- •1 Блок :
- •Предмет эконометрики. Цели и задачи эконометрики
- •Основные этапы эконометрического моделирования.
- •Статистические данные и способы их представления.
- •Дискретная случайная величина, закон и функция распределения
- •2. Числовые характеристики дискретных случайных величин
- •Дискретная случайная величина, распределенная по закону Пуассона. Числовые характеристики.
- •7 Вопрос Непрерывные случайные величины и их числовые характеристики.
- •8 Вопрос. Нормальное распределение случайной величины. Числовые характеристики
- •10.Вероятность попадания нормального распределения случайной величины на отрезок. Правило трех сигм.
- •11.Типовые законы распределения случайной величины
- •12 ) Генеральная совокупность и выборка из нее
- •14 ) Доверительный интервал для генеральной средней m
- •15 ) Доверительный интервал для генеральной средней а (генеральная дисперсия s2 неизвестна)
- •2 Блок :
- •Доверительный интервал для генеральной доли (относительной величины) р
- •Функция распределения, плотность распределения и их свойства.
- •Определение
- •Плотность распределения
- •Общий подход к решению задачи проверки гипотез.
- •Нулевая гипотеза (нуль-гипотеза) и альтернатива (альтернативная гипотеза)
- •6.2.2. Ошибки при проверке гипотез
- •6.2.3. Критерии значимости
- •Общая схема проверки гипотез
- •Замечание 1
- •6.2.4. Односторонние и двусторонние критерии
- •5) Модель парной линейной регрессии (плр).
- •6)Оценка коэффициентов парной линейной регрессии методом наименьших квадратов
- •7)Дисперсия наблюдаемых значения, расчетных значения, остатков (для парной линейной регрессии). Коэффициент детерминации.
- •8)Проверка статистической значимости коэффициентов парной линейной регрессии.
- •10 )Множественная линейная регрессия
- •11)Метод наименьших квадратов для нахождения параметров множественной линейной регрессии.
- •12)Проверка значимости коэффициентов множественной линейной регрессии
- •13)Классическая модель множественной линейной регрессий
- •14)Прогнозирование значений зависимой переменной для парной линейной регрессии.
- •15)Нелинейные модели , приводимые в линейному иду
Статистические данные и способы их представления.
Собранные данные должны быть согласованы между собой и иметь единую методическую базу. Например, не должны смешиваться ВНП и ВВП, индекс потребительских цен и дефлятор ВНП, реальные номинальные переменные.
Перекрёстные данные собираются по какому – либо показателю для разных объектов (фирм, стран) в один момент времени или в случае, когда время несущественно.
Временные ряды – это данные, относящиеся к одному объекту в различные моменты времени.
Для представления данных используются таблицы, временные графики, диаграммы рассеяния, гистограммы.
Наблюдение дают лишь часть всевозможных реализаций случайной величины. Её называют выборкой. Данные выборки можно представить в виде таблицы.
Для построения гистограммы интервал, в который попадают все наблюдения величины х, разбивают на несколько промежутков одинаковой длинны. Пусть nj – числа элементов выборки, попавших в j – й интервал. Тогда гистограмма – это кусочно – постоянная функция, равная nj/n на j – м интервале.
Значительную информацию о взаимосвязи двух случайных величин x, y можно получить из диаграммы рассеяния. На диаграмме рассеяния отображаются точки с координатами (x1 ;y1), (x2 ;y2),... (xn ;yn).
Дискретная случайная величина, закон и функция распределения
Дискретной называют случайную величину, значения которой изменяются не плавно, а скачками, т.е. могут принимать только некоторые заранее определённые значения. Например, денежный выигрыш в какой-нибудь лотерее, или количество очков при бросании игральной кости, или число появления события при нескольких испытаниях. Число возможных значений дискретной случайной величины может быть конечным или бесконечным (счётным множеством) Для сравнения - непрерывная случайная величина может принимать любые значения из некоторого числового промежутка: например, температура воздуха в определённый день, вес ребёнка в каком-либо возрасте, и т.д.
Закон распределения дискретной случайной величины представляет собой перечень всех её возможных значений и соответствующих вероятностей. Сумма всех вероятностей Σpi = 1. Закон распределения также может быть задан аналитически (формулой) и графически (многоугольником распределения, соединяющим точки (xi; pi)
Функция распределения случайной величины - это вероятность того, что случайная величина (назовём её ξ) примет значение меньшее, чем конкретное числовое значение x: F(X) = P(ξ < X). Для дискретной случайной величины функция распределения вычисляется для каждого значения как сумма вероятностей, соответствующих всем предшествующим значениям случайной величины. Ниже будет приведён пример, разъясняющий смысл сказанного.
2. Числовые характеристики дискретных случайных величин
Математическое ожидание дискретной случайной величины есть сумма произведений всех её возможных значений на их вероятности: M(X) = x1p1 + x2p2 + ... + xnpn
Свойства математического ожидания. 1) Математическое ожидание постоянной величины равно самой величине: М(С) = С 2) Постоянный множитель можно выносить за знак математического ожидания: М(СХ) = С·М(Х) 3) Математическое ожидание суммы случайных величин равно сумме математических ожиданий слагаемых: М(Х1 + Х2 + …+ Хn) = М(Х1) + М(Х2) + ... + М(Хn) 4) Математическое ожидание произведения взаимно независимых случайных величин равно произведению математических ожиданий сомножителей: М(Х1 · Х2 · ... · Хn) = М(Х1) · М(Х2) · ... · М(Хn)
Дисперсия дискретной случайной величины есть математическое ожидание квадрата отклонения случайной величины от её математического ожидания: D(X) = (x1 - M(X))2p1 + (x2 - M(X))2p2 + ... + (xn- M(X))2pn = x21p1 + x22p2 + ... + x2npn - [M(X)]2
Свойства дисперсии. 1) Дисперсия постоянной величины равна нулю: D(С) = 0 2) Постоянный множитель можно выносить за знак дисперсии, предварительно возведя его в квадрат: D(СХ) = С2 · D(Х) 3) Дисперсия суммы (разности) независимых случайных величин равна сумме дисперсий слагаемых: D(Х1 ± Х2 ± ... ± Хn) = D(Х1) + D(Х2) + ... + D(Хn)
Среднее квадратическое отклонение дискретной случайной величины, оно же стандартное отклонение или среднее квадратичное отклонение есть корень квадратный из дисперсии: σ(X) = √D(X)
Мода дискретной случайной величины Mo(X) - это значение случайной величины, имеющее наибольшую вероятность. На многоугольнике распределения мода - это абсцисса самой высокой точки. Бывает, что распределение имеет не одну моду.
Коэффициент вариации случайной величины - это относительная мера вариации. V(X) = |σ(X)/M(X)| · 100%
Асимметрия (коэффициент асимметрии) случайной величины (и дискретной, и непрерывной) As(X) - величина, характеризующая степень асимметрии распределения относительно математического ожидания. Коэффициент асимметрии дискретной случайной величины вычисляется по формуле: As(X) = [(x1-M(X))3p1 + (x2-M(X))3p2 + ... + (xn-M(X))3pn]/σ3 Если коэффициент асимметрии отрицателен, то либо большая часть значений случайной величины, либо мода находятся левее математического ожидания, и наоборот, если As(X)>0, то правее.
Эксцесс (коэффициент эксцесса) случайной величины (и дискретной, и непрерывной) Ex(X) - величина, характеризующая степень островершинности или плосковершинности распределения, т.е. степень так называемого «выпада». Коэффициент эксцесса дискретной случайной величины вычисляется по формуле: Ex(X) = [(x1-M(X))4p1 + (x2-M(X))4p2 + ... + (xn-M(X))4pn]/σ4 - 3