- •Предмет и задачи статистики
- •Источники статистической информации
- •Шкалы для статистической информации
- •Основные понятия в статистике.
- •Формы статистических наблюдений
- •Выборочные и генеральные совокупности
- •Нахождение объема репрезентативных выборочных совокупностей
- •Способы отбора и виды выборок
- •Порядок нормирования статистических показателей
- •Виды ошибок статистических наблюдений
- •Содержание задачи сводки и группировки стат. Информации
- •Содержание эмпирического и теоретического познания, их методы
- •Вариационные ряды, их основные параметры, графики
- •Методика получения интервальных вариационных рядов
- •Графо-аналитические методы расчета моды и медианы
- •Аналитические методы расчета моды и медианы вар.Радов.
- •Сущность вариабельности статистических совокупностей.
- •20) Среднее и средневзвешенное вариационных рядов
- •21) Порядок вычисления среднего квадратического отклонения
- •22) Кривая Лоренца и коэффициент Джини
- •23) Содержание децильного коэффициента доходов
- •24,27) Сущность, вычисление коэффициента парной ранговой корреляции
- •25) Правила ранжирования элементов статистических совокупностей
- •26) Порядок вычисления поправок на связанные ранги
- •28) Сущность коэффициента конкордации
- •29) Назначение корреляционных матриц, правила построения
- •30. Определение степени статистической согласованности объектов. Корреляционные матрицы
- •31. Применение корреляционных матриц в компонентном анализе
- •32. Сущность среднего квадратич. Отклонения на графике Гаусса
- •33. Геометрическая интерпретация коэффициентов линейной функции
- •34. Свойства средних значений линейных уравнений регрессии
- •35. Содержание метода наименьших квадратов
- •36. Метод получения коэффициентов линейной регрессии
- •37. Коэффициент линейной корреляции, его свойства
- •38. Сущность нулевой гипотезы в регрессионном анализе о тесноте связи зависимой и независимой переменной
29) Назначение корреляционных матриц, правила построения
Многие объекты исследования характеризуются множеством параметров, и по результатам наблюдения за их функционированием формируются многомерные совокупности (матрицы)
Строки такой матрицы соответствуют результатам регистрации всех наблюдаемых параметров объекта в одном эксперименте, а столбцы содержат результаты наблюдений за одним параметром (фактором, вариантой) во всех экспериментах. Обозначим количество параметров через т (т>1), а количество наблюдений – через п.
В матрице элемент хij соответствует значению j-й варианты в i-м наблюдении. Матрица, вообще говоря, может содержать пустые значения некоторых элементов, например, из-за пропусков в регистрации значений параметров. В многомерном анализе желательно устранить пропущенные значения. Для этого существуют специальные приемы, в частности, вычеркивание соответствующих строк матрицы или занесение средних значений вместо отсутствующих. В дальнейшем будем считать, что матрица не содержит пустых элементов, а параметры объекта характеризуются непрерывными случайными величинами.
30. Определение степени статистической согласованности объектов. Корреляционные матрицы
Значения корреляции для пар величин можно записывать в соответствующие столбцы и строки матрицы (таблицы).
Например, для трёх x1, x2, x3 величин корреляционная матрица будет иметь вид:
В данном случае rij – это коэффициент корреляции между i-ой и j-ой характеристиками и очевидно, что он равен rji (rij=rji), а также rii=1 для всех допустимых значений i. Поэтому для упрощения корреляционную матрицу принято представлять в треугольном виде:
Построим корреляционную матрицу ранговой попарной связи результатов трёх тестирований 10 студентов. Результаты ранжирования тестирования указанных студентов представлены в таблице:
Тест A(ранг) |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Тест B(ранг) |
2 |
1 |
3 |
4 |
9 |
8 |
10 |
5 |
7 |
6 |
Тест C(ранг) |
10 |
9 |
8 |
7 |
6 |
5 |
4 |
3 |
2 |
1 |
Для решения поставленной проблемы найдём коэффициент корреляции Спирмена для тестов A и B (r12), A и C (r13) и B и C (r23).
После проведения расчётов получаем, что r12= 0,64, r23= –0,58, r13= –1. Тогда корреляционная матрица будет иметь следующий вид:
Наглядно попарную связь измеряемых величин удобно представить с помощью корреляционного графа. В вершинах корреляционного графа указывается измеряемая величина, а над рёбрами, соединяющими вершины, проставляется соответствующее значение коэффициента корреляции. Таким образом, полученную в предыдущем примере корреляционную матрицу легко заменить корреляционным графом.
31. Применение корреляционных матриц в компонентном анализе
32. Сущность среднего квадратич. Отклонения на графике Гаусса
Нормальное распределение, также называемое гауссовским распределением или распределениемГаусса — распределение вероятностей, которое задается функцией плотности распределения:
где параметр μ — среднее значение (математическое ожидание) случайной величины и указывает координату максимума кривой плотности распределения, а σ² — дисперсия.
Нормальное распределение играет важнейшую роль во многих областях знаний, особенно в статистической физике. Физическая величина, подверженная влиянию значительного числа независимых факторов, могущих вносить с равной погрешностью положительные и отрицательные отклонения, вне зависимости от природы этих случайных факторов, часто подчиняется нормальному распределению, поэтому из всех распределений в природе чаще всего встречается нормальное (отсюда и произошло одно из названий этого распределения вероятностей).
Нормальное распределение зависит от двух параметров — смещения и масштаба, то есть является с математической точки зрения не одним распределением, а целым их семейством. Значения параметров соответствуют значениям среднего (математического ожидания) и разброса (стандартного отклонения).
Стандартным нормальным распределением называется нормальное распределение с математическим ожиданием 0 и стандартным отклонением 1
Свойства
Если случайные величины X1 и X2 независимы и имеют нормальное распределение с математическими ожиданиями μ1 и μ2 и дисперсиями и соответственно, то X1 + X2 также имеет нормальное распределение с математическим ожиданием μ1 + μ2 и дисперсией .