Дискретный вариационный ряд

Номер интервала i	Среднее значение интервала	Относительная частота	Выборочная оценка плотности вероятности
	149,5	0,005	0,002
	152,5
	155,5	0,025	0,008
Окончание таблицы 7
	158,5	0,035	0,012
	161,5	0,105	0,035
	164,5	0,19	0,063
	167,5	0,195	0,065
	170,5	0,19	0,063
	173,5	0,105	0,035
	176,5	0,075	0,025
	179,5	0,04	0,013
	182,5	0,015	0,005
	185,5	0,015	0,005
	188,5	0,005	0,002

Рис.1

Рис.2

На основании полученных выборочных данных необходимо сделать предположение, что изучаемая величина распределена по некоторому определённому закону. Для того чтобы проверить, согласуется ли это предположение с данными наблюдений, вычисляют частоты полученных в наблюдениях значений, т.е. находят теоретически сколько раз величина Х должна была принять каждое из наблюдавшихся значений, если она распределена по предполагаемому закону. Для этого находят выравнивающие (теоретические) частоты по формуле:

(7)

где n – число испытаний,

- вероятность наблюдаемого значения , вычисленная при допущении, что Х имеет предполагаемое распределение.

Эмпирические (полученные из таблицы) и выравнивающие частоты сравнивают, и при небольшом расхождении данных делают заключение о выбранном законе распределения.

Предположим, что случайная величина Х распределена нормально (см. комментарии к задаче № 4). В этом случае выравнивающие частоты находят по формуле:

(8)

где n-число испытаний,

h-длина частичного интервала,

-выборочное среднее квадратичное отклонение,

( - середина i – го частичного интервала)

– функция Лапласа (9)

Результаты вычислений отобразим в таблице №8.

Сравнение графиков (рис.2) наглядно показывает близость выравнивающих частот к наблюдавшимся и подтверждает правильность допущения о том, что обследуемый признак распределён нормально.

Таблица 8

Расчёт выравнивающих частот

149,5 152,5 155,5 158,5 161,5 164,5 167,5 170,5 173,5 176,5 179,5 182,5 185,5 188,5	-19,5 -16,5 -13,5 -10,5 -7,05 -4,05 -1,05 1,95 4,95 7,95 10,95 13,95 16,95 19,95	-3 -2,53 -2,06 -1,59 -1,11 -0,64 -0,17 0,31 0,78 1,25 1,73 2,2 2,67 3,15	0,004 0,02 0,048 0,11 0,22 0,33 0,396 0,38 0,3 0,18 0,09 0,04 0,011 0,003	0,42 1,55 4,54 10,68 20,37 31,0 37,48 36,0 28,0 17,34 8,44 3,37 1,06 0,26		0,05 0,01 0,025 0,055 0,1 0,155 0,185 0,18 0,14 0,085 0,04 0,015 0,005

Интервальный вариационный ряд графически изобразим в виде гистограммы (рис.3). На оси Х отложим интервалы длиной h=3, а на оси Y значения ,расчёт которых представлен в таблице №7. Площадь под гистограммой равна сумме всех относительных частот, т.е. единице.

Графическое изображение вариационных рядов в виде полигона и гистограммы позволяет получать первоначальное представление о закономерностях, имеющих место в совокупности наблюдений.

Рис.3

3) Найдём числовые характеристики вариационного ряда, используя таблицу №4.

Выборочная средняя ( ):

или , (10)

где - частоты,

а -объём выборки. Выборочная средняя является оценкой математического ожидания (среднего значения теоретического закона распределения).

В некоторых случаях удобнее рассчитать с помощью условных вариант. В нашем случае варианты - большие числа, поэтому используем разность:

(11)

где С – произвольно выбранное число (ложный нуль). В этом случае

. (12)

Для изменения значения варианты можно ввести также условные варианты путём использования масштабного множителя:

, (13)

где (b выбирается положительным или отрицательным числом).

. Здесь С – середина 8-го интервала.

Выборочная дисперсия ( ):

(14)

также может быть рассчитана с помощью условных вариант:

(15)

= (1*441+0*324+…+1*324)- 1,95²=40,21

Среднеквадратическое отклонение:

= (16)

= =6,34

Найдем несмещённую оценку дисперсии и среднеквадратического отклонения («исправленную» выборочную дисперсию и среднеквадратическое отклонение) по формулам:

и (17)

= =40,41 и S= 6,34=6,36

Доверительный интервал для оценки математического ожидания с надёжностью 0,95 определяют по формуле:

P( -t Ф(t)= (18)

Из соотношения Ф(z)= /2 вычисляют значение функции Лапласа: Ф(z)=0,475. По таблице значений функции Лапласа ( Приложение А) находят z=1,96. Таким образом,

168,55-1,96 ,

167,67<a<169,43.

Доверительный интервал для оценки среднего квадратичного отклонения случайной величины находят по формуле:

, (19)

где S – несмещённое значение выборочного среднего квадратичного отклонения;

q – параметр, который находится по таблице (Приложение В) на основе известного объёма выборки n и заданной надёжности оценки .

На основании данных значений =0,95 и n=200 по таблице (Приложение В) можно найти значение q=0,099. Таким образом,

,

5,79<

V= (20)

4) Проведём статистическую проверку гипотезы о нормальном распределении. Нормальный закон распределения имеет два параметра (r=2): математическое ожидание и среднее квадратическое отклонение. По выборочным данным (таблицы 5 и 7) полученные оценки параметров нормального распределения, вычисленные выше:

, , S=6,36.

Для расчёта теоретических частот используют табличные значения функции Лапласа Ф(z). Алгоритм вычисления состоит в следующем:

- по нормированным значениям случайной величины Z находят значения Ф(z), а затем :

, =0,5+Ф( ).

Например,

; ; Ф(-3,0)=-0,4987;

;

- далее вычисляют вероятности =P( ;

- находят числа , и если некоторое <5, то соответствующие группы объединяются с соседними.

Результаты вычисления , , и приведены в таблице 9.

По формуле

= (21)

можно сделать проверку расчетов.

По таблице (приложения Г) можно найти число по схеме: для уровня значимости α=0,05 и числа степеней свободы l=k-r-1=9-2-1=6 =12,6. Следовательно, критическая область - (12,6; ). Величина =15,61 входит в критическую область, поэтому гипотеза о том, что случайная величина Х подчинена нормальному закону распределения, отвергается.

При α=0,1 =10,6. Критическая область - (10,6; ). Величина =15,61 также входит в критическую область и гипотеза о нормальном законе распределения величины Х отвергается.

При α=0,01 =16,8, (16,8; ). В этом случае нет оснований отвергать гипотезу о нормальном законе распределения.

Таблица 9

Определение

i			Ф( )
	149,5		-0,500	0,000	0,0013	0,0013	0,26	-
	149,5 152,5		-0,449	0,0013	0,0059	0,0046	0,92	-
	152,5 155,5		-0,494	0,0059	0,02	0,014	2,8	-
	155,5 158,5		-0,48	0,02	0,057	0,037	7,4	2,54
	158,5 161,5		-0,44	0,057	0,134	0,077	15,4	4,58
	161,5 164,5		-0,37	0,134	0,26	0,126	25,2	0,7
	164,5 167,5		-0,24	0,26	0,433	0,1725	34,5	0,36
	167,5 170,5		-0,07	0,433	0,62	0,188	37,6	0,06
	170,5 173,5		0,12	0,62	0,78	0,16		1,125
	173,5 176,5		0,28	0,78	0,89	0,11		0,045
	176,5 179,5		0,39	0,89	0,96	0,07		0,071
	179,5 182,5		0,46	0,96	0,99	0,03		6,125
	182,5 185,5		0,49	0,99	0,996	0,006	1,2	-
	185,5 188,5		0,496	0,996	0,999	0,003	0,6	-
	188,5		0,5	0,999	1,0	0,001	0,2	-

,0000

2 часть

1) Данные таблицы 3 сгруппируем в корреляционную таблицу 10.

2) Строим в системе координат множество, состоящее из 200 экспериментальных точек (рисунок 4).

По расположению точек делаем заключение о том, что экономико-математическую модель можно искать в виде .

3) Найдём выборочные уравнения линейной регрессии.

Для упрощения расчётов разобьём случайные величины на интервалы и выберем средние значения. Для величины Х указанные действия были выполнены в 1 части задания.

Таблица 10

Корреляционная таблица

Y/X

Продолжение таблицы 10

Рис.4

Для случайной величины Y, используя (1), получим h=2, число интервалов равно 13. Результаты внесём в таблицу со сгруппированными данными №11.

Находим средние значения , по формулам:

, (22)

, (23)

, (24)

. (25)

149,5*86+155,5(82+…+90)+…+188,5*104=2986101

Используя формулы:

, (26)

, (27)

получим

= , =

Таблица 11

Сгруппированные данные выборки

№
	XY	149,5	152,5	155,5	158,5	161,5	164,5	167,5170,5173,5	170,5	173,5	176,5	179,5	182,5	185,5	188,5

4) Вычисляем выборочный коэффициент корреляции по формуле:

. (28)

=

Принято считать, что если 0,1< <0,3 – связь слабая, если 0,3< <0,5 – связь умеренная, если 0,5< <0,7 – связь заметная, если 0,7< <0,9 – связь высокая, если 0,9< <0,99 – связь весьма высокая.

Для данного примера связь между X и Y умеренная.

Затем получают выборочное уравнение линейной регрессии Y на X в виде:

(29)

и выборочное уравнение линейной регрессии X на Y :

. (30)

и

или

Вычисления сумм рекомендуем проводить с помощью пакетов прикладных математических программ (сегодня их существует много).