов ряда данных, а — соответствующие им частоты. Аналогично определяется и строится полигон относительных частот для рассматриваемого признака X (строятся точки с координатами — значения различных элементов ряда данных, а — соответствующие им относительные частоты.

Если вычислить относительные частоты для каждого из различных значений ряда данных, рассмотренного в начале этого пункта, то распределение значений рассматриваемого признака X по относительным частотам можно задать таблицей:

Распределение значений рассматриваемого признака X по относительным частотам можно представить также в виде полигона относительных частот (рис. 23.2), в виде линейной диаграммы (рис. 23.3) или в виде круговой диаграммы, предварительно записав значения относительной частоты в процентах (рис. 23.4).

Напомним, что для построения круговой диаграммы круг разбивается на секторы, центральные углы которых пропорциональны относительным частотам, вычисленным для каждого из различных значений ряда данных. Обратим внимание, что круговая диаграмма сохраняет свою наглядность и выразительность только при небольшом количестве полученных секторов. В противном случае ее применение малоэффективно. Если рассматриваемый признак принимает много различных значений, то его распределение можно лучше себе представить после разбиения всех значений ряда данных на классы.

Количество классов может быть любым, удобным для исследования (обычно от 4 до 12). При этом величины (объемы) классов должны быть одинаковыми. Например, в следующей таблице представлены сведения о заработной плате 100 рабочих одного предприятия (в некоторых условных единицах). При этом значения зарплаты (округлены до целого числа условных единиц) сгруппированы в 7 классов, каждый объемом в 100 условных единиц.

(проверка: = 100) Наглядно частотное распределение зарплат по классам можно представить с помощью полигона частот (рис. 23.5) или столбчатой диаграммы (рис. 23.6).

Числовые характеристики рядов данных. Размах, мода и медиана ряда данных

Иногда выборку случайных величин или всю генеральную совокупность этих величин приходится характеризовать одним числом. На практике это необходимо, например, для быстрого сравнения двух или больше совокупностей по общему признаку. Рассмотрим конкретный пример. Пусть после летних каникул провели опрос 10 девочек и 9 мальчиков одного класса о количестве книг, прочитанных ими за каникулы. Результаты были записаны в порядке опроса. Получили следующие ряды чисел:

для девочек: 4, 3, 5, 3, 8, 3, 12, 4, 5, 5;
для мальчиков: 5, 3, 3, 4, 6, 4, 4, 7, 4.

Как уже отмечалось, чтобы удобнее было анализировать информацию, в подобных случаях числовые данные ранжируют, располагая их в порядке возрастания (когда каждое следующее число или больше, или не меньше предыдущего). В результате ранжирования получили следующие ряды:

для девочек: 3, 3, 3, 4, 4, 5, 5, 5, 8, 12; (1)
для мальчиков: 3, 3, 4, 4, 4, 4, 5, 6, 7. (2)

Тогда распределение по частотам M величин: X — число книг, прочитанных за каникулы девочками, и Y — число книг, прочитанных за каникулы мальчиками, можно задать таблицами:

Эти распределения можно проиллюстрировать также графически с помощью полигона частот (рис. 23.7, а, б).

Для сравнения рядов (1) и (2) используют различные характеристики. Приведем некоторые из них. Размахом ряда чисел (обозначается R) называют разность между наибольшим и наименьшим из этих чисел. Поскольку мы анализируем выборку некоторых величин, то размах выборки — это разность между наибольшим и наименьшим значениями величины в выборке.

Для ряда (1) размах R = 12 – 3 = 9, а для ряда (2) размах R = 7 – 3 = 4. На графике размах — это длина области определения полигона частот (рис. 23.7). Одной из статистических характеристик ряда данных является его мода (обозначается Mo, от латинского слова modus — мера, правило).

Мода — это значение элемента выборки, встречающееся чаще остальных.

Так, в ряду (1) две моды — числа 3 и 5: = 5, а в ряду (2) одна мода — число 4: Mo = 4. На графике мода — это значение абциссы точки, в которой достигается максимум полигона частот (см. рис. 23.7). Отметим, что моды может и не быть, если все значения рассматриваемого признака встречаются одинаково часто. Моду ряда данных обычно находят тогда, когда хотят выяснить некоторый типовой показатель. Например, когда изучают данные о моделях мужских рубашек, проданных в определенный день в универмаге, то удобно использовать такой показатель, как мода, который характеризует модель, пользующуюся наибольшим спросом (собственно, этим и объясняется название «мода»). Еще одной статистической характеристикой ряда данных является его медиана. Медиана — это так называемое серединное значение упорядоченного ряда значений (обозначается Me). Медиана делит упорядоченный ряд данных на две равные по количеству элементов части.

Если количество чисел в ряду нечетное, то медиана — это число, записанное посередине. Например, в ряду (2) нечетное количество элементов (n = 9). Тогда его медианой является число, стоящее посередине, то есть на пятом месте: Me =4

Следовательно, о мальчиках можно сказать, что одна половина из них прочитала не больше 4 книг, а вторая — не меньше 4 книг. (Отметим, что в случае нечетного n номер среднего члена ряда равен

Если количество чисел в ряду четное, то медиана — это среднее арифметическое двух чисел, стоящих посередине. Например, в ряду (1) четное количество элементов (n = 10). Тогда его медианой является число, равное среднему арифметическому чисел, стоящих посередине, то есть на пятом и шестом местах:

Следовательно, о девочках можно сказать, что одна половина из них прочитала меньше 4,5 книги, а вторая — больше 4,5 книги. (Отметим, что в случае четного n номера средних членов ряда равны

Среднее значение выборки

Средним значением выборки (обозначается называется среднее арифметическое всех чисел ряда данных выборки. Если в ряду данных записаны значения (среди которых могут быть и одинаковые), то

Если известно, что в ряду данных различные значения встречаются соответственно с частотами (тогда ∑M = n ), то, заменяя одинаковые слагаемые в числителе на соответствующие произведения, получаем, что среднее арифметическое можно вычислять по формуле

Последнюю формулу удобно использовать в тех случаях, когда в выборке распределение величины по частотам задано в виде таблицы. Напомним, что распределение по частотам M величин: X — число книг, прочитанных за каникулы девочками, и Y — число книг, прочитанных за каникулы мальчиками, было задано такими таблицами:

Тогда средние значения заданных выборок равны:

Поскольку то можно сказать, что за один и тот же промежуток времени девочки в классе читают книг больше, чем мальчики. Обратим внимание, что в пособиях по статистике моду, медиану и среднее значение выборки объединяют одним термином — меры центральной тенденции, подчеркивая тем самым возможность охарактеризовать ряд выборки одним числом. Не для каждого ряда данных имеет смысл формально находить центральные тенденции.

Например, если исследуется ряд 5, 5, 8, 110 (5) годовых доходов четырех людей (в тыс. у. е.), то очевидно, что ни мода (5), ни медиана (6,5), ни среднее значение (32) не могут выступать в роли единой характеристики всех значений ряда данных. Это объясняется тем, что размах ряда (105) является соизмеримым с наибольшим из его значений. В данном случае можно искать центральные тенденции, например, для части ряда (5): 5, 5, 8, условно назвав его выборкой годового дохода низкооплачиваемой части населения. Если в выборке среднее значение существенно отличается от моды, то его нецелесообразно выбирать в качестве типичной характеристики рассматриваемой совокупности данных (чем больше значение моды отличается от среднего значения, тем «более несимметричным» является полигон частот совокупности).

Сведения из истории:

Элементарные задачи, которые позднее были отнесены к стохастике, то есть к комбинаторике, теории вероятностей и математической статистике, ставились и решались еще во времена Древних Египта, Греции и Рима. Этот период так называемой предыстории теории вероятностей заканчивается в XVI в. работами итальянских математиков Д. Кардано (1501–1576) «Книга об игре в кости», Н. Тартальи (1499–1557) «Общий трактат о числе и мере», Г. Г а л и л е я (1564–1642) «О выпадении очков при игре в кости» и др. В этих работах уже фигурирует понятие вероятности, используется теорема о вероятности произведения независимых событий, высказываются некоторые соображения относительно так называемого закона больших чисел. В XVII–XVIII вв. вопросами теории вероятностей заинтересовались французские математики П. Ферма (1601–1665) и Б. Паскаль (1623–1662), нидерландский математик X. Гюйгенс (1629– 1695), швейцарские математики Я. Бернулли (1654–1705), И. Бернулли (1687–1759), Д. Бернулли (1700–1782) и российский математик Л. Эйлер (1707–1783). В своих работах они уже использовали теоремы сложения и умножения вероятностей, понятия зависимых и независимых событий, математического ожидания. Большую роль в распространении идей теории вероятностей и математической статистики в России сыграли выдающиеся российские математики В. Я. Буняковский (1804–1889) и М. В. Остроградский (1801–1862). Дальнейшее развитие теории вероятностей потребовало уточнения основных ее положений. Большую работу в этом направлении провел выдающийся российский математик П. Л. Чебышёв (1821–1894). Его ученик А. А. Марков (1856– 1922) стал выдающимся математиком именно благодаря своим исследованиям в теории вероятностей.

Книга А. А. Маркова «Исчисление вероятностей», первое издание которой вышло в 1900 г., а четвертое — в 1924 г., в течение многих лет была лучшей из тех, по которым учились российские математики. В этой книге, в частности, раскрывается, в каком понимании статистическая вероятность (А) близка к вероятности Р (А) при больших п: вероятность значительного отклонения от Р (А) близка к нулю, но это не означает, что значительные отклонения невозможны при больших п. В XX в. теория вероятностей постепенно превращается в строгую аксиоматическую теорию. Это произошло благодаря работам многих математиков. Но действительно решающим этапом в развитии теории вероятностей стала работа А. Н. Колмогорова (1903–1987) «Основные понятия теории вероятностей» (изданная в 1937 г.), в которой он изложил свою аксиоматику теории вероятностей и после которой теория вероятностей заняла равноправное место среди других математических дисциплин. Большие достижения в теории вероятностей и математической статистике имели также российские математики А. Я. Хинчин (1894–1959), Е. Е. Слуцкий (1880–1948), Б. В. Генеденко (1911–1995), математики И. И. Гихман (1918–1985), В. С. Михалевич (1930–1994), и другие.

Выборка, вариационный ряд и гистограмма

Если теория вероятностей оперирует с известными законами распределения и их параметрами (числовыми характеристиками), то математическая статистика по результатам экспериментов проверяет, правильно ли подобрано распределение (нормальное, биномиальное, экспоненциальное и т. д.), оценивает параметры этого распределения, проверяет гипотезы о параметрах принятого распределения. Это позволяет заменить большое число экспериментальных данных небольшим числом параметров распределения, которые в сжатом виде характеризуют случайную величину и позволяют прогнозировать результаты эксперимента при известном комплексе условий.
Пусть проводится измерений. В результате измерений получено чисел . Если повторить еще раз измерений, то получатся другие чисел, отличные от первого набора. Процесс из измерений можно описать как и независимых случайных величин.

Результат и наблюдений случайной величины X называется выборкой, – объем выборки, а сама случайная величина X – называется генеральной случайной величиной.

Результат эксперимента может быть интерпретирован либо апостериорной величиной, либо априорной. В первом случае это результат опыта. Во втором случае является случайной величиной (т. к. до опыта неизвестна), которая получит свое конкретное значение в результате какого-то опыта. В этом случае можно предполагать, что закон распределения , совпадает с законом распределения генеральной случайной величиной X и , можно рассматривать как экземпляр генеральной случайной величины X.

Далее мы будем считать выборки априорными. При этом будем полагать, что элементы выборки – независимые случайные величины с одинаковым законом распределения, т. е. мы можем широко использовать теоремы независимых случайных величинах.

Упорядоченная в порядке возрастания последовательность выборочных значений образует вариационный ряд:

члены вариационного ряда называются порядковыми статистиками. Если объем выборки – велик, то выборка позволяет приблизительно оценить закон распределения случайной величиной X. Для этого необходимо построить гистограмму. Есть два способа построения гистограммы – равноинтервальный и равновероятностный.

Рассмотрим равноинтервалъный способ.

Разобьем весь диапазон выборочных значений от на равных частей. Величину выбирают достаточно произвольно, можно так: где – объем выборки.
Определяем длину каждого интервала:
Находим границы каждого интервала: для первого: для второго: для

Определим середины каждого интервала:

4. Подсчитываем (используя вариационный ряд) количество выборочных значений, попадающих в интервал –

5. Находим относительную частоту попадания случайной величиной X в интервал.
Полученные данные заносим в таблицу.

Эта таблица называется статистическим рядом.

Графическое изображение статистического ряда – это гистограмма.
Рисуем оси координат, делаем разметку осей, наносим на ось X границы интервалов и их середины. После этого строим на каждом отрезке прямоугольники высотой . Аппроксимируем фигуру из прямоугольников пунктирной линией (рис. 8.1). По виду этой кривой можно выдвинуть предположение (гипотезу) о виде закона распределения генеральной случайной величиной X (на рис. 8.1. видно, что пунктирная линия похожа на кривую Гаусса, которая относится к нормальному закону).

Имея статистический ряд можно оценить числовые характеристики генеральной случайной величиной X :

Выборочный метод

Группа предметов или явлений, объединенных каким-либо общим признаком или свойством качественного или количественного характера, называется совокупностью. Предметы или явления, образующие совокупность, называются единицами совокупности. Если совокупность содержит ограниченное число единиц, то она называется конечной. Если число единиц совокупности безгранично, то ее называют бесконечной совокупностью.

Теоретические основы выборочного метода содержатся в теоремах Чебышева и Ляпунова.

Основной предпосылкой применения выборочного метода является возможность судить о характеристиках генеральной (общей) совокупности по отобранной, так называемой выборочной совокупности. Наиболее важным принципом в применении выборочного метода является обеспечение равной возможности всем единицам, входящим в состав генеральной совокупности, быть избранными. При таком объективном подходе к отбору единиц, при котором ни одна единица не обладает преимуществом попасть в отбираемую совокупность по сравнению с другими единицами, характеристики выборочной совокупности при увеличении объема выборки стремятся к характеристикам генеральной совокупности.

Теорема Чебышева (применительно к выборочному методу) может быть записана в следующем виде:

где —средняя по совокупности выбранных единиц;

— средняя по генеральной совокупности;

— среднее квадратическое отклонение в генеральной совокупности.

Теорема формулируется так: с вероятностью, сколь угодно близкой к единице (достоверности), можно утверждать, что при достаточно большом объеме выборки, и ограниченной дисперсии генеральной совокупности разность между выборочной средней и генеральной средней будет сколь угодно мала.

Примечания. 1. Выражение часто обозначают

2. При практическом использовании теоремы Чебышева генеральную-дисперсию которая неизвестна, заменяют выборочной дисперсией

Теорема Ляпунова

Ляпунов с помощью разработанного им метода характеристических функций доказал в 1900 г. центральную предельную теорему, носящую его имя. Эта теорема выясняет общие условия, при осуществлении которых распределение суммы независимых случайных величин стремится к нормальному распределению вероятностей. В частности, эта теорема дает возможность оценить погрешность приближенных равенств:

при достаточно больших n (modo Bernulliano). Если —независимые случайные величины и то вероятность их средней находится в пределе от а до b и может быть определена равенством:

где

Ограничительные условия теоремы Ляпунова сводятся в основном к тому, чтобы среди слагаемых случайных величин не было сильно выделяющихся (таких, колеблемость которых значительно превосходила бы большинство остальных). В приложении к выборочному методу данная теорема может быть сформулирована следующим образом:

При достаточно большом объеме выборки и ограниченной дисперсии генеральной совокупности вероятность того, что разность между выборочной средней и генеральной средней будет в пределах равна

Формулировка Ляпунова придает теореме Чебышева полную определенность и записывается так:

Замечание о практическом использовании ее то же, что и для формулы на стр. 125.

Теорема Я. Бернулли, опубликованная в 1713 г., послужила началом возникновения большой группы теорем, именуемых в общем законом больших чисел. Она представляет собой частный случай теоремы Чебышева и может быть из нее получена

где — доля признака среди отобранных единиц (частость);

р — доля признака в генеральной совокупности.

Теорема Бернулли применяется в тех случаях, когда из генеральной совокупности производится отбор единиц и доля признака не меняется от испытания к испытанию. Формулировка теоремы Бернулли применительно к выборке: с вероятностью, сколь угодно близкой к единице, можно утверждать, что разность между частостью и долей в генеральной совокупности при достаточно большом объеме выборки будет сколь угодно мала. При практическом использовании данной теоремы величина рассчитывается путем замены р на и q на

Теорема Пуассона также является частным случаем теоремы Чебышева, когда доля признака в генеральной совокупности (р) с ходом выборки все время меняется. В этом случае

Тогда:

Ошибка репрезентативности (представительства представляет собой разность между характеристиками выборочной и генеральной совокупности. Генеральная средняя вычитается из выборочной средней или доля признака в генеральной совокупности (р) вычитается из доли признака в выборочной совокупности, т. е. частости

Если представляет собой предел,которого не превосходит абсолютная величина то

В формулах выборочного метода фигурирует дисперсия генеральной совокупности (). Но при производстве выборки характеристики генеральной совокупности неизвестны. Однако обычно (за исключением очень малочисленных выборок) без большой погрешности можно заменить дисперсию генеральной совокупности дисперсией выборочной совокупности (), которая вычисляется по формулам:

Предельная и средние ошибки выборки

Теория устанавливает соотношение между пределом ошибки выборки (), гарантируемым с некоторой вероятностью (P), величиной t, связанной с этой вероятностью (см. приложение III), и так называемой средней ошибкой выборки ():

или

Предельная ошибка выборки равна t-кратному числу средних ошибок выборки.

По способу организации выборки различают:

собственно случайный отбор;
типический отбор;
механический отбор;
серийный отбор;
комбинированный отбор.

Собственно случайный отбор ориентирован на выборку единиц из генеральной совокупности без всякого расчленения ее на части или группы. При этом теоретически возможно применение собственно случайного повторного отбора и собственно случайного бесповторного отбора.

Формулы средней ошибки выборки при собственно случайном методе отбора:

Для большей точности вместо множителя следует брать множитель но при большой численности N различие между этими выражениями практически значения не имеет.

Пример №9

Из совокупности 10 000 деталей отобрано собственно случайным бесповторным методом 1000 деталей, для которых средний вес детали оказался равным 50 г, дисперсия 49. Бракованных деталей было обнаружено 20 штук. Вычислить средние ошибки выборки для средней и доли.

Дано:

По формулам табл. 1 находим средние ошибки выборки: для среднего веса детали при бесповторном отборе:

и для доли брака:

Случайные числа и таблицы случайных чисел

Однозначные числа, расположенные в случайном порядке, называются случайными числами. Случайность расположения чисел состоит в отсутствии закона, определяющего их расположение, и вместе с тем в приближенно равной частоте каждой из десяти цифр.

При организации собственно случайной выборки для соблюдения основного принципа выборки — равной возможности каждой единице генеральной совокупности быть отобранной — используются таблицы случайных чисел, позволяющие производить случайный отбор единиц наудачу, т. е. без привнесения элементов субъективности.

Таблицы случайных чисел составляются различными методами. Так, например, М. Кодыров выписывал 50 000 однозначных чисел из результатов переписи населения 1926 г. Брались срединные цифры одна за другой, в том порядке, в каком они встречались в сводках по городам и губерниям. Для избежания неслучайности крайние цифры из сводок вследствие тенденций к округлениям отбрасывались. А. К. Митропольский для получения таблиц случайных чисел брал 16—19-е знаки двадцатизначной таблицы логарифмов чисел от 90 000 до 100 000. Случайные цифры объединяются в четырехзначные числа.

Таблицы случайных чисел используются путем нумерации всех единиц генеральной совокупности и выписки из таблиц стольких чисел, сколько требуется для выборки. Из генеральной совокупности отбираются те единицы, порядковый номер которых соответствует выписанным из таблицы случайных чисел. Если число единиц в генеральной совокупности не более 999, то последнюю или первую цифру четырехзначного числа отбрасывают. Выборка с помощью таблицы случайных чисел может быть произведена по схеме возвращенного шара (повторная) и по схеме невозвращенного шара (бесповторная). В последнем случае одинаковые числа опускаются.

Пример №10

Генеральная совокупность состоит из 500 единиц. Производится 10-процентный бесповторный отбор. Пронумеруем все 500 единиц генеральной совокупности и возьмем из таблицы случайных чисел (приложение XI) 50 различных трехзначных чисел, начиная с первого числа 3-й колонки. Числа большие, чем 500, отбрасываем.

Получаем: 315, 255, 337, 179, 210, 455, 235-, 364, 489, 80, 117, 118, 174, 476, 111, 341, 296, 332, 4, 307, 22, 430, 52, 22, 83, 248, 319, 262, 36, 101, 27, 342, 470, 330, 170, 443, 499, 109, 42, 70, 490, 422, 336, 67, 121, 225, 57, 319, 499, 362, 198, 50, 286.

Эти числа означают номера тех единиц из 500, которые попали в случайную бесповторную выборку (в данном случае совпадают только три числа: 22, 319, 499; поэтому заменяем их другими).

Для случая, когда частость даже приблизительно неизвестна, можно произвести «грубый» расчет средней ошибки выборки для доли, вводя в расчет максимальную величину произведения равную 0,25. Тогда для повторного отбора получим:

и для бесконечного отбора:

Пример №11

Из совокупности численностью в 900 деталей взята на выборку 81 деталь. Никаких данных, даже предположительных, об удельном весе деталей I сорта в генеральной совокупности нет.

Определить среднюю ошибку выборки для доли продукции I сорта.

Дано: N = 900; n = 81; допускаем, что =0,25, тогда получаем:

Как было показано в § 7, Из приложения III возьмем три значения t, тогда

при t=1 F(t) = 0,683;

t=2 F(t) = 0,954;

t=3 F(t) = 0,997.

Это показывает, что 0,683 измеряет вероятность того, что ошибка выборки не превысит предела, равного одной средней ошибке. Значительно больше вероятность того, что ошибка не превысит двойной средней ошибки, и т. д.

Вероятность 0,997 практически принимают за достоверность, т. е. считают, что предельная ошибка выборки равна трехкратной средней ошибке.

Иногда для определения размеров предельной ошибки связывают величину t с объемом выборки, применяя эмпирическую формулу:

тогда

Чем больше объем выборки, тем ближе предельная ошибка к утроенным средним ошибкам.

Численность выборки

При проектировке выборочного наблюдения предполагают заранее заданными величину допустимой ошибки выборки и вероятность ответа. Неизвестным, следовательно, остается тот минимальный объем выборки, который должен обеспечить требуемую точность. Из формулы и формул средних ошибок выборки устанавливаем необходимую численность выборки (называемую иногда достаточно большим числом).

Формулы для определения численности выборки (n) при собственно случайном способе отбора:

Примечание. При проектировании объема необходимой выборки величины и неизвестны, поэтому вместо точного их значения берут приближенные, установленные на основании уже проведенного другого наблюдения или нескольких пробных наблюдений, избирая из найденных результатов наибольшие значения и

Пример №12

Проектируется выборочное наблюдение, целью которого является установление среднего размера деталей в совокупности, состоящей из 10 000 деталей. Требуемая точность 1 см. Произведенные пробные выборки дали наибольшую дисперсию, равную 49. Нужно определить необходимую численность случайной бесповторной выборки, обеспечивающей с вероятностью 0,95 заданную точность.

Дано: N= 10 000; =1; F(y)=0,95; =49.

По приложению III находим по F(t) значение t= 1,96 и по формуле для бесповторной выборки, взятой из табл. 2, получаем:

Типический отбор дает более точные результаты. Генеральная совокупность делится по некоторому признаку на типические группы. Количество отбираемых единиц из каждой типической группы устанавливается в следующих размерах (см. табл. 3).

При отборе, не пропорциональном объему типических групп, общее число отбираемых единиц делится на число типических групп и полученная величина дает численность отбора из каждой типической группы.

При отборе, пропорциональном объему типических групп, число наблюдений по каждой группе определяется по формуле:

где —объем выборки из i-й типической группы;

n— общий объем выборки;

— объем i-й типической группы;

N—объем генеральной совокупности.

При отборе с учетом колеблемости признака, дающем наименьшую величину ошибки выборки, процент выборки из каждой типической группы должен быть пропорционален среднему квадратическому отклонению в этой группе Расчет численности производится по формулам:

– для средней;

– для доли.
Для вычисления средних ошибок выборки используют формулы табл. 3.

Пример №13

Для определения средней из совокупности 10 000 единиц производится выборка типическим методом. Вся совокупность делится на 5 типических групп. Отбор единиц внутри типических групп производится случайным бесповторным методом пропорционально объему каждой группы. Отбирается 2000 единиц. При отборе получены следующие результаты:

Вычислить: а) среднюю ошибку для каждой группы и для всей выборочной совокупности (при собственно случайном и типическом способах отбора); б) границы, в которых с вероятностью 0,997 находится генеральная средняя по группам и по всей совокупности (при собственно случайном и типическом методах отбора).

Прежде всего рассчитывают численность отбираемых единиц из каждой типической группы пропорционально ее объему (см. колонку 3 табл. 4). Так, для первой типической группы имеем при заданном объеме всей выборки, равном 2000 единиц:

для второй типической группы:

и т. д.

Для определения средней ошибки выборки по группам и общей средней ошибки выборки при собственно случайном способе отбора (бесповторном) используем формулы из табл. 1, Получаем среднюю ошибку выборки:

для первой типической группы

для второй типической группы

и т. д. по всем группам (см. колонку 2 табл. 5).

Для удобства располагаем все получаемые результаты в таблицу (см. табл. 5).

Для расчета средней ошибки выборки всей совокупности при собственно случайном методе отбора и границ генеральной средней при этом же методе отбора нужно знать общую выборочную среднюю и общую дисперсию выборочной совокупности. Производим расчет общей выборочной средней из групповых выборочных средних путем взвешивания последних по численности отобранных групп

(см. итог колонки 4 табл. 4).

Для определения общей выборочной дисперсии используют теорему сложения вариации.

Находим сначала среднюю взвешенную из выборочных дисперсий:

а затем межгрупповую дисперсию:

Получаем общую дисперсию выборочной совокупности:

(см. итог колонки 5 табл. 4).

Находим среднюю ошибку выборки всей совокупности при собственно случайном методе отбора

(см. первую строку итога колонки 2 табл. 5).

Предельная ошибка собственно случайной выборки:

(см. первую строку итога колонки 3 табл. 5).

Соответственно находим границы генеральной средней при собственно случайном методе отбора:

(см. первую строку итога колонок 4 и 5 табл. 5).

Рассчитываем среднюю ошибку типической выборки, пропорциональной объему типических групп, по формуле из табл. 3. Получим:

(см. вторую строку итога колонки 2 табл. 5).

Далее определяем ошибку типической выборки и границы генеральной средней т. е. (см. вторую строку итога колонок 4 и 5 табл. 5).

Пример №14

Для определения доли признака производится типическая выборка 400 единиц из совокупности 10 500 единиц, разбитых на 3 типические группы численностью в 5000, 2500 и 3000 единиц. Имеются основания (прошлое обследование) считать, что искомая доля по типическим группам составляет около 10, 20 и 50%.

В каком объеме произвести выборку из типических групп, чтобы пропорции отбора были наивыгоднейшими?

Определяем численность первой типической группы по соответствующей формуле при объеме всей выборки, равной 400 единицам:

для второй типической группы:

для третьей типической группы:

При механической выборке совокупность делится на столько групп, сколько единиц должно войти в выборку, и из 1 каждой группы отбирается одна единица.

Средняя ошибка выборки подсчитывается по формулам ( собственно случайной выборки (табл. 1).

При серийном отборе с равновеликими сериями генеральную совокупность делят на одинаковые по объему группы — серии и производят выборку не единиц совокупности, а серий. Попавшие в выборку серии обследуются сплошь. Серии могут отбираться повторным и бесповторным методами.

Средние ошибки выборки при таком отборе рассчитывают по формулам:

где К — число серий в генеральной совокупности;

r — число отобранных серий;

— межсерийная (межгрупповая) дисперсия средних;

— межсерийная (межгрупповая) дисперсия доли.

Пример №15

Генеральная совокупность состоит из 5000 единиц, разбитых на 50 равных по величине серий (по 100 единиц). Бесповторным методом отобрано 10 серий. Результаты выборки представлены в следующей таблице:

Исчислить среднюю ошибку серийной бесповторной выборки. Вычисляем: а) общую среднюю всей выборочной совокупности по серийным средним:

б) межсерийную (межгрупповую) дисперсию средних:

в) среднюю ошибку серийной выборки:

Необходимая численность отбираемых серий при серийном отборе получается из формул табл. 2, в которых вместо N, n и подставляют R, r и

Пример №16

Совокупность разбита на 50 серий. Имеются основания предполагать, что межсерийная дисперсия равна 16. Сколько серий нужно отобрать бесповторным методом, чтобы с вероятностью 0,954 утверждать, что ошибка выборочной средней не превысит 2,3.

Дано:

Находим необходимое число серий, отбор которых обеспечит требуемую точность:

Комбинированная выборка (равновеликие серии) предполагает комбинацию серийного отбора с индивидуальным отбором.

Генеральная совокупность разбивается на одинаковые по объему серии. Сначала отбираются серии, а затем из отобранных серий производится индивидуальная выборка единиц.

Квадрат средних ошибок выборки рассчитывают по следующим формулам (см. табл. 8),

где — общее число единиц, попавших в выборку при отборе серий, определяется по формуле:

n — число единиц, попавших в выборку из серий.

Пример №17

Генеральная совокупность состоит из 100 000 единиц, разбитых на 200 равных по объему серий. Произведена бесповторная выборка 50% серий и из каждой серии по 20% единиц. Средняя из серийных дисперсий оказалась равной 12, а межсерийная дисперсия — 5. Определить среднюю ошибку выборки. Дано:

Определяем общее число единиц, попавших в выборку:

Определяем среднюю ошибку выборки:

(по формуле из табл. 8 для бесповторного отбора).

Мы получили среднюю ошибку комбинированной выборки при отборе из генеральной совокупности 10 000 единиц. Можно было бы произвести выборку такого же объема, но отобрав 20% серий и 50% единиц из каждой серии.

При тех же значениях — средней из серийных дисперсий и межсерийной дисперсии — средняя ошибка выборки была бы равна:

Таким образом, величина ошибки увеличилась бы больше чем в два раза.

В иных случаях большая точность достигается большим числом наблюдений в пределах отобранных серий за счет сокращения числа последних.

Средняя ошибка разности выборочных средних

Выборочная средняя отличается от генеральной средней на t-кратное число средних ошибок Если в результате выборок получены две выборочные средние для каждой из которых найдена средняя ошибка выборки то среднюю ошибку разности этих двух выборочных средних можно определить по средним ошибкам этих выборочных средних

где R—коэффициент корреляции между вариантами двух выборочных совокупностей (см. раздел VII).

В случае некоррелированности признаков, т. е. равенства коэффициента корреляции нулю, формула примет следующий вид:

Пример №18

Из генеральной совокупности произведены две выборки. При этом средние ошибки выборочных средних оказались равными 0,48 и 0,43. Признаки некоррелированы. Найти среднюю ошибку разности двух выборочных средних. Она равна

Распределение выборочных средних

Имеется случайная величина х, распределенная в генеральной совокупности по закону нормального распределения со средней и дисперсией Если произвести достаточно много выборок из указанной совокупности собственно случайным методом и для каждой из выборок вычислить выборочную среднюю, то их распределение будет также подчинено закону нормального распределения со средней и дисперсией

Такое распределение выборочных средних не будет зависеть от объема выборок.

Доверительная вероятность

Для суждения о том, являются ли достоверными характеристики, полученные с помощью выборочных наблюдений, применяют доверительную вероятность, т. е. такую вероятность, которую исследователь признает достаточной при установлении границ случайного колебания изучаемого явления.

В качестве доверительной вероятности принимают Р(t), равное 0,95 или 0,99. Последняя наиболее достаточна.

Достоверность существенного различия

Сравнивая несколько статистических характеристик, например средние или коэффициенты вариации, исчисленные по результатам случайных выборок из генеральной совокупности, хотят установить, существенна ли разность между ними.

Существенным различием называют различие между средними или коэффициентами вариации, превосходящее по величине то, которое можно было бы объяснить случайными колебаниями.

Для признания достоверности существенного различия, приведшего к резкому качественному сдвигу величины изучаемого признака, сравнивают разность между характеристиками с доверительной границей, выражающей пределы случайной вариации. Если эта разность больше доверительной границы, то различие называют существенным, и оно выражает систематическое различие сравниваемых характеристик.

Нулевая гипотеза

При проверке статистической гипотезы об отсутствии существенных различий между несколькими выборочными совокупностями используют так называемую нулевую гипотезу, состоящую в признании того, что они взяты наудачу из одной генеральной совокупности.

Проверка нулевой гипотезы производится с помощью различных критериев согласия, позволяющих с помощью доверительных вероятностей сделать вывод об ее опровержении или неопровержении. При этом следует иметь в виду, что неопро-вержение нулевой гипотезы не означает ее подтверждения, а свидетельствует лишь о необходимости проведения дальнейшей проверки, в частности путем увеличения числа наблюдений. При проверке нулевой гипотезы наибольшее значение придается практической неосуществимости маловероятных событий. Так, если вероятность критерия согласия, выражающего вероятность случайного расхождения, очень мала (<0,05), то это свидетельствует о существенном различии, и нулевая гипотеза опровергается; если же она достаточна велика (>0,05), то вопрос о существенности различия остается без ответа.

В качестве критерия согласия, т. е. оценки существенности расхождения или различия двух выборочных средних, в случае,.если число отобранных единиц в каждой выборке больше 25, принимается неравенство:

При этом нулевая гипотеза состоит в отрицании существенности различия средних.

Пример №19

Произведем проверку нулевой гипотезы по следующим данным.

Выделено 5 участков лесонасаждений и с каждого участка взяты пробные площадки. В среднем на 1 га по пяти участкам получилось следующее распределение деревьев по толщине:

Определить существенность расхождения средних диаметров деревьев по участкам:

а) Находим средние диаметры деревьев по участкам:

б) Вычисляем средние квадратические отклонения по участкам:

в) Вычисляем средние ошибки выборочных средних:

г) Находим, например, следующие разности выборочных средних по участкам:

д) Находим средние ошибки разности соответствующих пар выборочных средних:

е) Находим критерий оценки существенности расхождения соответствующих выборочных средних:

Вывод. Из критериев оценки существенности заключаем, что выделения II, III, IV и V участков произведены правильно, так как критерии оценки существенности больше трех. И следовательно, мы имеем разные насаждения.

При сравнении I и II участков вопрос остается открытым.

Смещенные и несмещенные оценки

Если из генеральной совокупности производится выборка и по ее результатам вычисляются характеристики:

1) выборочная средняя
2) выборочная дисперсия то при большом
числе отобранных единиц (n) эти характеристики будут приближаться к соответствующим математическим ожиданиям: Е(х)
и

При малом,числе отобранных единиц эти две характеристики могут значительно отличаться от соответствующих математических ожиданий. Поэтому, принимая эти выборочные характеристики в качестве оценок генеральных характеристик, мы допускаем определенную ошибку. Эта ошибка может быть несистематической, когда при неограниченном повторении выборок средняя из выборочных характеристик совпадет с генеральной; при этом систематической ошибки, т. е. регулярного завышения или занижения, не будет. В случае, если среднее значение принятых в качестве оценок выборочных характеристик совпадает с генеральной характеристикой, эти оценки называются несмещенными.

Можно доказать, что поэтому величина является несмещенной оценкой генеральной средней. Что же касается выборочной дисперсии, то ее математическое ожидание не равно генеральной дисперсии. и поэтому является смещенной оценкой. Для устранения систематической ошибки и получения несмещенной оценки нужно умножить на
Тогда дисперсию при малом числе наблюдений следует вычислять по формуле:

Малая выборка

При необходимости оценки генеральной совокупности по результатам малого числа наблюдений, т. е. при n меньше 20, формулы для обычной (большой) выборки, основанные на нормальном распределении вероятностей, дают значительные неточности.

Оценка результатов малой выборки производится путем «исправления» выборочного среднего квадратического отклонения и использования закона распределения вероятностей Стюдента.

Выборочное среднее квадратическое отклонение малой выборки исчисляется по формуле:

где n—1 представляет собой «Число степеней свободы», т. е. количество вариантов, могущих принимать произвольные значения, не меняющие величины средней.

Таким образом, выборочное среднее квадратическое отклонение малой выборки отличается от выборочного среднего квадратического отклонения () тем, что сумму квадратов отклонений от выборочной средней делят не на n, а на n—1. Зная выборочное среднее квадратическое отклонение можно путем его «исправления» вычислить выборочное среднее квадратическое отклонение малой выборки по формуле:

Пример №20

Произведена выборка 16 единиц. Выборочное среднее квадратическое отклонение () оказалось равным 100.

Вычислить выборочное среднее квадратическое отклонение малой выборки

Средняя ошибка малой выборки исчисляется по формуле:

Пример №21

На основе данных примера 12 можно вычислить среднюю ошибку малой выборки:

Среднюю ошибку малой выборки можно получить и путем использования «неисправленного» выборочного среднего квадратического отклонения

Среднюю ошибку разности двух выборочных средних исчисляют по формуле:

Нормированное отклонение или стандартизованная разность малой выборки (t) получается аналогично тому, как это получалось в обычной выборке:

Предельная ошибка малой выборки:

Опираясь на предположение о нормальном распределении признака в генеральной совокупности, Стюдент в 1908 г. нашел закон распределения t, который называется распределением Стюдента:

где P(t) =S(t) — вероятности того, что стандартизованная разность между выборочной и генеральной средней имеет величину t;
– гаммы-функции, которые можно рассматривать как обобщение факториала натурального числа.

Для любого положительного числа n гамма-функция определяется следующим равенством:

Частные случаи:

Свойства гаммы-функции:

1) и 2)

Первый частный случай гаммы-функции и первое указанное ее свойство дают:

Свойство гаммы-функции позволяет находить Г(n) при n, кратном Например:

Особенностью распределения Стюдента является то, что вероятность того или иного значения t зависит только от двух величин: объема выборки (n) и величины t. При возрастании объема выборки распределение Стюдента приближается к нормальному:

Если сделать определенные допущения о величине Генеральной средней, то можно вычислить фактическое нормированное отношение при помощи интеграла Стюдента:

Тогда

где

—вероятность того, что стандартизованная разность (t) между действительной генеральной средней и выборочной средней будет меньше стандартизованной разности, вычисленной по результатам малой выборки

—определяется из приложения IV. При этом значение n определяется вычитанием единицы из числа наблюдений.

Интеграл Стюдента используют для решения ряда обычных задач малой выборки как для случаев, когда генеральная совокупность обладает нормальным распределением, так и для случаев, когда распределение признака в генеральной совокупности не совсем совпадает с нормальным.

Функция используется для определения также вероятностей того, что: 1) 2) и 3)

Так, вероятность того, что будет:

где — вероятность значений t, больших, чем И далее:

где — вероятность значений t, абсолютная величина которых больше, чем

где — вероятность значений t, абсолютная величина которых меньше, чем

Пример №22

Первая типовая задача малой выборки. Оценка выборочной средней.

Произведена малая выборка урожая пшеницы. Срок уборки урожая своевременный. На выборку собственно случайным повторным методом взято 8 участков. Результаты выборки по отдельным участкам следующие:

Определить вероятность того, что разность между выборочным и генеральным средним урожаем не больше 0,5 ц с 1 га.

Дано:

Находим по формуле (см. раздел I, стр. 58):

Определяем:

«Исправляем» и получаем:

Вычисляем среднюю ошибку малой выборки

Определяем величину нормированного отклонения по выборочным данным и предполагаемым границам генеральной средней

Находим:

Так как число наблюдений равно 8, то берем n=7; тогда по приложению IV находим:

Следовательно:

Р[ |/| >0,412] = 2 (1—0,649) = 2 • 0,351 = 0,702« 0,7.

Таким образом видно, что вероятность нормированных отклонений, по абсолютной величине превышающих 0,412, или, иными словами, вероятность отклонений генеральной средней от выборочной средней на абсолютную величину, превышающую 0,5 ц с 1 га, не мала (0,7). Поэтому разность между генеральной и выборочной средними легко могла превысить 0,5 ц с 1 га.

Можно было воспользоваться другой формулой и определить вероятность нормированных отклонений, абсолютная величина которых меньше 0,412, и прийти к тому же заключению:

Вероятность того, что генеральная средняя находится в определенных границах, определяется по формуле:

Пример №23

Вторая типовая задача малой выборки: определение границ интервала, в которых находится генеральная средняя.

Из данных предыдущего примера 14 найти с вероятностью 0,954 границы интервала, в которых содержится генеральная средняя урожая.

Дано:

Находим по соответствующей формуле:

По приложению IV находим равное 2,5.

Следовательно, границы генеральной средней

С вероятностью 0,954 можно утверждать, что

Теория малой выборки дает возможность оценить существенность различия между двумя .выборочными средними. Вероятность значений разностей между двумя выборочными средними, по абсолютной величине не меньших, чем разность, полученная в результате опыта, т. е. фактическая, определяется по формуле:

где — выборочные средние;

— фактическая разность между двумя выборочными средними;

а величина определяется по формуле:

Примечания: 1. При определении вероятности, равной по приложению IV в качестве n следует брать

2. Если вероятность (Р) получается большой, то это свидетельствует о том, что следовало ожидать разностей, превышающих ту, которую мы получили фактически. И следовательно, фактическая разность, будучи меньше тех, которых следовало ожидать с большой вероятностью, не дает основания считать, что различия между средними существенны.

При полученной малой вероятности (Р) различие между средними не случайно, а существенно.

3. При вычислении можно использовать равенство

Пример №24

Третья типовая задача малой выборки. Оценка разности двух выборочных средних. Произведена малая выборка девяти участков аналогично тому, как это сделано в примере 14. Урожай убрали с большим опозданием.

Результат сбора урожая по участкам представлен в табл. 11 (в колонках 1 и 2).

Оценить расхождение между средним урожаем, полученным при своевременной уборке урожая (пример 14) и уборке его с большим опозданием.

Дано:

Вычисляем:

По соответствующей формуле получаем:

Из приложения IV для n = 8+9—2=15 находим:

S (4,3) =0,999.

Тогда:

Так как вероятность (Р) очень мала, то следует считать, что средние урожаи существенно отличаются друг от друга, т. е. что опоздание в сроках уборки существенно снижает урожай.

При оценке существенности расхождения между двумя выборочными средними часто применяют правило трех сигм:

где —среднее квадратическое отклонение, вычисляемое по формуле:

В первом случае, т. е. если больше трех сигм, расхождение между средними двух выборок полагают не случайным.

Пример №25

По данным примеров 14 и 16 оценить расхождение между двумя выборочными средними по указанным формулам:

Находим:

Получаем:

и, следовательно,

Поэтому расхождение между двумя выборочными средними следует считать существенным, что согласуется с выводом примера 16.

Оценка существенности различия двух выборочных средних может быть произведена также путем использования критерия, основанного на подсчете инверсий. В данном случае нулевой гипотезой является предположение, что две выборочные средние отличаются друг от друга несущественно. Подсчет инверсий производится путем расположения ранжированных результатов двух полученных выборок последовательно. Инверсия образуется в том случае, если какому-нибудь варианту из первой выборки (х) предшествует вариант из второй выборки (у). Например, соединенные в одну последовательность ранжированные варианты двух выборок расположились следующим образом:

Тогда подсчет инверсий для дает 1, для и — тоже единицу, для инверсий —4, для — 5 и т. д.

После подсчета числа инверсий находят математическое ожидание инверсии по формуле:

где и — объемы выборок.
Далее находят дисперсию:

Путем вычитания и прибавления к E(z) произведения на находят ожидаемые границы г. Если z находится в найденных границах, то нулевая гипотеза не опровергается. При выходе z за найденные границы нулевая гипотеза опровергается и делается вывод о существенности различий средних.

Данный метод обоснован в случаях, когда объем выборок больше 10, но может быть использован и при n, близком к 10.

Пример №26

Используя данные примеров 14 и 16, найдем существенность различия двух средних урожаев, полученных в результате сбора урожая своевременно и с большим опозданием.

Располагаем результаты обеих выборок в ранжированном порядке.

Имеем: Подсчитываем:

Подсчитываем фактическое число инверсий: z=1 +1 + 1 + + 2 = 5.

В данном случае нулевая гипотеза опровергается и результат свидетельствует о существенном расхождении двух средних урожаев, что согласуется с выводами, полученными ранее другими способами.

При проверке гипотезы случайности выборки можно использовать метод последовательных разностей.

Пусть выборка n единиц из генеральной совокупности со средней и дисперсией расположились по значению признака в следующем порядке: Находим сначала разности между значениями признака в последовательности их отбора.

и т. д. до Определяем среднюю из квадратов разностей по формуле:

Находим:

Вычисляем выборочную дисперсию:

и для получения критерия делим на

Сравнение найденного критерия с теоретическим () в зависимости от объема выборки производится так.

Если n<20, то используют следующую таблицу (см. табл. 13):

Из таблицы находят При этом если найденная то это указывает на неверность рассматриваемой гипотезы. Если то гипотеза верна.

При большом числе отобранных единиц (n>20) определяется по формуле:
где находится по табличному значению

где находится по табличному значению

При q = 5% имеем Из приложения III находим, что = 1,65, значит

Пример №27

Используя данные примера 16 о результатах сбора урожая по участкам с большим опозданием, оценим гипотезу случайности выборки.

1) Находим разности:

и вычисляем а затем

2) Определяем сначала среднюю:

а затем дисперсию:

3) Находим критерий:

4) По табл. 13 определяем верхнюю допустимую границу При n = 9 = 0,512.

5) Делаем вывод о том, что найденная превосходит допустимую верхнюю границу и поэтому наша гипотеза о случайности выборки верна.

Пример №28

Пусть отобрано 35 единиц. При q = 5% получаем:

Следовательно, если при выборке 35 единиц будет меньше 0,725, то это укажет на неверность нашей гипотезы; если же больше, то гипотеза верна.

Оценка существенности различия коэффициентов вариации устанавливается аналогично тому, как это делается при оценке существенности различия выборочных средних по критерию согласия. Если принять:

то при >3 различие коэффициентов вариации полагают неслучайным.

Во всех случаях <3 делают вывод, что при данном числе наблюдений нулевая гипотеза не подтверждается и тем самым существенность различия не доказана.

Пример №29

Используя данные примера 11 о выделении участков лесонасаждений, оценим существенность различия коэффициентов вариации по двум участкам — IV и V.

Имеем:
Определяем коэффициенты вариации:

Находим

Так как > 3, делаем вывод, что рассматриваемые коэффициенты вариации отличаются существенно, т. е. неслучайно.

Статистическая проверка гипотез
Статистические оценки
Теория статистической проверки гипотез
Линейный регрессионный анализ
Регрессионный анализ
Корреляционный анализ
Статистические решающие функции
Случайные процессы

Источник

Часто в статистике нас интересует измерение параметров населения — чисел, описывающих некоторые характеристики всего населения.

Двумя наиболее распространенными параметрами населения являются:

1. Среднее значение населения: среднее значение некоторой переменной в популяции (например, средний рост мужчин в США).

2. Доля населения: доля некоторой переменной в населении (например, доля жителей округа, которые поддерживают определенный закон).

Хотя мы заинтересованы в измерении этих параметров, обычно слишком дорого и долго собирать данные о каждом человеке в популяции, чтобы вычислить параметр популяции.

Вместо этого мы обычно берем случайную выборку из общей совокупности и используем данные из выборки для оценки параметра совокупности.

Например, предположим, что мы хотим оценить средний вес определенного вида черепах во Флориде. Поскольку во Флориде тысячи черепах, было бы очень много времени и денег, чтобы обойти и взвесить каждую отдельную черепаху.

Вместо этого мы могли бы взять простую случайную выборку из 50 черепах и использовать средний вес черепах в этой выборке для оценки истинного среднего значения популяции:

Проблема в том, что средний вес черепах в выборке не обязательно точно соответствует среднему весу черепах во всей популяции. Например, мы можем просто случайно выбрать образец, полный черепах с низким весом, или, возможно, образец, полный тяжелых черепах.

Чтобы зафиксировать эту неопределенность, мы можем создать доверительный интервал. Доверительный интервал — это диапазон значений, который может содержать параметр генеральной совокупности с определенным уровнем достоверности. Он рассчитывается по следующей общей формуле:

Доверительный интервал = (точечная оценка) +/- (критическое значение) * (стандартная ошибка)

Эта формула создает интервал с нижней границей и верхней границей, который, вероятно, содержит параметр совокупности с определенным уровнем достоверности.

Доверительный интервал = [нижняя граница, верхняя граница]

Например, формула для расчета доверительного интервала для среднего значения генеральной совокупности выглядит следующим образом:

Доверительный интервал = x +/- z*(s/ √n )

куда:

x : выборочное среднее
z: выбранное значение z
s: стандартное отклонение выборки
n: размер выборки

Z-значение, которое вы будете использовать, зависит от выбранного вами уровня достоверности. В следующей таблице показано значение z, которое соответствует популярным вариантам выбора уровня достоверности:

| Уровень достоверности | z-значение | | — | — | | 0,90 | 1,645 | | 0,95 | 1,96 | | 0,99 | 2,58 |

Например, предположим, что мы собираем случайную выборку черепах со следующей информацией:

Размер выборки n = 25
Средний вес выборки x = 300
Стандартное отклонение выборки s = 18,5

Вот как найти вычислить 90% доверительный интервал для истинного среднего веса населения:

90% доверительный интервал: 300 +/- 1,645*(18,5/√25) = [293,91, 306,09]

Мы интерпретируем этот доверительный интервал следующим образом:

Вероятность того, что доверительный интервал [293,91, 306,09] содержит истинный средний вес популяции черепах, составляет 90%.

Другой способ сказать то же самое состоит в том, что существует только 10-процентная вероятность того, что истинное среднее значение генеральной совокупности лежит за пределами 90-процентного доверительного интервала. То есть существует только 10%-ная вероятность того, что истинный средний вес популяции черепах больше 306,09 фунтов или меньше 293,91 фунтов.

Ничего не стоит, что есть два числа, которые могут повлиять на размер доверительного интервала:

1. Размер выборки: чем больше размер выборки, тем уже доверительный интервал.

2. Уровень достоверности: чем выше уровень достоверности, тем шире доверительный интервал.

Типы доверительных интервалов

Существует много типов доверительных интервалов. Вот наиболее часто используемые:

Доверительный интервал для среднего

Доверительный интервал для среднего значения — это диапазон значений, который может содержать среднее значение генеральной совокупности с определенным уровнем достоверности. Формула для расчета этого интервала:

Доверительный интервал = x +/- z*(s/ √n )

куда:

x : выборочное среднее
z: выбранное значение z
s: стандартное отклонение выборки
n: размер выборки

Ресурсы: Как рассчитать доверительный интервал для среднего
Доверительный интервал для среднего калькулятора

Доверительный интервал для разницы между средними значениями

Доверительный интервал (ДИ) для разницы между средними значениями представляет собой диапазон значений, который, вероятно, содержит истинное различие между двумя средними значениями генеральной совокупности с определенным уровнем достоверности. Формула для расчета этого интервала:

Доверительный интервал = ( x 1 – x 2 ) +/- t * √ ((s p 2 /n 1 ) + (s p 2 /n 2 ))

куда:

x 1 , x 2 : среднее значение для образца 1, среднее значение для образца 2
t: t-критическое значение, основанное на доверительном уровне и (n 1 +n 2 -2) степенях свободы
s p 2 : объединенная дисперсия
n 1 , n 2 : размер выборки 1, размер выборки 2

куда:

Объединенная дисперсия рассчитывается как: s p 2 = ((n 1 -1)s 1 2 + (n 2 -1)s 2 2 ) / (n 1 +n 2 -2)
Критическое значение t можно найти с помощью калькулятора обратного t-распределения .

Ресурсы: Как рассчитать доверительный интервал для разницы между средними
Доверительный интервал для калькулятора разницы между средними значениями

Доверительный интервал для пропорции

Доверительный интервал для доли — это диапазон значений, который может содержать долю населения с определенным уровнем достоверности. Формула для расчета этого интервала:

Доверительный интервал = p +/- z * (√ p (1-p) / n )

куда:

p: доля выборки
z: выбранное значение z
n: размер выборки

Ресурсы: Как рассчитать доверительный интервал для пропорции
Доверительный интервал для калькулятора пропорций

Доверительный интервал для разницы в пропорциях

Доверительный интервал для разницы в пропорциях — это диапазон значений, который может содержать истинную разницу между двумя пропорциями населения с определенным уровнем достоверности. Формула для расчета этого интервала:

Доверительный интервал = (p 1 –p 2 ) +/- z*√(p 1 (1-p 1 )/n 1 + p 2 (1-p 2 )/n 2 )

куда:

p 1 , p 2 : доля образца 1, доля образца 2
z: z-критическое значение, основанное на доверительном уровне
n 1 , n 2 : размер выборки 1, размер выборки 2

Ресурсы: Как рассчитать доверительный интервал для разницы пропорций
Доверительный интервал для калькулятора разницы пропорций

Источник

См. начало:

CFA – Выборочный метод и простая случайная выборка
CFA – Стратифицированная случайная выборка
CFA – Временные ряды и перекрестные данные
CFA – Центральная предельная теорема и распределение выборочного среднего
CFA – Точечные оценки среднего значения совокупности

Когда нам нужно получить одно число в качестве оценки параметра совокупности, мы используем точечную оценку. Тем не менее, из-за ошибки выборки, точечная оценка не будет в точности равняться параметру совокупности при любом размере данной выборки.

Часто, вместо точечной оценки, более полезным подходом будет найти диапазон значений, в рамках которого, как мы ожидаем, может находится значение искомого параметра с заданным уровнем вероятности.

Этот подход называется интервальной оценкой параметра (англ. ‘interval estimate of parameter’), а доверительный интервал выполняет роль этого диапазона значений.

Определение доверительного интервала.

Доверительный интервал (англ. ‘confidence interval’) представляет собой диапазон, для которого можно утверждать, с заданной вероятностью (1 – alpha ), называемой степенью доверия (или степенью уверенности, англ. ‘degree of confidence’), что он будет содержать оцениваемый параметр.

Этот интервал часто упоминается как (100 (1 – alpha)% ) доверительный интервал для параметра.

Конечные значения доверительного интервала называются нижним и верхним доверительными пределами (или доверительными границами или предельной погрешностью, англ. ‘lower/upper confidence limits’).

В этом чтении, мы имеем дело только с двусторонними доверительными интервалами – доверительные интервалами, для которых мы вычисляем и нижние и верхние пределы.

Кроме того, можно определить два типа односторонних доверительных интервалов для параметра совокупности.

Нижний односторонний доверительный интервал устанавливает только нижний предел. Это означает допущение, что с определенной степенью доверия параметр совокупности равен или превышает нижний предел.

Верхний односторонний доверительный интервал устанавливает только верхний предел. Это означает допущение, что с определенной степенью доверия параметр совокупности меньше или равен верхнему пределу.

Инвестиционные аналитики редко используют односторонние доверительные интервалы.

Доверительные интервалы часто дают либо вероятностную интерпретацию, либо практическую интерпретацию.

При вероятностной интерпретации, мы интерпретируем 95%-ный доверительный интервал для среднего значения совокупности следующим образом.

При повторяющейся выборке, 95% таких доверительных интервалов будут, в конечном счете, включать в себя среднее значение совокупности.

Например, предположим, что мы делаем выборку из совокупности 1000 раз, и на основании каждой выборки мы построим 95%-ный доверительный интервал, используя вычисленное выборочное среднее.

Из-за случайного характера выборок, эти доверительные интервалы отличаются друг от друга, но мы ожидаем, что 95% (или 950) этих интервалов включают неизвестное значение среднего по совокупности.

На практике мы обычно не делаем такие повторяющиеся выборки. Поэтому в практической интерпретации, мы утверждаем, что мы 95% уверены в том, что один 95%-ный доверительный интервал содержит среднее по совокупности.

Мы вправе сделать это заявление, потому что мы знаем, что 95% всех возможных доверительных интервалов, построенных аналогичным образом, будут содержать среднее по совокупности.

Доверительные интервалы, которые мы обсудим в этом чтении, имеют структуры, подобные описанной ниже базовой структуре.

Построение доверительных интервалов.

Доверительный интервал (100 (1 – alpha)% ) для параметра имеет следующую структуру.

Точечная оценка (pm) Фактор надежности (times) Стандартная ошибка

где

Точечная оценка = точечная оценка параметра (значение выборочной статистики).
Фактор надежности (англ. ‘reliability factor’) = коэффициент, основанный на предполагаемом распределении точечной оценки и степени доверия ((1 – alpha)) для доверительного интервала.
Стандартная ошибка = стандартная ошибка выборочной статистики, значение которой получено с помощью точечной оценки.

Величину (Фактор надежности) (times) (Cтандартная ошибка) иногда называют точностью оценки (англ. ‘precision of estimator’). Большие значения этой величины подразумевают более низкую точность оценки параметра совокупности.

Самый базовый доверительный интервал для среднего значения по совокупности появляется тогда, когда мы делаем выборку из нормального распределения с известной дисперсией. Фактор надежности в данном случае на основан стандартном нормальном распределении, которое имеет среднее значение, равное 0 и дисперсию 1.

Стандартная нормальная случайная величина обычно обозначается как (Z). Обозначение (z_alpha ) обозначает такую точку стандартного нормального распределения, в которой (alpha) вероятности остается в правом хвосте.

Например, 0.05 или 5% возможных значений стандартной нормальной случайной величины больше, чем ( z_{0.05} = 1.65 ).

Предположим, что мы хотим построить 95%-ный доверительный интервал для среднего по совокупности, и для этой цели, мы сделали выборку размером 100 из нормально распределенной совокупности с известной дисперсией (sigma^2) = 400 (значит, (sigma) = 20).

Мы рассчитываем выборочное среднее как ( overline X = 25 ). Наша точечная оценка среднего по совокупности, таким образом, 25.

Если мы перемещаем 1.96 стандартных отклонений выше среднего значения нормального распределения, то 0.025 или 2.5% вероятности остается в правом хвосте. В силу симметрии нормального распределения, если мы перемещаем 1.96 стандартных отклонений ниже среднего, то 0.025 или 2.5% вероятности остается в левом хвосте.

В общей сложности, 0.05 или 5% вероятности лежит в двух хвостах и 0.95 или 95% вероятности лежит между ними.

Таким образом, ( z_{0.025} = 1.96) является фактором надежности для этого 95%-ного доверительного интервала. Обратите внимание на связь (100 (1 – alpha)% ) для доверительного интервала и (z_{alpha/2}) для фактора надежности.

Стандартная ошибка среднего значения выборки, заданная Формулой 1, равна:

( sigma_{overline X} = 20 Big / sqrt{100} = 2 )

Доверительный интервал, таким образом, имеет нижний предел:

( overline X – 1.96 sigma_{overline X} ) = 25 – 1.96(2) = 25 – 3.92 = 21.08.

Верхний предел доверительного интервала равен:

( overline X + 1.96sigma_{overline X} ) = 25 + 1.96(2) = 25 + 3.92 = 28.92

95%-ный доверительный интервал для среднего по совокупности охватывает значения от 21.08 до 28.92.

Доверительные интервалы для среднего по совокупности (нормально распределенная совокупность с известной дисперсией).

Доверительный интервал (100 (1 – alpha)% ) для среднего по совокупности ( mu ), когда мы делаем выборку из нормального распределения с известной дисперсией ( sigma^2 ) задается формулой:

( Large dst overline X pm z_{alpha /2}{sigma over sqrt n} ) (Формула 4)

Факторы надежности для наиболее часто используемых доверительных интервалов приведены ниже.

Факторы надежности для доверительных интервалов на основе стандартного нормального распределения.

Мы используем следующие факторы надежности при построении доверительных интервалов на основе стандартного нормального распределения:

90%-ные доверительные интервалы: используется (z_{0.05}) = 1.65
95%-ные доверительные интервалы: используется (z_{0.025}) = 1.96
99%-ные доверительные интервалы: используется (z_{0.005}) = 2.58

На практике, большинство финансовых аналитиков используют значения для (z_{0.05}) и (z_{0.005}), округленные до двух знаков после запятой.

Для справки, более точными значениями для (z_{0.05}) и (z_{0.005}) являются 1.645 и 2.575, соответственно.

Для быстрого расчета 95%-ного доверительного интервала (z_{0.025}) иногда округляют 1.96 до 2.

Эти факторы надежности подчеркивают важный факт о всех доверительных интервалах. По мере того, как мы повышаем степень доверия, доверительный интервал становится все шире и дает нам менее точную информацию о величине, которую мы хотим оценить.

«Чем уверенней мы хотим быть, тем меньше мы должны быть уверены»

см. Freund и Williams (1977), стр. 266.

На практике, допущение о том, что выборочное распределение выборочного среднего, по меньшей мере, приблизительно нормальное, часто является обоснованным, либо потому, что исходное распределение приблизительно нормальное, либо потому что мы имеем большую выборку и поэтому к ней применима центральная предельная теорема.

Однако, на практике, мы редко знаем дисперсию совокупности. Когда дисперсия генеральной совокупности неизвестна, но выборочное среднее, по меньшей мере, приблизительно нормально распределено, у нас есть два приемлемых пути чтобы вычислить доверительные интервалы для среднего значения совокупности.

Вскоре мы обсудим более консервативный подход, который основан на t-распределении Стьюдента (t-распределение, для краткости).

Распределение статистики (t) называется t-распределением Стьюдента (англ. “Student’s t-distribution”) из-за псевдонима «Студент» (Student), использованного британским математиком Уильямом Сили Госсеттом, который опубликовал свою работу в 1908 году.

В финансовой литературе, это наиболее часто используемый подход для статистической оценки и проверки статистических гипотез, касающихся среднего значения, когда дисперсия генеральной совокупности не известна, как для малого, так и для большого размер выборки.

Второй подход к доверительным интервалам для среднего по совокупности, основанного на стандартном нормальном распределении, – это z-альтернатива (англ. ‘z-alternative’). Он может быть использован только тогда, когда размер выборки является большим (в общем случае, размер выборки 30 или больше, можно считать большим).

В отличии от доверительного интервала, приведенного в Формуле 4, этот доверительный интервал использует стандартное отклонение выборки (s) при вычислении стандартной ошибки выборочного среднего (по Формуле 2).

Доверительные интервалы для среднего по совокупности – z-альтернатива (большая выборка, дисперсия совокупности неизвестна).

Доверительный интервал (100 (1 – alpha)% ) для среднего по совокупности ( mu ) при выборке из любого распределения с неизвестной дисперсией, когда размер выборки большой, задается формулой:

( Large dst overline X pm z_{alpha /2}{s over sqrt n} ) (Формула 5)

Поскольку этот тип доверительного интервала применяется довольно часто, мы проиллюстрируем его вычисление в Примере 4.

Пример (4) расчета доверительного интервала для среднего по совокупности коэффициентов Шарпа с использованием z-статистики.

Предположим, что инвестиционный аналитик делает случайную выборку акций взаимных фондов США и рассчитывает средний коэффициент Шарпа.

[см. также: CFA – Коэффициент Шарпа]

Размер выборки равен 100, а средний коэффициент Шарпа составляет 0.45. Выборка имеет стандартное отклонение 0.30.

Рассчитайте и интерпретируйте 90-процентный доверительный интервал для среднего по совокупности всех акций взаимных фондов США с использованием фактора надежности на основе стандартного нормального распределения.

Фактор надежности для 90-процентного доверительного интервала, как указано ранее, составляет ( z_{0.05} = 1.65 ).

Доверительный интервал будет равен:

( begin{aligned} & overline X pm z_{0.05}{s over sqrt n } \ &= 0.45 pm 1.65{0.30 over sqrt {100}} \ &= 0.45 pm 1.65(0.03) = 0.45 pm 0.0495 end{aligned} )

Доверительный интервал охватывает значения 0.4005 до 0.4995, или от 0.40 до 0.50, с округлением до двух знаков после запятой. Аналитик может сказать с 90-процентной уверенностью, что интервал включает среднее по совокупности.

В этом примере аналитик не делает никаких конкретных предположений о распределении вероятностей, характеризующем совокупность. Скорее всего, аналитик опирается на центральную предельную теорему для получения приближенного нормального распределения для выборочного среднего.

Как показывает Пример 4, даже если мы не уверены в характере распределения совокупности, мы все еще можем построить доверительные интервалы для среднего по совокупности, если размер выборки достаточно большой, поскольку можем применить центральную предельную теорему.

Концепция степеней свободы.

Обратимся теперь к консервативной альтернативе и используем t-распределение Стьюдента, чтобы построить доверительные интервалы для среднего по совокупности, когда дисперсия генеральной совокупности не известна.

Для доверительных интервалов на основе выборок из нормально распределенных совокупностей с неизвестной дисперсией, теоретически правильный фактор надежности основан на t-распределении. Использование фактора надежности, основанного на t-распределении, имеет важное значение для выборок небольшого размера.

Применение фактора надежности (t) уместно, когда дисперсия генеральной совокупности неизвестна, даже если у нас есть большая выборка и мы можем использовать центральную предельную теорему для обоснования использования фактора надежности (z). В этом случае большой выборки, t-распределение обеспечивает более консервативные (широкие) доверительные интервалы.

t-распределение является симметричным распределением вероятностей и определяется одним параметром, известным как степени свободы (DF, от англ. ‘degrees of freedom’). Каждое значение для числа степеней свободы определяет одно распределение в этом семействе распределений.

Далее мы сравним t-распределения со стандартным нормальным распределением, но сначала мы должны понять концепцию степеней свободы. Мы можем сделать это путем изучения расчета выборочной дисперсии.

Формула 3 дает несмещенную оценку выборочной дисперсии, которую мы используем. Выражение в знаменателе, ( n – 1 ), означающее размер выборки минус 1, это число степеней свободы при расчете дисперсии совокупности с использованием Формулы 3.

Мы также используем ( n – 1 ) как число степеней свободы для определения факторов надежности на основе распределения Стьюдента. Термин «степени свободы» используются, так как мы предполагаем, что в случайной выборке наблюдения отобраны независимо друг от друга. Числитель выборочной дисперсии, однако, использует выборочное среднее.

Каким образом использование выборочного среднего влияет на количество наблюдений, отобранных независимо, для формулы выборочной дисперсии?

При выборке размера 10 и среднем значении в 10%, к примеру, мы можем свободно отобрать только 9 наблюдений. Независимо от отобранных 9 наблюдений, мы всегда можем найти значение для 10-го наблюдения, которое дает среднее значение, равное 10%. С точки зрения формулы выборочной дисперсии, здесь есть 9 степеней свободы.

Учитывая, что мы должны сначала вычислить выборочное среднее от общего числа (n) независимых наблюдений, только (n – 1) наблюдений могут быть отобраны независимо друг от друга для расчета выборочной дисперсии.

Концепция степеней свободы часто применяется в финансовой статистике, и вы встретите ее в последующих чтениях.

t-распределение Стьюдента.

Предположим, что мы делаем выборку из нормального распределения.

Коэффициент (z = (overline X – mu) Big / (sigma big / sqrt n) ) нормально распределен со средним значением 0 и стандартным отклонением 1, однако, коэффициент (t = (overline X – mu) Big / (s big / sqrt n) ) следует t-распределению со средним 0 и (n – 1) степеней свободы.

Коэффициент (t) не является нормальным, поскольку представляет собой отношение двух случайных величин, выборочного среднего и стандартного отклонения выборки.

Определение стандартной нормальной случайной величины включает в себя только одну случайную величину, выборочное среднее. По мере увеличения степеней свободы, однако, t-распределение приближается к стандартному нормальному распределению.

На Рисунке 1 показано стандартное нормальное распределение и два t-распределения, одно с DF = 2 и одно с DF = 8.

Рисунок (1) t-распределение Стьюдента по сравнению со стандартным нормальным распределением.

Из трех распределений, показанных на Рисунке 1, стандартное нормальное распределение имеет хвосты, которые стремятся к нулю быстрее, чем хвосты двух t-распределений. t-распределение симметрично распределено вокруг среднего нулевого значения, так же как и нормальное распределение.

По мере увеличения степеней свободы, t-распределение приближается к стандартному нормальному распределению. t-распределение с DF = 8 ближе к стандартному нормальному, чем t-распределение с DF = 2.

Помимо области плюс и минус четырех стандартных отклонений от среднего значения, остальная область под стандартным нормальным распределением, как представляется, близка к 0. Однако, оба t-распределения содержать некоторую площадь под каждой кривой за пределом четырех стандартных отклонений.

t-распределения имеют более толстые хвосты, но хвосты t-распределения Стьюдента с DF = 8 сильнее напоминают хвосты нормального распределения. По мере увеличения степеней свободы, хвосты распределения Стьюдента становятся менее толстыми.

Для часто используемых значений распределения Стьюдента составлены таблицы. Например, для каждой степени свободы (t_{0.10}), (t_{0.05}), (t_{0.025}), (t_{0.01}) и (t_{0.005}) значения будут такими, что соответственно, 0.10, 0.05, 0.025, 0.01 и 0.005 вероятности останется в правом хвосте для заданного числа степеней свободы.

Значения (t_{0.10}), (t_{0.05}), (t_{0.025}), (t_{0.01}) и (t_{0.005}) также называют односторонними критическими значениями t на значимых уровнях 0.10, 0.05, 0.025, 0.01 и 0.005, для указанного числа степеней свободы.

Например,

для DF = 30,

(t_{0.10}) = 1.310,
(t_{0.05}) = 1.697,
(t_{0.025}) = 2.042,
(t_{0.01}) = 2.457,
(t_{0.005}) = 2.750.

Приведем форму доверительных интервалов для среднего по совокупности, используя распределение Стьюдента.

Доверительные интервалы для среднего по совокупности (дисперсия совокупности неизвестна) – t-распределение.

Если мы делаем выборку из генеральной совокупности с неизвестной дисперсией и соблюдается одно из перечисленных ниже условий:

выборка является большой, или
выборка небольшая, но совокупность имеет нормальное распределение, или приблизительно нормально распределена,

то доверительный интервал (100 (1 – alpha)% ) для среднего совокупности ( mu ) задается формулой:

( Large dst overline X pm t_{alpha /2}{s over sqrt n} ) (Формула 6)

где число степеней свободы для ( t_{alpha /2}) равно ( n-1 ), а ( n ) – это размер выборки.

Пример 5 использует данные Примера 4, но применяет t-статистику, а не z-статистику, чтобы рассчитать доверительный интервал для среднего значения совокупности коэффициентов Шарпа.

Пример (5) расчета доверительного интервала для среднего по совокупности коэффициентов Шарпа с использованием t-статистики.

Как и в Примере 4, инвестиционный аналитик стремится вычислить 90-процентный доверительный интервал для среднего по совокупности коэффициентов Шарпа, основанных на случайной выборке из 100 взаимных фондов США.

Выборочное среднее коэффициентов Шарпа составляет 0.45, а выборочное стандартное отклонение – 0.30.

Теперь, признав, что дисперсия генеральной совокупности распределения коэффициентов Шарпа неизвестна, аналитик решает вычислить доверительный интервал, используя теоретически правильную t-статистику.

Поскольку размер выборки равен 100, DF = 99. Используя таблицу степеней свободы, мы находим, что (t_{0.05}) = 1.66.

Этот фактор надежности немного больше, чем фактор надежности (z_{0.05}) = 1.65, который был использован в Примере 4.

Доверительный интервал будет:

( begin{aligned} & overline X pm t_{0.05}{s over sqrt n } \ &= 0.45 pm 1.66{0.30 over sqrt {100}} \ &= 0.45 pm 1.66(0.03) = 0.45 pm 0.0498 end{aligned} )

Доверительный интервал охватывает значения 0.4002 до 0.4998, или 0.40 до 0.50, с двумя знаками после запятой. При округлении до двух знаков после запятой, доверительный интервал не изменился по сравнению с Примером 4.

В Таблице 3 приведены различные факторы надежности, которые мы использовали.

Таблица 3. Основы для расчета факторов надежности.

Выборка из:	Статистика для выборки малого размера	Статистика для выборки большого размера
Нормальное распределение с известной дисперсией	(z)	(z)
Нормальное распределение с неизвестной дисперсией	(t)	(t)*
Ненормальное распределение с известной дисперсией	недоступно	(z)
Ненормальное распределение с неизвестной дисперсией	недоступно	(t)*

* Использование (z) также приемлемо.

Источник

5. Гистограмма

Как построить доверительный интервал нормального распределения в Excel

Пример расчета доверительного интервала в Excel

Как найти границы доверительного интервала в Excel

Как посчитать доверительный интервал по функции ДОВЕРИТ в Excel

Генеральная и выборочная совокупности

Статистическое распределение выборки

Гистограмма и полигон статистических распределений

Пример №1

Пример №2

Пример №3

Пример №5

Числовые характеристики выборки

Выборки и доверительные интервалы

Понятие о статистике

Генеральная совокупность и выборка

Пример №8

Табличное и графическое представление данных. Числовые характеристики рядов данных

Табличное и графическое представление данных. Полигоны частот

Числовые характеристики рядов данных. Размах, мода и медиана ряда данных

Среднее значение выборки

Выборка, вариационный ряд и гистограмма

Выборочный метод

Теорема Ляпунова

Предельная и средние ошибки выборки

Пример №9

Случайные числа и таблицы случайных чисел

Пример №10

Пример №11

Численность выборки

Пример №12

Пример №13

Пример №14

Пример №15

Пример №16

Пример №17

Средняя ошибка разности выборочных средних

Пример №18

Распределение выборочных средних

Доверительная вероятность

Достоверность существенного различия

Нулевая гипотеза

Пример №19

Смещенные и несмещенные оценки

Малая выборка

Пример №20

Пример №21

Пример №22

Пример №23

Пример №24

Пример №25

Пример №26

Пример №27

Пример №28

Пример №29

Типы доверительных интервалов

Доверительный интервал для среднего

Доверительный интервал для разницы между средними значениями

Доверительный интервал для пропорции

Доверительный интервал для разницы в пропорциях

Определение доверительного интервала.

Построение доверительных интервалов.

Доверительные интервалы для среднего по совокупности (нормально распределенная совокупность с известной дисперсией).

Факторы надежности для доверительных интервалов на основе стандартного нормального распределения.

Доверительные интервалы для среднего по совокупности – z-альтернатива (большая выборка, дисперсия совокупности неизвестна).

Пример (4) расчета доверительного интервала для среднего по совокупности коэффициентов Шарпа с использованием z-статистики.

Концепция степеней свободы.

t-распределение Стьюдента.

Доверительные интервалы для среднего по совокупности (дисперсия совокупности неизвестна) – t-распределение.

Пример (5) расчета доверительного интервала для среднего по совокупности коэффициентов Шарпа с использованием t-статистики.

Вам также может понравиться

Как можно в майнкрафте найти сервер

Эдс в вольтах как найти

Как исправить окрашивание волос блонд с желтизной

Добавить комментарий Отменить ответ