- •1) Автокорреляционная функция
- •2) Анализ флуктации. Периодограмма
- •3) Временные ряды. Числовые характеристики наблюдений
- •4) Выделение периодических составляющих. Исключение регулярных циклов.
- •5) Выявление и оценка тренда
- •6) Дискретные и непрерывные распределения
- •7) Кластерный анализ. Общая теория графов.
- •8) Линейная множественная корреляция. Зависимость коэффициентов линейной множественной корреляции. Множественная регрессия.
- •9) Логнормальное распределение. Отличия. Свойства.
- •11) Метод наименьших квадратов. Корреляция.
- •14) Нормальное распределение
- •17) Построение эмпирических распределений. Выбор числа интервалов группировки.
- •21) Робастное оценивание
- •23) Сглаживание и фильтрация. Методы сглаживания. Влияние сглаживания на спектр.
- •24) События. Генеральная совокупность. Выборка.
- •25) Спектральный анализ. Цель спектрального анализа.
- •26) Статистическая гипотеза. Область отклонения гипотезы. Область принятия гипотезы.
- •27) Функция распределения и её свойства.
14) Нормальное распределение
Нормальное распределение, также называемое гауссовским распределением — распределение вероятностей, которое задается функцией плотности распределения.
Нормальное распределение играет важнейшую роль во многих областях знаний, особенно в физике. Физическая величина, подверженная влиянию значительного числа случайных помех, часто подчиняется нормальному распределению, поэтому из всех распределений в природе чаще всего встречается нормальное (отсюда и произошло одно из его названий).
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
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 .
Нормальное распределение часто встречается в природе. Например, следующие случайные величины хорошо моделируются нормальным распределением:
отклонение при стрельбе
погрешности измерений
рост живых организмов
Такое широкое распространение закона связано с тем, что он является предельным законом, к которому приближаются многие другие (например, биномиальный).
Доказано, что сумма очень большого числа случайных величин, влияние каждой из которых близко к 0, имеет распределение, близкое к нормальному. Этот факт является содержанием центральной предельной теоремы.
17) Построение эмпирических распределений. Выбор числа интервалов группировки.
(Частота, обеспеченность в процентах – ось Y, значения – ось X)
площадь каждого прямоугольника равна f*i — произведению его высоты на основание. Поэтому площади пропорциональны частотам, только в том случае, если градации равны.
Таким образом общая площадь под гистограммой равна
i*Σf =N*i.
В статистике величинам случайной переменной, ниже которых лежат определенные части общего числа наблюдений присвоены специальные наименования.
Величина ниже, которой лежит k% случаев называется k-той прецентилью.
(Прецентиль - сотая часть). Величина ниже, которой j/30 наблюдений называется трентиль (трентиль — тридцатая часть). Подобным же образом
квартили относятся к четвертой, квантили к пятой, децили к десятой частям. Некоторые исследователи используют эти термины для обозначения не точек кривой, а просто некоторых частей общего числа наблюдений.
21) Робастное оценивание
На протяжении последних десятилетий росло понимание того факта, что некоторые наиболее распространенные статистические процедуры (в том числе те, которые оптимальны в предположении о нормальности распределения) весьма чувствительны к довольно малым отклонениям от предположений. Вот почему теперь появились иные процедуры - "робастные".
Мы будем понимать под термином робастность нечувствительность к малым отклонениям от предположений. Процедура робастна, если малые отклонения от предположенной модели должны ухудшать качество процедуры (например, асимптотика дисперсии или уровень значимости и мощность критерия) должны быть близки к номинальным величинам, вычисленным для принятой модели.
Рассмотрим робастность по распределению, т.е. ситуации, в которых истинная функция распределения незначительно отличается от предполагаемой в модели (как правило, гауссовской функции распределения). Это не только наиболее важный случай, но и наиболее полно изученный. Гораздо меньше известно о том, что происходит в тех ситуациях, когда несколько нарушаются прочие стандартные допущения статистики, и том, какие меры защиты должны предусматриваться в подобных случаях.
Основные типы оценок:
Оценки типа максимального правдоподобия (M-оценки)
Линейные комбинации порядковых статистик (L-оценки)
Оценки, получаемые в ранговых критериях (R-оценки)