Прикладная статистика
Методические указания к выполнению лабораторных работ
Покупка
Тематика:
Статистика
Год издания: 2017
Кол-во страниц: 52
Дополнительно
Вид издания:
Учебно-методическая литература
Уровень образования:
ВО - Бакалавриат
ISBN: 978-5-7038-4641-4
Артикул: 841927.01.99
Представлены условия задач шести лабораторных работ, выполняемых в среде Exсel, по курсу «Прикладная статистика», изучаемому в МГТУ им. Н.Э. Баумана. Приведены краткие теоретические сведения (статистические методы, как параметрические, так и непараметрические), необходимые для решения задач, и указания к выполнению лабораторных работ. Для студентов 2-го курса всех специальностей МГТУ им. Н.Э. Баумана.
Тематика:
ББК:
УДК:
ОКСО:
- ВО - Бакалавриат
- 01.03.04: Прикладная математика
- 01.03.05: Статистика
ГРНТИ:
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов
Московский государственный технический университет имени Н.Э. Баумана Л.Г. Ветров, А.А. Кузнецова, А.Л. Сунчалина Прикладная статистика Методические указания к выполнению лабораторных работ
УДК 519.25
ББК 22.172
В39
Издание доступно в электронном виде на портале ebooks.bmstu.ru
по адресу: http://ebooks.bmstu.ru/catalog/109/book1621.html
Факультет «Фундаментальные науки»
Кафедра «Высшая математика»
Рекомендовано Редакционно-издательским советом
МГТУ им. Н.Э. Баумана в качестве учебно-методического пособия
Ветров, Л. Г.
В39
Прикладная статистика. Методические указания к выполнению лабораторных работ / Л. Г. Ветров, А. А. Кузнецова,
А. Л. Сунчалина.
—
Москва
:
Издательство
МГТУ
им. Н. Э. Баумана, 2017. — 48, [4] с. : ил.
ISBN 978-5-7038-4641-4
Представлены условия задач шести лабораторных работ, выполняемых в среде Exсel, по курсу «Прикладная статистика», изучаемому в МГТУ им. Н.Э. Баумана. Приведены краткие теоретические
сведения (статистические методы, как параметрические, так и непараметрические), необходимые для решения задач, и указания к выполнению лабораторных работ.
Для студентов 2-го курса всех специальностей МГТУ
им. Н.Э. Баумана.
УДК 519.25
ББК 22.172
© МГТУ им. Н.Э. Баумана, 2017
© Оформление. Издательство
ISBN 978-5-7038-4641-4
МГТУ им. Н.Э. Баумана, 2017
Предисловие Решение задач по прикладной статистике предполагает довольно большой объем числовых расчетов (подсчет эмпирических характеристик выборки, значений статистик при проверке статистических гипотез и т. д.), поэтому семинарские занятия в этом случае не столь эффективны, поскольку за время одного занятия можно успеть разобрать не более двух-трех примеров. По этой причине в курс прикладной статистики были введены лабораторные работы. В отличие от семинарских занятий при выполнении лабораторных работ есть возможность решать задачи не только с малыми выборками, но и с выборками большого объема. Кроме того, можно отслеживать применение предельных законов теории вероятностей, используемых в прикладной статистике и решать прикладные задачи методами статистического моделирования, что без применения вычислительной техники невыполнимо. Данные методические указания предназначены для проведения лабораторных работ по курсу «Прикладная статистика» на факультете «Фундаментальные науки» в МГТУ им. Н.Э. Баумана. Для того, чтобы не создавать нагромождение идентичных экспликаций к формулам, они приведены в теоретических сведениях к лабораторным работам 2 и 3. Методические указания используют как для планового проведения лабораторных работ, так и при ликвидации задолженностей студентами, по той или иной причине их пропустившими. Перед плановым выполнением лабораторной работы студент должен ознакомиться с теоретическими сведениями и задачами, которые необходимо решить. При ликвидации задолженностей студент, самостоятельно изучив материал, относящийся к теме лабораторной работы, выполняет расчеты дома и в электронном виде предъявляет их преподавателю. Лабораторные работы выполняют в среде Excel, что полезно студентам не только для освоения курса «Прикладная статистика», но и для совершенствования работы с таблицами Excel.
Важно отметить, что возможностей таблиц Excel достаточно для первичной статистической обработки данных. Однако для детального статистического анализа данных необходимо использовать специальные программные пакеты по статистической обработке данных, например Statistica и Statgraphics. В этом случае не придется «вручную» считать статистики Манна — Уитни и Смирнова, а также проводить спектральный анализ временного ряда.
Лабораторная работа № 1 Методы статистического моделирования. Закон больших чисел и сравнение различных оценок параметров Теоретические сведения Закон больших чисел. Пусть i — независимые и одинаково распределенные случайные величины. Тогда существование конечного математического ожидания ( ) M a необходимо и достаточно для выполнения закона больших чисел: n P a n n 1 2 ... , 1. Характеристики распределения. Нормальное распределение x a x e 2 ( , ) N a задают плотностью вероятности 2 2 ( ) /(2 ) 1 ( ) 2 x a где x t x e dt — и функцией распределения , 2 /2 1 ( ) 2 интеграл Лапласа. Распределение Коши определяют плотностью 2 1 ( ) 1 ( ) f x x a и функцией распределения 1 ( ) 2 F x 1 arctg . x a Статистическое моделирование и метод обратной функции. Если случайная величина имеет равномерное распределение в диапазоне [0,1] [0,1] R и ( ) G x — функция распределения непрерывной случайной величины, то случайная величина 1( ) G имеет функцию распределения ( ) G x ( ) . G x
Задача статистического оценивания параметров распределения, наряду с задачей проверки статистических гипотез, одна из двух основных задач математической статистики. Оценивание параметров распределения — это вид статистического оценивания, при котором значение неизвестного параметра выражается одним числом. То есть необходимо указать оценку параметра заданной выборки (выборочной совокупности) 1 2 , ,..., , n x x x , , i x F x значение которой будет рассмотрено в качестве приближения к неизвестному истинному значению . Различают два основных типа статистического оценивания параметров распределения: точечное оценивание и оценивание с помощью доверительных интервалов. К точечным оценкам параметров распределения предъявляют ряд требований, определяющих их пригодность для описания самих параметров: • несмещенность ( ) , M если математическое ожидание оценки равно оцениваемому параметру; n x x x при , n если при • состоятельность 1 2 , , ..., увеличении числа наблюдений оценка приближается (сходится по вероятности) к значению оцениваемого параметра; • эффективность ( ) min , D D если дисперсия оценки меньше дисперсии любой другой оценки данного параметра в классе всех несмещенных оценок. Рассмотрим модель равномерного распределения [0, ] R на отрезке [0, ]. Первым двум требованиям (несмещенность и состоятельность) удовлетворяют следующие четыре варианта оценки параметров распределения : 1 2 3 4 /2 1 2 ; 2 ; ; 2 3 , n n n x x x s n n 1 где x x n — выборочное среднее (значение, рассчитанное по 1 i i данным от первой строки до текущей); ( /2) n x — выборочная медиана (средний член вариационного ряда); ( ) n x — старший член вариационного ряда (максимальный член выборки); 1 n n — множи6