Курс лекций для студентов специальности ПОИТ

реклама
Математическая статистика.
Вариационные ряды и их характеристики.
Определение: Генеральной совокупностью называется совокупность объектов или наблюдений,
все элементы которой подлежат изучению, при статистическом анализе.
Понятие генеральной совокупности аналогична понятию случайной величины.
Генеральная совокупность может быть конечной иди бесконечной.
Определение: Объектом генеральной совокупности называется число её объектов или
наблюдений.
Определение: Выборочной совокупностью или выборкой называется часть объектов генеральной
совокупности использованной для исследования.
Сущность выборочного метода в математической статистике заключается в том, что бы по
определению части генеральной совокупности выборки судить о её свойствах в целом. Для того, что
бы по выборке можно было судить о генеральной совокупности выборка должна быть
репрезентативной.
Определение: Репрезентативная выборка обеспечивается случаем отбора её элементов, т. к. все
элементы генеральной совокупности должны иметь одинаковую вероятность попадания в выборку.
Имеется 2 способа образования выборки:
1)
повторная выборка (когда каждый элемент случайно обобранный и исследованный
возвращается в общую совокупность и может быть отобран повторно);
2)
бесповторная выборка (когда отобранный элемент не возвращается в общую
совокупность).
Пусть некоторые признаки описания некоторой СВ X. Рассмотрим выборку x1 , x2 , ..., xn  объёма
n из генеральной совокупности. Элементы этой выборки представляют собой значения СВ X. На
первом этапе производится ранжирование выборки, т.е. x1 , x2 , ..., xn , упорядочены по возрастанию.
Определение: Вариантами xi называются различные элементы выборки.
Определение: Частотой варианты xi называется число mi , показывающая сколько раз
варианта xi встречается в выборке.
Определение: Относительной частотой варианты xi называется i 
mi
.
n
Определение: Пусть x – некоторое число, тогда, количество вариант m x , значение которой < x
называется накопленной частотой
mx 
m .
i: xi  x
i
Определение: Относительной накопленной частотой называется  x 
mx
.
n
Определение: Вариационным рядом называется ряд вариант расположенных в порядке
возрастания с соответственными частотами и относительными частотами.
Вариационный ряды бывают дискретные и интервальные.
Определение: Дискретным вариационным рядом называется ряд, который представляет собой
выборку значений дискретной СВ.
Общий вид вариационного ряда:
Варианты: x1 X2 … xk
Частоты:
m 1 M2 … m k
Определение: Интервальным вариационным рядом называется ряд, который представляет собой
выборку значений СВ.
Построенный интервал вариационного ряда можно разбить на полуинтервалы вида ai ; ai 1  , т.е.
произвести из группировку. Количество интервалов k рекомендовано выбирать по формуле
Стерджеса: k  1  1.4 * ln( n) . Длина каждого интервала  
xmax  xmin
.
k
1
Подсчитывая количество значений попавших в каждый полуинтервал
значение mi :
Варианты:
a1 ;a2  a2 ; a3 
…
ai ; ai 1 
получаем
ak ; ak 1 
Частоты:
m1
m2
…
mk
Для наглядности представления дискретного и вариационного ряда используются графические
представления:
1. Полигоны.
2. Гистограммы.
3. Камулянты.
Полигон служит для изображения дискретного вариационного ряда и представляет собой
ломаную соединяющую точку с координатой xi , mi  , i  1..k . Для интервального ряда используется
полигон, который представляет собой ломаную соединяющую точки:
ci , mi , ci  ai 1  ai , i  1..k .
2
Гистограмма служит для представления, только интервальных вариационных рядов и имеет вид
ступенчатых фигур с прямоугольным основанием, который имеет длину интервала  , а высота  i
или mi .
Кумулянта представляет собой ломаную соединяющую точки с координатами
m xi - накопленные частоты или для интервалов вариационного ряда: точки
x , m , где
i
xi
x , m , i  1,.., k .
i
ai
Определение: Эмпирические функции распределения Fn (x) называются функциями вида:
Fn ( x) 
mx
  x , mx - накопленные частоты.
n
Определение: Основной характеристикой вариационного ряда называется его среднее
1 n
1 n
арифметическое или выборочное среднее: x   xi   xi mi .
n i 1
n i 1
Для интервального ряда в качестве x i мы берём середину соответствия интервала.
Вариационный размах: R  xmax  xmin .
Выборочная дисперсия: S 
2
k
 ( xi  x ) 2
i 1
mi
1 k 2
, S 2  x 2  (x) 2 , x 2   xi mi .
n
n i 1
Выборочное среднее квадратичное отклонение: S 
k
 (x
i 1
i
 x) 2
mi
.
n
Основные понятия теории оценок
Будем рассматривать следующую задачу:
Пусть имеется СВ  для которой плотность распределения P( X | Q) известна с точностью до  .
Например:  - распределено по нормальному закону:

1
P( X | a, G 2 ) 
e
2
( x a ) 2
2 2
2
,   ( a,  ) .
Требуется оценить параметр  . Для решения этой задачи с помощью независимых опытов
получим значения СВ  . С помощью математических методов находят оценку неизвестного
параметра. Совокупность опытных данных: X  x1 , x2 ,..., xn  называется выборкой. xi - значение
величины в i-ом опыте где i  1,.., n и n - объём выборки.
2


Тогда оценка  неизвестного параметра  есть функция опытных данных:
  T ( x1 ,..., xn )  T ( X ) .
Задача теории оценок указания вида функции T .
Определение: Если математическое ожидание оценок равно истинному значению параметра, то

оценок называется несмещённой, т.е. M ( |  )   . (1) .
P( X |  )
Величина
равна
плотности
распределения
n

i 1

вероятности
выборки
X.
P( X |  )   p( xi |  ) (условие несмещённости)   T ( X ) P( X |  )dX 


n


i 1
  ...  T ( x1 ,..., x n ) p ( xi |  )dx1 ...dx n   . Примем условное обозначение:





  ...  .
Определение: Если соотношение (1) не выполняется, то оценка называется смещённой, а

величина b( )  M ( |  )   называется смещением.



0
Определение: Если имеет место условие: b( ) n
,
то
называется асимптотически


смещённым. В качестве меры точности оценки берётся её вариация, т.е. среднее значение квадрата


2
разности между оценкой и неизменным значением параметра: V ( )  M (   ) или последнее

равенство переписывается в виде: V ( ) 
 T ( X )   
2
p ( X |  )dX .
Рассмотрим свойства вариации:

1. V ( )  0 .


2. Если оценка не смещённая, то вариация оценки равна её дисперсии: V ( )  D ( ) .
Неравенство Чепмена – Роббинса.
Пусть   T ( X ) - несмещённая оценка параметра  , следовательно используя определение
несмещённости можем записать:  T ( X ) p ( X |  )dX   (1) . Положим:     h и запишем

равенство (2):
 T ( X )p( X |   h)dX    h .
Из условия нормировки плотностей можно записать:
 p( X |  )dX  1 и  p( X |   h)dX  1 .
Оба условия нормировки умножим справа и слева на  и получим равенство:
  * p( X |  )dX   (*) и   * p( X |   h)dX   (**) .
Вычтем из (1) – (*):  T ( X   )  p ( X |  )dX  0 (3) .
Вычтем из (2) – (**):  T ( X   )  p ( X |   h)dX  h (4) .
Из (4) вычтем (3):  T ( X )    p ( X |   h)  p ( X |  )dx  h . Левую часть последнего
равенства домножим и разделим на одно и тоже выражение и разделим на одно и тоже выражение:
 T ( X   )  p( X |   h)  p( X |  )




T
(
X
)


p
(
X
|


h
)

p
(
X
|

)
p
(
X
|

)
dx

M

 h.


p( X |  )

3
2
2
2
Справедливо неравенство Шварца: M (uv )  M u M v .
2

 p ( X |   h)  P ( X |  ) 
 , где T ( X )  V ( ) .
h  M (T ( X )   ) M 
P( X |  )


2

h
V ( ) 
2 .
 P ( X |   h)  P ( X |  ) 

M 
P
(
X
|

)


Данная формула справедлива для любого h .




2



h
V ( )  sup 
2 
   P( X |   h)  P( X |  )   
 
 M  
P
(
X
|

)
  
  

1
V ( )  sup
2
 P ( X |   h)  P ( X |  ) 
1
 dX
 p( X |  ) 
P( X |  )

2
2
называется неравенство Чепмена - Роббина.
Неравенство информации.
P ( X |   h)  P ( X |  )
P( X |  )
h

Т.к. имеет место:
, то неравенство Чепмена-Роббинса
0
n

можно переписать в виде:

2
1
 P ( X |   h)  P ( X |  ) 
1
V ( )  , где I  
 dX .
I
p( X |  ) 
P( X |  )

Последнее неравенство называется неравенство информации, а величина I называется количество
информации по Фишеру, т.е. количество информации выборки X о неизвестном параметре  .
2
 ln p( X |  )
1
p( X |  )
 ln p( X |  ) 


Т.к.
, то величину I   
 p( X |  )dX 

p( X |  )



  ln p( X )  2   2 ln p( X |  )
1
p( X |  )
1
 2 p( X |  )



,
 M 
 
p( X |  )
 2
 2

 p( X |  ) 2 

 
 2 ln( X |  )
 2 p( X |  )
1
 2 p( X |  )
 p( X |  ) 

p( X | )dX  

dX  I .
 dX  
p( X |  )  

 2
 2
2
Т.к имеет место условие нормировки
 p( X |  )dX  1 , то
 2 p( X |  )
  2  0 , получаем:
 2 ln p( X |  )
  ln p( X |  ) 
I  
p( X | )  M 
.
2

 2


Т.к. значение СВ получено независимыми опытами, то:
n
n
 ln p( xi |  )
 2 ln p( X |  )
p( X |  )   p( xi |  ) 


2

 2
i 1
i 1
  2 ln p( xi |  ) 
i( )   M 
 - количество информации полученной в i опыте.
 2


1
Определение: e 
- будем называть эффективностью оценки.

V ( ) * I
4
1 , такая оценка называется
Если e  1, то оценка называется эффективной, если e n

асимптотически эффективной.
Достаточные статистики.
Основная идея достаточных статистик заключается в следующем:
Пусть имеется выборка: X  x1 ,..., xn . Объём экспериментальных данных n может быть очень
велик. Встаёт вопрос, нельзя ли эту экспериментальную информацию представить в более компактном
виде, т.е. найти числа t1  t1 ( X ),..., t k  t k ( X ) , которых было меньше, чем исходных данных, но
которые добавляли бы столько же информации о  , сколько и исходная выборка. Эти числа
называются достаточными статистиками.
Всё что может дать X о параметре  , заключается в условной плотности вероятности p ( | X ) .
Аналогично, вся та информация, которую могут дать t  t (t1 ,..., t k ) о  заключается в условной
плотности вероятности p ( | t ) .
Согласно равенству информации о  по выборке X и по достаточной статистике t можно
записать: p( | X )  p( | t ) .
p( X |  ) p( )
p(t |  ) p( )
Выразим p ( | X ) по формуле Байеса из p ( X |  ) : p( | X ) 
, p( | t ) 
.
p( X )
p(t )
p( X |  ) p(t |  )
p(t |  )

 p( X |  )  p( X )
 g ( X )h(t , ) - критерий факторизации.
p( X )
p(t )
p(t )
Т. о. плотность вероятности выборки представляется в виде 2-х множителей, первый из которых
зависит только от выборки X , а второй зависит только от достаточных статистик t и параметра  .
Пример: Пусть СВ имеет нормальное распределение:
Т.е.
p ( X |  )  p ( X | a,  2 ) 
1
e
 2
n
 1 
p ( X | a,  2 )   p ( xi | a,  2 )  
 e
  2 
i 1
n
n
( x a ) 2
2 2
( xi a )2
2
i 1 2
n

, X  x1 ,..., xn  ,
n
 1 

 e
  2 

n
1
2
2
n
na2
 xi  2 2   2 2
2a
i 1
i 1
n
, t 2   xi .
1
i

т. о. t1 
x


i 1
2
i
достаточные статистики
Метод наименьших квадратов(МНК). Оценка параметров линейной модели.
Суть МНК заключается в следующем: y  f ( X ,  ) , где X  ( x1 ,..., xn ) . Заменяя значения
yi  f ( xi , )   i , где  i - ошибка измерений.
Предположим что  i - независимые нормально распределённые случайные велечины.

Плотность
n
1 
 e
  2 
1 ,... n  p(1 ,... n )  
n
 1 

 e
  2 

1
2 2

n
1
2
2
 i2
i 1
 p( x1 ,..., xn |  ) 
n
  yi  f ( xi , ) 2
i 1
, при
M  i  0, D i   2 .
p( x1 ,..., xn |  )  max
5
Данная задача равносильна: R 
n
  f ( x , )  y 
i 1
2
i
i
 min .

Метод наименьших квадратов заключается в том, что оценка неизвестных параметров ищется из
условия минимизации суммы квадратов ошибок измерения.
Рассмотрим линейный случай метода наименьших квадратов:
Пусть есть   (1 ,..., k ) - вектор неизвестных параметров.
k
yi   xij j   i , i  1,..., n . (1)
j 1
Ошибки  i необязательно нормальные: M ( i )  0 . Ошибки  i - некоррелированы
M ( i  j )   2 ij , где
 ij  10,,iijj .
 y1 
 x11 ... x1k 
 


Перепишем зависимость (1) в матричной форме: Y   ... ; X ( n*k )   ... ... ...  .
y 
x

 1
 n1 ... xnk 
 1 
 1 
 
 
   ... ,    ...  , тогда имеем Y  X   , в связи с этим:
 
 
 k
 k
1. M  0 .
T
2
2. M ( )   E n , где En - единичная матрица n*n.
R  (Y  X)T (Y  X)  min .

Наценку параметра  будем находить из условия:
1
R
 0  2(Y  X)  0 . X T Y  X T X , X T X X T Y  T (*).


M  M ( X T X ) 1 X T Y  ( X T X ) 1 X T MY  ( X T X ) 1 X T M ( X  )  ( X T X ) 1 X T ( XM  M)  M





Следовательно, полученная оценка является не смещённой. Найдём вариацию оценки  :


V  M (  )(  ) T , т.к.

  ( X T X ) 1 X T Y  ( X T X ) 1 ( X  )  ( X T X ) 1 X T X  ( X T X ) 1 X T     ( X T X ) 1 X T  

     ( X T X ) 1 X T  . Подставляя последнее выражение в соотношение для вариации,
получим:
V  M ( X T X ) 1 X T T X ( X T X ) 1  ( X T X ) X T M (T ) X ( X T X ) 1   2 ( X T X ) 1 X T X ( X T X ) 1 




  (X X ) .
2
T
1
Сформулируем следующую теорему:
Теорема (Оптимальное свойство МНК-оценки): МНК оценка имеют наименьшую дисперсию
в классе линейных несмещённых оценок.
МНК используется в задачах параметризации квадратов использованных в задачах оценки
параметров между 2-я и более переменными.
Пример:
Пусть зависимость между x и y имеет вид:
Y  aX  b , где Y  ( y1 ,..., y n ) , X  ( x1 ,..., xn ) , ( x1 ,..., xn ) - значение
Требуется оценить МНК параметры a, b :
n
n
n
R
R   ( y i  ax i b) 2  min ,
 2 ( y i  ax i b)( xi )  0   ( y i  ax i b)  0 
a, b
a
i 1
i 1
i 1
6
n
n
n
i 1
i 1
y
a
  y i  a  xi  nb  0 
i 1
i
 nb  0
.
n
 xi
i 1
n
1 n

b    yi  a  xi 
n  i 1
i 1

R
 0,
b
.
n
n
 n
 n 2
 R
2
(
y

ax

b
)
(

x
)

0
a
x

b
x

xi y i

0




i
i
i
i
i


n
 a
 i 1
 i 1
i 1
i 1
2
R   ( y i  axi  b)  min ; 
,

 n
n
n
a ,b
i 1
 R  0  2 ( y  ax b)  0
a x  nb 
yi

i
i
i
 b
 
 
i 1
i 1
i 1
Решая последнюю систему относительно a и b получим:
a
n
n
n
i 1
i 1
i 1


n  xi    xi 
i 1
 i 1 
n
n
2
Обозначим:
xy  x y

x  x
2
2
b
2
n
n
y x
i
i 1
i 1
2
i
n
n
  xi  xi y i
i 1
i 1
2


n xi    xi 
i 1
 i 1 
n
n
n
i 1
i 1
2
n
.
n
 xi  n x;  yi  n y;  xi  n x 2 ;  xi yi  n xy . Получим:
i 1
a
n
n  xi y i   xi  y i
;b 
yx xy
2
i 1
2

x  x
2
2
.
Методы оценки неизвестных параметров. Метод моментов.
Пусть есть вектор неизвестных параметров: Q  (Q1 ,..., Qr ) ,  - СВ с плотностью распределения
p ( X |  ) , по выборке X  {x1 ,...xn } . p ( X |  )  p ( X |  ) , тогда начальный момент k-го порядка СВ
 может быть вычислен по формуле: mk  M  k 

x
k
p ( X |  )dX , k  1,..., r - количество

неизвестных параметров.
По выборке X можно вычислить оценку моментов k-го порядка по формуле:
1 n k

mk   xi , k  1,..., r .
n i 1
Метод моментов заключается в том, что оценку неизвестных параметров находим из системы
уравнений полученной путём приравнивания теоретических моментов к выборочным.



m1 (1 ,..., r )  m
1




m ( ,..., r )  m2
Система имеет вид:  2 1
. Достоинство данного метода является простота
. . . . . . . . . . . .

m ( ,..., )  m
r
r
 r 1
получения оценок, а недостатком – оценки моментов высших порядков дают очень большие ошибки,
7
поэтому нужно использовать моменты не выше 4-го порядка, т.е. число оценок порядка не должно
превышать 4.
Метод максимального правдоподобия.
Пусть X  {x1 ,...xn } выборка. Производимые опыты являются независимыми:
n
p ( X |  )   p ( xi |  ) , где   (1 ,..., n ) неизвестные параметры.
i 1
Определение: L( )  p ( X |  ) называется функцией правдоподобия.
Метод максимального правдоподобия заключается в следующем:
В качестве оценки неизвестного параметра следует брать те значения аргумента, при котором

функция правдоподобия достигает своего максимума: L( )  max L( )  max p( X |  ) .


Определение: Оценка  получаемая по методу оценки максимального правдоподобия
называется оценкой максимального правдоподобия.
Замечание: В целях удобства вместо функции правдоподобия рассмотрим её логарифм:
l ( )  ln L( ) , т.к. функция и её логарифм достигают своего максимума при одном и том же  .
Оценка параметров нормального распределения методом максимального
правдоподобия и свойства данных оценок.
Пусть есть СВ  для которой плотность распределения задаётся формулой:
p ( X | (a, D)) 
1
2D
e

( xa )2
2D
, где a, D - неизвестные параметры, a - математическое
ожидание, D - дисперсия. Полученная выборка X  {x1 ,...xn } является реализованная СВ  .


Найдём оценки a и D неизвестных параметров:
Запишем функцию правдоподобия:
n
n
L(a, D)  p( X | (a, D))   p( xi | (a, D))  
i 1
n

n
1
l (a, D)  ln L(a, D)  ln(
)  ln  e
2
2D
i 1
i 1
( xi  a ) 2
2D
1
2D
e

( xi  a ) 2
2D
n
 1 2 n 

 e
2

D

 i 1
( xi  a ) 2
2D
,
n
1
1 n
 ln(
)
( xi  a ) 2 

2
2 D i 1
2D
 2 n
 l (a, D)
( xi  a ) 2  0
0 

n
n
1
2 
 2 D i 1
 ln 2  ln D 
( xi  a ) ,  a
; 
.
n
2
2
2 D i 1
2
 l (a, D)  0  n  1
( xi  a )  0
 D
 2 D 2 D 2 
i 1
n

Получим:
 1 n
1 n
 2 1 n
 1 n
a   xi , D   ( xi  a )   ( xi   x j ) 2 .
n i 1
n i 1
n i 1
n j 1
Свойства оценок нормального распределения:
1)
M a 
n
1
M xi

n i 1
, т.к. математическое ожидание случайной величины равно a :
1 n
1
a

 n na  a .
n i 1
8
1
V

D

2)
n2

an

a
n
D
i 1
xi

1
S
n
S

n2
n
, где
S  Dxi .
Исследуем поведение оценки:
n
 1 n
2 
2 1 n
2 1 n
2
S    xi  a    xi  a  a  a     xi  a   (a  a) xi  a  
n i 1
n i 1
n i 1
n
i 1
n
1 n 
1 n 
1 n

2
2
2
  a  a    xi  a    a  a     xi  a   (a  a) 2
n i1
n i1
 i1
 n i1
,
n
1
S
S

2
M S   M xi  a   M (a  a) 2   D a  S  Da  S   S ,
n i1
n
n

1 n
2
M xi  a  - несмещённая оценка параметра D .

Упражнение: D 
n  1 i 1
Основные статистические распределения.
1.  - распределение (распределение Пирсана). Это распределение имеет следующий
2
вид:
 2  12  ...   n 2 , где  i 2 - распределено по нормальному закону с параметрами
N (0,1), i  1,.., n . Иногда распределении обозначают:  2 (n) , n – число степеней свободы.
2.
t - распределение (Стьюдента). Пусть имеются СВ: 
t
и  . Тогда:  ~ N (0,1) ,  ~  2 (n) ,
 , если t-распределение: M  0 и D  n , n  2 .
t
t
n2

n
3. Распределение Спедекора-Фишера – это распределение имеет СВ вида:   1 :  2 ,
k1 k 2
1 ~  (k1 )
 2 ~  (k 2 )
2
k2
, D  2k 2 (k1  k 2  2) .
k1 ( k 2  2)( k 2  4)
k2  2
2
2
, M 
Интервальные оценки.
Если известен закон распределения оценки или её дисперсия, то можно указать приделы в
которых с большой вероятностью находятся неизвестные значения параметра.
Пусть имеется выборка X  {x1 ,...xn } . Предположим, что выборочные значения распределены по
закону: P( xi  x)  F ( x, ) с точностью до  .
Предположим, что мы нашли функцию:  ( x1 ,..., xn ) и  ( x1 ,..., xn ) , причём    , x1 , x2 ,..., xn и


  p  ( x1 ,..., xn )     ( x1 ,..., xn )  1  2 . Величина 2 называется доверительным уровням.
Обычно 2 берётся очень маленьким: 0.05, 0.01…
9
Вероятность того, что ( ,  ) покроет неизвестный параметр  не зависит от  . В этом случаи
интервал ( ,  ) - доверительный интервал для неизвестного параметра соответствующей
доверительной вероятности 1 2 .
Пример:
Пусть имеется выборка X  {x1 ,...xn } . Предположим, выборка распределена по нормальному
закону: xi ~ N (a,  2 ) , где a - неизвестно, а  - известно.
Найдём доверительный интервал для параметра a . Известно, что x 
центральной предельной теореме) ~ N (a,  2 ) , тогда величина
xa
/ n
x1  ...  xn
~ (по
n
~ N (0,1) распределена по
закону N (0,1) . Доверительный интервал будем строить используя следующее соотношение:
x
t2

1
 x  a

e 2 dt  1  2 (по
p
 U    1  2 , где U  -находится путём решения уравнения:
2 
  / n



 
 a  x  U
заданному уровню 2 ). Окончательно имеем: p  x  U 
  1  2 .
n
n



 
; x  U
 .
Доверительный интервал имеет вид: ( , )   x  U 
n
n


Основные понятия проверки статических гипотез.
Пусть имеется W-пространство неизвестных параметров  входящих в плотность распределения
P ( X |  ) . Пространство  разбито на k областей H 0 , H 1 ,..., H k 1 . По результатам эксперимента надо
ответить на следующий вопрос:
Какой из областей принадлежит неизвестный параметр  .
Определение: Предположение о том, что неизвестный параметр  принадлежит, какой-либо
области H 0 , H 1 ,..., H k 1 называется альтернативой.
Определение: Совокупность k альтернатив называется k-альтернативной гипотезой.
Замечание: В литературе альтернативой так же называется гипотеза.
Определение: Если область соответствующая какой-либо альтернативе состоит из одной точки,
то это альтернатива называется простой, в противном случае сложной.
Определение: Если все альтернативы простые, то гипотеза называется простой.
Определение: Если хотя бы одна альтернатива является сложной, то гипотеза называется
сложной.
Обозначим решение, что имеет место i-я альтернатива, i  0,..., k  1 через d i . Тогда построим
правило, такое, что для любой X (выборки), ставим в соответствие одно из решений d 0 , d1 ,..., d k 1 .
Решающие правила делятся на:
1. Рандомизированные;
2. Нерандомизированные.
Рандомизированные:
k 1
X :  0 ( X ),...,  k 1 ( X ) , где 0   0 ( X )  1,   i ( X )  1 , d i   i (X ) (решение выносится случайным
i 1
образом).
Нерандомизированные:
Выборка X разбивается на k областей и попадание точки в i-ю
область приводит к вынесению решения di .
10
Мы будем рассматривать рандомизированные решающие правила и 2-альтернативные гипотезы:
1 ( X )   ( X )
.
0 ( X )  1   ( X )
Подход Неймана - Пирсона к выбору решающей функции  (x ) .
Определение: Ошибкой I-го рода называется ошибка, когда выносится решение d1 (т.е в пользу
гипотезы H 1 ), а на самом деле верна гипотеза H 0 . Ошибка обозначается:   p(d1 | H 0 )   ( ) .
Определение: Ошибкой II-го рода называется ошибка, когда выносится решение d 0 (т.е в пользу
гипотезы H 0 ), а на самом деле верна гипотеза H 1 . Ошибка обозначается:   p(d 0 | H1 )   ( ) .
Определение: Вероятность вынесения правильного решения d1 в случаи, когда верна гипотеза
H 1 , называется мощностью критерия: ( )  p{d1 | H1}  1   ( ) . Желательно, что бы ошибка I-го
и II-го рода были равны 0, но это невозможно. При уменьшении вероятности I-го рода мы
увеличиваем вероятность ошибки II-го рода и наоборот.
Подход Неймона - Пирса к выбору решения функции  (x ) заключается в следующем:
Функция  (x ) выбирается следующим образом:
Вероятность ошибки  , нужно делать такой, что бы она не превышала некоторого заданного
значения, т.е.
sup  ( )   , а мощность критерия:  ( )  max .
 H 0
Определение: Величина
(X )
sup  ( )
H 0
называется размерностью критерия,
a   - уровнем
значимости.
В случаи 2-альтернативных простых гипотез рассмотрим следующую задачу:
H 0 :  0
H 1 :   1 , 1   0
;
p( X |  0 )  p0 ( X )
.
p( X | 1 )  p1 ( X )
Если функция  (x ) - решающая функция, т.е. это вероятность вынесения решения в пользу
 ( )    ( X ) p 0 ( X )dX
решения H1 , то по формуле полной вероятности можно записать:  ( )   (1   ( X )) p1 ( X )dX .
 ( )    ( X ) p1 ( X )dX
Задавая уровень значимости  решающую функцию  (x ) мы ищем решая задачу:
  ( X ) p1 ( X )dX  max



  ( X ) p 0 ( X )dX  
. Данную задачу решает Лемма Неймана – Пирсона.

0   ( X )  1

11
Критерии
 2 для проверки гипотезы о виде функции распределения.
Пусть дана выборка X  {x1 ,...xn } . Проверяется следующая гипотеза:
H 0 : F ( x)  F0 ( x)
, где
H 1 : F ( x)  F0 ( x)
F0 ( x) - некоторая известная функция распределения. F0 ( x) может быть известна с точностью до
неизвестного параметра. Гипотеза проверяется при заданном уровне значимости  .
Для построения критерия выше описанной гипотезы множество выборочных значений
разбивается на k непересекающихся классов.
Определим число выборочных значений попавших в k-ый класс: n1 , n2 ,..., nk .
n1 , n2 ,..., nk сравнивается с теоретическими частотами n1 ' , n2 ' ,..., nk ' . Теоретические частоты
находятся по функции распределения F0 ( x) следующим образом:
Пусть p i - вероятность попадания значения в i -ый класс, где i  1,..., k :
h
h
pi  F0 (ai  )  F0 (ai  ) , где ai - середина i -го класса, а h - ширина класса, при i  1,..., k .
2
2
Теоретические частоты n'i  npi , где i  1,..., k .
Если параметры теоретической функции распределения F0 ( x) известны, то величина
k
2 
i 1
k
2 
i 1
(ni  ni ' ) 2
2
, при k   стремится к   (k  1) . Получаем:
ni '
( ni  ni ' ) 2
2
   (k  (r  1)) , где r - это число параметров.
k 
ni '
Если выполняется неравенство вида:
 2   2 (k  (r  1)) , то принимаем гипотезу H 0 , в
противном случае гипотеза H 0 отвергается.
Критерий согласия Колмогорова. Критерий Колмогорова – Смирнова.
Критерий согласия Колмогорова:
Пусть имеем:
X  {x1 ,..., xn }
H 0 : F ( x)  F0 ( x)
, H : F ( x)  F ( x) , где
1
0
F0 ( x) - некоторая заданная функция
распределения.
Dn  max Fn ( x)  F0 ( x) , где Fn (x) - эмпирическая функция распределения по выборке X .
x



Распределение величины Dn определил Колмогоров: p Dn n    1  2  1 e  2 k
где k ( ) - функция Колмогорова.

k

2 2
 k ( ) ,
k 0

Задавая уровень значимости  из соотношения: p Dn n    1   можно найти критерий
значения распределения Колмогорова (по таблице).
Т. о. применяя критерии Колмогорова:
набл.  Dn n и сравнивают его с табличным значением: набл.   , при заданном  , то говорят,
что табличные значения распределены по закону F0 ( x) .
Критерий согласия Колмогорова - Смирнова:
12
Со случайной величиной X проводят 2-е серии опытов. В результате получим 2 выборки: n1 и
n2 (объём).
Пусть F1 ( x) и F2 ( x) функция распределения СВ X в 1-ой и 2-ой серии соответственно.
Будем рассматривать следующие задачи:
H : F ( x)  F2 ( x)
Требуется проверить теорию: 0 1
.
H 1 : F1 ( x)  F2 ( x)
Пусть Fn1 ( x) и Fn 2 ( x) - выборочные эмпирические функции распределения в 1-ом и 2-ом
выборочном соответствии. Критерии Колмогорова – Смирнова заключается в следующем:
n1n2
D  max Fn1 ( x)  Fn 2 ( x) . Если D
  , то H 0 принимается, в противном случаи
x
n1  n2
принимается гипотеза H1 .
Критическое значение  при заданном значении  определяется как и в случаи критерия
Колмогорова.
Проверка гипотезы о нормальном распределении выборочных значений по
критерию Пирсона.
Пусть задана выборка X  {x1 ,...xn } , причём:
x1 x 2 x3 ... x k
n1 n2 n3 ... nk
k
,
n
i 1
i
 n, xi , i  1,..., k - равноотстоящие.
1. Вычислим выборочное среднее и выборочное среднее квадратичное отклонения: x,  :
1 k
1 k
x   xi ni ,  
ni ( xi  x) 2 .

n i 1
n  1 i 1
2. Вычислим теоретические частоты: ni ': i  1,..., k , ni ' 
n
Ф(ni )  Ф(ni 1 ) , Ф(n) 2
функция Лапласа.
3. Сравниваем эмпирические частоты ni с теоретическими ni ' с помощью критерия  2 :
(ni  ni ' ) 2
,  2  (k  3) . Если  2   2  (k  3) - говорим, что выборочные значения
ni '
i 1
нормально распределены.
k
2 
Проверка гипотезы о распределении выборочных значений по закону Пуассона.
Пусть задана выборка X  {x1 ,...xn } , причём:
1. x 
x1 x 2 x3 ... x k
n1 n2 n3 ... nk
k
,
n
i 1
i
 n, xi , i  1,..., k - равноотстоящие.
1 k
 xi ni
n i 1
13

2. В качестве оценки параметра   x .




e
i
3. Найти предполагаемый закон Пуассона: pi
i!


, где i  1,..., k .
4. ni '  pi ni , где i  1,..., k (теоретические частоты)
k
5.  2  
i 1
(ni  ni ' ) 2
, но  2  (k  2) .
ni '
Если  2   2  (k  2) , то выборочное значение распределено по закону Пирсона.
Задача регрессионного анализа.
Рассмотрим следующую задачу:
Есть k независимы переменных и зависящая от них переменная y . Сами переменные могут
быть случайными и при желании можем задать их значения. На величину y также влияют другие
неподдающиеся точному фактору, а это значит, что величина y носит случайный характер.
Нас будет интересовать методы экспериментального определения влияния переменных x1 ,..., x k
на y , а именно: определить по данным эксперимента вид зависимости: y( X )  f ( x1 ,..., xk ) .
Задача регрессионного анализа состоит от экспериментально определённых коэффициентов
k
регрессии вида: y ( X )    i xi путём наблюдения за характером изменений входных переменных
i 0
x1 ,..., x k и выходного y , служат методы активного и пассивного эксперимента.
Пассивный эксперимент основан на регистрации контроля параметра в процессе нормальной
работы объекта без внесений преднамеренных возмущений.
Активный эксперимент основан на использовании искомого возмущения вводимых в объект по
заранее спланированной программе. При активном эксперименте ведение искомых возмущений
позволяет быстро и целенаправленно вскрывать нужные зависимости между параметрами, но
введение искомых возмущений может привести к нарушению нормального хода технологий.
При организованном числе экспериментов невозможно точно найти значение  i  0,..., k .
k


Поэтому находят оценки этих коэффициентов  i  bi , i  0,..., k , y ( x)   b i xi определяют оценку
i 0
математического ожидания истинной функции y ( X ) .
Определение оценок коэффициентов регрессии по данным пассивного
эксперимента.
Для определения оценок коэффициентов bi , i  0,..., k проводят серию экспериментов, в каждом
из которых измеряют величины на входах и выходах исследованного объекта.
Рассмотрим l -ый эксперимент, l  0,..., n . Пусть x il и yl , где i  0,..., k , l  0,..., n - значения
k

величин xi и y в этом эксперименте. Оценка y l   b i xil будет отличаться от измеренного
i 0
k

значения yl . Величины  l  y l  y l  y l   b i xil , l  0,..., n . Для определения коэффициентов bi
i 0
14
будет использован метод наименьших квадратов. В этом случаи оценки bi будут находится из
условия: bi : Q 
n

l 1
l2
 1 
 b1 
 y1 
 
 
 
2 
b2 
y


 min . Перейдём к матричной форме:     ,     ,    2  ,
...
...
...
 
 
 
 
b 
y 
 n
 n
 n
 x01 ... x k1 


 x02 ... x k 2 
. Тогда наша зависимость запишется в виде:      . Для использования метода

... ... ... 


 x ... x 
kn 
 0n
наименьшего квадрата будем рассматривать следующую величину:
Q  T   (  )T (  )   T   T    T   T T    T   2T T    T  .
Q
T
1
T
 0   2  T   2 T   0 ,   (  )   . Т.к.

определение оценок коэффициентов p i проводится по искажённым помехам экспериментальных
данных, то для получения точных оценок нужно, что бы число экспериментов было n  k  1 , где
Минимум находим из условия:
k  1 -число неизвестных параметров, т.к. bi , i  0,..., k .
Определение: Разность между числом наблюдений n и числом неизвестных параметров k  1
называется число степеней свободы эксперимента: n'  n  (k  1) .
О правильности построений по экспериментальным данным регрессионной модели с уровнем
надёжности  можно судить на основании F - критерия Фишера. Для этого определим отношение:
2
k
Sk

2
F  2 , где S k   ( y l  y l ) 2 - дисперсия, характеризующая рассеяние эксперимента точек
Sy
l 1
относительно уровня регрессии, S y 
2
1 k
 ( yl  y) 2 - дисперсия, характеризующая ошибку
n  1 l 1
1 n
 yi - выборочная средняя всех результатов эксперимента. Когда значение F
n i 1
найдено, его сравнивают с табличными значениями Fкр (n' , k  1) . Если F  Fкр (n' , k  1) , то
построенная модель считается адекватной.
эксперимента, y 
Основные понятия дисперсионного анализа. Однофакторный дисперсионный
анализ.
В практике деятельности часто возникает необходимость выявления и оценки влияния отдельных
факторов на изменчивость какого-либо признака значения, которого могут быть получены опытным
путём виде реализации некоторой случайной величины  . Под факторами будет пониматься
независимые различные показатели. Дисперсионный анализ позволяет установить степень влияния
факторов на изменчивость признаков. Количество факторов может быть различно. По количеству
факторов различают однофакторный и двухфакторный анализ. Идея дисперсионного анализа
заключается в том, что дисперсия изучаемого признака раскладывается на сумму составляющих её
дисперсий.
2
2
2
2
Например:  2   A   B   AB   Z , где
 A 2 - дисперсия, вызванная влиянием фактора
A
,
 B - дисперсия, вызванная влиянием фактора
B
,
2
15
 AB 2 - дисперсия, вызванная влиянием фактора
AB ,
 Z - дисперсия, вызванная некоторым неучтённым фактором
 2 - дисперсия изучаемого признака.
Мы будем рассматривать однофакторный дисперсионный анализ.
2
Z
,
Однофакторный дисперсионный анализ
Будем считать, что некоторый фактор A изучается следующим образом:
На каждом из m уровней проводится по k измерений  . Данные эксперимента представлены в
виде следующих таблиц:
Уровни факторов
№
набл. A1 A2 …
Aj
… Am
1
x11
x12
…
x1j
…
x1m
2
…
k
x12
…
xk2
x22
…
xk2
…
…
…
x2j
…
xkj
…
…
…
x2m
…
xkm
x1
x2
…
xk
…
xk m
m
j
уровней по k измерений  .
Факторы A j , j  1,..., m .
Будем рассматривать гипотезу:
H0
: фактор A не влияет на  .
H 1 : фактор A влияет на  .
1 k
x j   xij , j  1,.., m - групповые средние.
k i1
1 k m
x
 xij - общая выборочная средняя принимаемая
k m i1 j 1
m

QA  k  x j  x

 .
2
- фактическая сумма квадратов отклонений групповых средних от общих
j 1
средних.
Эта величина характеризует рассеивание между группами:
k

m
Q0   xij  x j

2
- остаточная сумма квадратов отклонений, значения уровня фактов, от
i 1 j 1
групповой средней.
Эта величина характеризует рассеивание внутри группы:
k
m


Q   xij  x  QA  Q0 - общая сумма квадратов отклонений выборочных значений от
2
i 1 j 1
общего среднего.
На основании выше перечисленных формул рассчитаем следующие величины:
16
Q0
Q
Q
2
2
, S A  A , S0 
.
km
m 1
m(k  1)
S2 
2
2
Для выяснения влияния фактора A на признак  сравниваются S0 и S A . Влияние фактора A
на признак  считается заданным при заданном уровне  , если выполняется условие:
S A2
S0 2
 Fкр ( 1 ,  2 )
, где  1
 m  1 ,  2  m( k  1) .
Если данное неравенство не выполняется, то
влияние считается незначительным.
Пример:
В таблице приведены данные по объёмам работы выполненной на стройке за смену для 4 бригад.
Проверить влияет ли состав бригады на объём выполненной работы.
1
2
3
1
140
144
142
№ бригады:
2
3
150
148
149
149
152
146
4
150
155
154
4
145
152
152
№
147
142,75 150,25 147,5 152,75
xj
H0
: не влияет;
H0
: влияет.
Решение:
x
140  144  145  ...  150  ...  150  155  154  152  148,31
16


Q A  4 142,75  148,31  (150,25  148,31) 2  (147,5  148,31) 2  (152,75  148,31) 2  220,19
2
Q0  140  142,75  (144  142,75) 2  ...  (150  150,25) 2  ...  (152  152,45) 2  39,27
2
 2 220,19
SA 
2

SA
220,19 *12
4 1

 2 
 22,43 , F0.05, кр (3,12)  3,49,   0.05 , 22,4  3.49 .

3 * 39,27
S0
S 0 2  39,27

4(4  1)

Оценим степень этой зависимости с помощью коэффициента детерминирования:
Q
220,19
D  A , Q  Q A  Q0  39,27  220,19  259,46 , D 
 0,849 , 84,9 % общего изменения
Q
259,46
ежедневного объёма выработки связанного с работой смены.
17
Скачать