Проверка гипотезы о равенстве среднего значения числу. Проверка гипотезы о равенстве среднего генеральной совокупности некоторому заданному значению. Проверка гипотезы о равенстве двух генеральных средних

Рассмотрим ту же задачу, что и в предыдущем пункте 3.4, но только при условии, что объемы выборок и Невелики (меньше 30). В этом случае замена генеральных дисперсий и , входящих в (3.15), на исправленные выборочные дисперсии и может привести к большой ошибке в величине , а следовательно, к большой ошибке в установлении области принятия гипотезы Н0 . Однако если есть уверенность в том, что неизвестные генеральные и Одинаковы (например, если сравниваются средние размеры двух партий деталей, изготовленных на одном и том же станке), то можно, используя распределение Стьюдента, и в этом случае построить критерий проверки гипотезы Н0 X и Y . Для этого вводят случайную величину

, (3.16)

(3.17)

Среднее из исправленных выборочных дисперсий и , служащее точечной оценкой обеих одинаковых неизвестных генеральных дисперсий и . Как оказывается (см. , стр.180), при справедливости нулевой гипотезы Н0 случайная величина Т имеет распределение Стьюдента с степенями свободы независимо от величин и объемов выборок. Если гипотеза Н0 верна, то разница должна быть невелика. То есть экспериментальное значение T Эксп. величины Т должно быть невелико. А именно, должно заключаться в некоторых границах . Выход же его за эти границы мы будем считать опровержением гипотезы Н0 , и допускать это будем с вероятностью, равной задаваемому уровню значимости α .

Таким образом, областью принятия гипотезы Н0 будет являться некоторый интервал , в который значения случайной величины Т должны попадать с вероятностью 1- α :

Величину , определяемую равенством (3.18), для различных уровней значимости α и различных числах K степеней свободы величины Т можно найти в таблице критических точек распределения Стьюдента (таблице 4 Приложения). Тем самым будет найден интервал принятия гипотезы Н0 . И если экспериментальное значение T Эксп величины Т попадет в этот интервал – гипотезу Н0 принимают. Не попадает - не принимают.

Примечание 1. Если нет оснований считать равными генеральные дисперсии и величин Х и Y , то и в этом случае для проверки гипотезы Н0 о равенстве математических ожиданий величин Х и Y допускается использование изложенного выше критерия Стьюдента. Только теперь у величины Т число K степеней свободы следует считать равным не , а равным (см. )

(3.19)

Если исправленные выборочные дисперсии и различаются существенно, то второе слагаемое в последней скобке (3.19) невелико по сравнению с 0,5, так что выражение (3.19) по сравнению с выражением уменьшает число степеней свободы случайной величины Т почти вдвое. А это ведет к существенному расширению интервала принятия гипотезы Н0 и, соответственно, к существенному сужению критической области непринятия этой гипотезы. И это вполне справедливо, так как степень разброса возможных значений разности Будет, в основном, определяться разбросом значений той из величин Х и Y , которая имеет большую дисперсию. То есть информация от выборки с меньшей дисперсией как бы пропадает, что и ведет к большей неопределенности в выводах о гипотезе Н0 .

Пример 4. По приведенным в таблице данным сравнить средние удои коров, получавших различные рационы. При проверке нулевой гипотезы Н0 о равенстве средних удоев принять уровень значимости α =0,05.

	Поголовье коров, получавших рацион (Голов )	Среднесуточный удой в пересчете на базисную жирность (Кг/на голову )	Среднеквадратическое отклонение суточной молочной продуктивности коров (Кг/на голову )

. Так как приведенные табличные данные получены на основании малых выборок объемами =10 и =8, то для сравнения математических ожиданий среднесуточных удоев коров, получавших тот и другой кормовые рационы, мы должны использовать теорию, изложенную в этом пункте. Для этого в первую очередь выясним, позволяют ли найденные исправленные выборочные дисперсии =(3,8)2=14,44 и =(4,2)2=17,64 считать равными генеральные дисперсии и . Для этого используем критерий Фишера-Снедекора (см. пункт 3.3). Имеем:

По таблице критических точек распределения Фишера-Снедекора для α =0,05; K 1 =8-1=7 и K 2 =10-1=9 находим

И так как , то у нас нет оснований при данном уровне значимости α =0,05 отвергать гипотезу H 0 о равенстве генеральных дисперсий и .

Теперь, в соответствии с (3.17) и (3.16), подсчитаем экспериментальное значение величины Т :

Далее, по формуле находим число K степеней свободы величины Т : K =10+8-2=16. После этого для п0+8-2=16. ооды (3.16) подсчитаем экспериментальное значение величины Т: Ы кормовые рационы, мы должны испол α =0,05 и K =16 по таблице критических точек распределения Стьюдента (таблица 4 Приложения) находим : =2,12. Таким образом, интервалом принятия гипотезы H 0 о равенстве средних удоев коров, получавших рационы № 1 и № 2, является интервал =(-2,12; 2,12). И так как = - 0,79 попадает в этот интервал, то у нас нет оснований отвергать гипотезу H 0 . То есть мы вправе считать, что различие кормовых рационов не сказывается на среднесуточном удое коров.

Примечание 2. В рассмотренных выше пунктах 3.4 и 3.5 рассматривалась нулевая гипотеза H 0 о равенстве М(Х)=М(Y ) при альтернативной гипотезе Н1 об их неравенстве: М(Х)≠М(Y ). Но альтернативная гипотеза Н1 может быть и другой, например, М(Y )>М(X ). На практике этот случай будет иметь место, когда вводится некоторое усовершенствование (положительный фактор), который позволяет рассчитывать на увеличение в среднем значений нормально распределенной случайной величины Y по сравнению со значениями нормально распределенной величины Х . Например, в рацион коров введена новая кормовая добавка, позволяющая рассчитывать на увеличение среднего удоя коров; под культуру внесена дополнительная подкормка, позволяющая рассчитывать на увеличение средней урожайности культуры, и т. д. И хотелось бы выяснить, существенен (значим) или незначим этот введенный фактор. Тогда в случае больших объемов и Выборок (см. пункт 3.4) в качестве критерия справедливости гипотезы H 0 рассматривают нормально распределенную случайную величину

При заданном уровне значимости α Гипотеза H 0 о равенстве М(Х) и М(Y ) будет отвергнута, если экспериментальное значение величины Будет положительным и бόльшим , где

Так как при справедливости гипотезы H 0 М(Z )= 0, то

Один из самых простых случаев проверки статистической гипотезы заключается в проверке равенства между средним генеральной совокупности и некоторым заданным значением. Заданное значение представляет собой некоторое фиксированное число µ 0 , полученное не из выборочных данных. Гипотезы имеют следующий вид.

Н 0: µ = µ 0 – нулевая гипотеза утверждает, что неизвестное среднее значение генеральной совокупности µ в точности равно заданному значению µ 0 .

Н 1: µ µ 0 - альтернативная гипотеза утверждает, что неизвестное среднее значение генеральной совокупности µ не равно заданному значению µ 0 .

Обратите внимание, что фактически здесь фигурируют три различных числа, имеющих отношение к среднему:

§ µ - неизвестное среднее генеральной совокупности, которое вас интересует;

§ µ 0 - заданное значение, в отношении которого проверяют гипотезу;

§ - известное выборочное среднее, которое используют для вынесения решения о принятии гипотезы. Из указанных трех чисел только это значение является случайной величиной, так как оно рассчитано из данных выборки. Заметим, что является оценкой и, следовательно, представляет µ.

Проверка гипотезы заключается в сравнении двух известных величин и µ 0 . Если эти значения отличаются сильнее, чем можно было бы ожидать исходя из случайности, то нулевую гипотезу µ = µ 0 отклоняют, так как предоставляет информацию о неизвестном среднем µ. Если значения и µ 0 достаточно близки, то нулевую гипотезу µ = µ 0 принимают. Но что означает “значения близки”? Где находится необходимая граница? Близость должна определяться на основе значения , поскольку эта стандартная ошибка определяет степень случайности . Таким образом, если и µ 0 отстоят друг от друга на расстоянии достаточного количества стандартных ошибок, то это является убедительным доказательством того, что µ не равно µ 0 .

Существуют два различных метода проверки гипотезы и получения результата. Первый метод использует доверительные интервалы, о которых шла речь в предыдущей главе. Это более простой метод, потому что (а) вы уже знаете, как строить и интерпретировать доверительный интервал, и (б) доверительный интервал интерпретируется непосредственно, поскольку он выражен в тех же единицах измерения, что и данные (например, в долларах, количестве людей, количестве поломок). Второй метод (основанный на t-статистике ) является более традиционным, но интуитивно менее понятным, поскольку заключается в том, чтобы вычислить показатель, измеренный не в тех же единицах, что и данные, сравнить полученное значение с соответствующим критическим значением из t- таблицы и затем сделать вывод.

Проверка однородности двух выборок производится с помощью критерия Стьюдента (или t – критерия). Рассмотрим постановку задачи проверки однородности двух выборок. Пусть произведено две выборки объемом и . Необходимо проверить нулевую гипотезу о том, что генеральные средние двух выборок равны. То есть, и . n 1

Прежде чем рассматривать методику решения задачи рассмотрим некоторые теоретические положения, используемые для решения задачи. Известный математик У.С. Госсет (ряд своих работ публиковал под псевдонимом Стьюдент) доказал, что статистика t (6.4) подчиняется определенному закону распределения, который в последствии был назван законом распределения Стьюдента (второе название закона – ”t – распределение”).

Среднее значение случайной величины X ;

Математическое ожидание случайной величины X ;

Среднеквадратичного отклонения среднего выборки объема n .

Оценка среднеквадратичного отклонения среднего рассчитывается по формуле (6.5):

Среднеквадратичного отклонения случайной величины X .

Распределение Стьюдента имеет один параметр – количество степеней свободы .

Теперь вернемся к исходной постановке задачи с двумя выборками и рассмотрим случайную величину равную разности средних двух выборок (6.6):

(6.6)

При условии выполнения гипотезы о равенстве генеральных средних справедливо (6.7):

(6.7)

Перепишем соотношение (6.4) применительно нашему случаю:

Оценка среднеквадратичного отклонения может быть выражена через оценку среднеквадратичного отклонения объединенной совокупности (6.9):

(6.9)

Оценка дисперсии объединенной совокупности может быть выражена через оценки дисперсии, рассчитанные по двум выборкам и :

(6.10)

С учетом формулы (6.10) соотношение (6.9) можно переписать в виде (6.11). Соотношение (6.9) является основной расчетной формулой задачи сравнения средних:

При подстановке значения в формулу (6.8) будем иметь выборочное значение t -критерия . По таблицам распределения Стьюдента при количестве степеней свободы и заданном уровне значимости можно определить . Теперь, если , то гипотеза о равенстве двух средних отвергается.

Рассмотрим пример выполнения расчетов для проверки гипотезы равенства двух средних в EXCEL. Сформируем таблицу данных (рис. 6.22). Данные сгенерируем с помощью программы генерации случайных чисел пакета ”Анализ данных”:

X1 выборка из нормального распределения с параметрами объемом ;

X2 выборка из нормального распределения с параметрами объемом ;

X3 выборка из нормального распределения с параметрами объемом ;

X4 выборка из нормального распределения с параметрами объемом .

Проверим гипотезу равенства двух средних (X1-X2), (X1-X3), (X1-X4). В начале рассчитаем параметры выборок признаков X1-X4 (рис. 6.23). Затем рассчитаем значение t - критерия. Расчеты выполнит с помощью формул (6.6) – (6.9) в EXCEL. Результаты расчетов сведем в таблицу (рис. 6.24).

Рис. 6.22. Таблица данных

Рис. 6.23. Параметры выборок признаков X1-X4

Рис. 6.24. Сводная таблица расчета значений t – критерия для пар признаков (X1-X2), (X1-X3), (X1-X4)

По результатам, приведенным в таблице на рис. 6.24 можно сделать заключение, что для пары признаков (X1-X2) гипотеза равенства средних двух признаков отвергается, а для пар признаков (X1-X3), (X1-X4) гипотезу можно считать справедливой.

Такие же результаты можно получить с помощью программы “Двухвыборочный t -тест с одинаковыми дисперсиями” пакета Анализ данных. Интерфейс программы приведен на рис. 6.25.

Рис. 6.25. Параметры программы “Двухвыборочный t - тест с одинаковыми дисперсиями”

Результаты расчетов проверки гипотез равенства двух средних пар признаков (X1-X2), (X1-X3), (X1-X4), полученные с помощью программы приведены на рис. 6.26-6.28.

Рис. 6.26. Расчет значения t – критерия для пары признаков (X1-X2)

Рис. 6.27. Расчет значения t – критерия для пары признаков (X1-X3)

Рис. 6.28. Расчет значения t – критерия для пары признаков (X1-X4)

Двухвыборочный t -тест с одинаковыми дисперсиями иначе называется t -тестом с независимыми выборками. Большое распространение так же получил t -тестом с зависимыми выборками. Ситуация, когда необходимо применять этот критерий возникает тогда, когда одна и та же случайная величина подвергается измерению дважды. Количество наблюдений в обоих случаях одинаково. Введем обозначения для двух последовательных измерений некоторого свойства одних и тех же объектови , , а разность двух последовательных измерений обозначим :

В этом случае формула для выборочного значения критерия приобретает вид:

, (6.13)

(6.15)

В этом случае количество степеней свободы . Проверку гипотезы можно выполнить с помощью программы “Парный двухвыборочный t -тест” пакета анализа данных (рис. 6.29).

Рис. 6.29. Параметры программы “Парный двухвыборочный t -тест”

6.5. Дисперсионный анализ –классификация по одному признаку (F - критерий)

В дисперсионном анализе проверяется гипотеза, которая является обобщением гипотезы равенства двух средних на случай, когда проверяется гипотеза равенства одновременно нескольких средних. В дисперсионном анализе исследуется степень влияния одного или нескольких факторных признаков на результативный признак. Идея дисперсионного анализа принадлежит Р. Фишеру. Он использовал его для обработки результатов агрономических опытов. Дисперсионный анализ применяется для установления существенности влияния качественных факторов на исследуемую величину. Английское сокращенное название дисперсионного анализа – ANOVA (analysis variation).

Общая форма представления данных с классификацией по одному признаку представлена в таблице 6.1.

Таблица 6.1. Форма представления данных с классификацией по одному признаку

Среди важнейших обобщающих характеристик, относительно которых чаще всего выдвигаются гипотезы, является средняя величина. С целью проверки гипотезы о равенстве средних в генеральной совокупности необходимо сформулировать нулевую гипотезу. При этом, как правило, исходят из того, что обе выборки взяты из нормально распределенной генеральной совокупности с математическим ожиданием, равным X и с дисперсией, равной с0 . Если это предположение верно, то х1 - х2 ~ х . Фактически же выборочные средние Х1 И Х2 не будут равны из-за случайности выборки. Поэтому нужно выяснить существенность различий между х1 х2 - находится ли их разница в пределах возможной случайной вариации или же она выходит за эти пределы. Тогда задача проверки гипотезы сводится к проверке существенности различия

Каждая выборочная средняя имеет свою ошибку /и:

Определив дисперсии и среднюю ошибку выборочных средних, можно вычислить фактическое значение И-критерия и сравнить его с критическим (табличным) значением при соответствующем уровне значимости и числе степеней свободы вариации (для выборок с численностью п > 30 используется и-критерий нормального распределения, а для выборок с численностью п < 30 - и-критерий Стьюдента).

Фактическое значение и-критерия определяется по формуле

Если выборочное значение критерия попадает в критическую область (їфакі> О, нулевая гипотеза о равенстве средних отклоняется; если же выборочное значение критерия попадает в область допустимых значений (Іфакг< їа), нулевая гипотеза принимается.

Нулевая гипотеза о равенстве средних в двух генеральных совокупностях может быть также проверена путем сравнения фактической средней разницы [єФа,.т = ~~2 ) с предельной случайной ошибкой при заданном уровне значимости (еа). Если фактическая разница между выборочными средними находится в пределах случайной ошибки (єфакт < еа), нулевая гипотеза принимается. Если же фактическая разница между средними выходит за пределы случайной ошибки (еф^т > еа), нулевая гипотеза отклоняется.

При решении конкретных задач по проверке статистических гипотез относительно средних необходимо учитывать следующие моменты: 1) схему формирования выборок (выборки независимые и зависимые); 2) равенство или неравенство объемов выборок; 3) равенство или неравенство дисперсий генеральных совокупностях.

Алгоритм проверки гипотезы относительно двух средних несколько меняется, если дисперсии по выборкам (512 и 522) существенно отличаются. В этом случае при определении числа степеней свободы вводится поправка:

Когда же при неравных дисперсиях по выборкам, неровными есть и их численности (п1 и п2), табличное значение г-критерия Стьюдента следует рассчитать по формуле

где и1 и и2 - табличные значения Г-критерия Стьюдента, которые берутся в соответствии с п1 - 1 и п2 - 1 степенями свободы.

Рассмотрим пример проверки статистической гипотезы о равенстве двух средних независимых выборок равной численности (п1=п2) и равными дисперсиями (СГ;2 =).

Да, есть данные по живой массы телят при рождении двух группах коров черно-пестрой породы (коровы одного возраста). Первая группа коров имела нормальную продолжительность лактации (305 дней), а вторая группа доилась в течение 320 дней. В каждую группу вошло по 5 коров. Данные наблюдения приведены в табл. 7.2.

Таблица 7.2. Живая масса телят при рождении по группам коров с разной продолжительностью лактации

Сопоставление живых масс телят по двух группах коров показывает, что более высокая живая масса телят наблюдается у коров И группы, которые имели нормальную продолжительность лактации. Однако, в связи с тем, что численность выборок небольшая (п = 5), не исключена возможность, что разногласия между живыми массами полученные в результате действия случайных причин.

Необходимо статистически оценить разницу между средними по двум группам коров.

По результатам проверки гипотезы сделать вывод о том, что разница между средними лежит в пределах случайных колебаний, или же эта разница настолько значительная, что не согласуется с нулевой гипотезой о случайном характере различий между средними.

Если будет доказано второе положение и отклонено первых, можно утверждать, что продолжительность лактации влияет на живую массу телят.

Условие задачи предполагает, что обе выборки взяты из нормально распределенной генеральной совокупности. Формирование групп случайное (независимое), поэтому должна оцениваться разница между средними.

Определим среднюю живую массу телят по двух группах коров:

Фактическая разница между средними составляет:

Существенность этой разницы должна быть оценена. Для этого необходимо проверить гипотезу о равенстве двух средних.

Рассмотрим подробно все этапы схемы проверки гипотезы. 1. Сформулируем нулевую Но и На альтернативную гипотезы:

2. Примем уровень значимости а = 0,05, гарантируя принятие гипотезы или отказа от нее с вероятностью ошибки только в 5 случаях из 100.

3. Наиболее мощным критерием для проверки такого рода гипотезы Н0 есть и-критерий Стьюдента.

4. Сформулируем правило принятия решения по результатам

проверки Н0. Поскольку по альтернативной гипотезой х1 может быть или меньше или больше х2 , то критическая область должна быть установлена с двух

сторон: и - ~иа и и - иа, или короче: иа.

Такая форма задания критерия называется двусторонней критической областью. Критическая область при а = 0,05 будет содержаться в пределах - все значения выше, чем верхняя 2,5% и ниже, чем 2,5% точки распределения и-критерия Стьюдента.

С учетом сказанного выводы по проверке Н0 можно сформулировать так: гипотеза Н0 отклонятся, если фактическое значение Г-критерия окажется

больше табличное значение, то есть если іфакт > иа. В противном случае Ка должна быть принята.

5. Чтобы проверить Н0 нужно определить фактическое значение Г-критерия Стьюдента и сравнить его с табличным значением.

Для определения фактического значения Г-критерия Стьюдента выполним следующие вычисления.

6. Вычислим по каждой выборке скорректированные на потерю степеней свободы вариации дисперсии. Для этого предварительно возведем в квадрат значения хц и х2і:

7. Рассчитаем квадраты средних ошибок по каждой выборке и обобщенную среднюю ошибку разности средних:

8. Рассчитаем фактическое значение Г-критерия Стьюдента:

9. Определим табличное значение критерия Г-Стьюдента, исходя из уровня значимости а = 0,05 и числа степеней свободы для двух выборок:

По таблице "Критические точки распределения Стьюдента" (доп. 3) найдем и при а = 0,05 и к = 8: і005 = 2,31.

10. Сравним фактическое и табличное значение-критерия Стьюдента:

Поскольку іфаккг < и^05 (выборочное значение критерия находится в области допустимых значений), нулевая гипотеза о равенстве средних генеральных совокупностях принимается.

Итак, влияние продолжительности лактации на живую массу телят при рождении оказывается недоведенним.

Однако следует обратить внимание на такой существенный момент: живая масса телят при рождении во всех наблюдениях опыта выше в первой группе коров, которые имеют нормальную продолжительность лактации. Поэтому вместо альтернативной гипотезы На х1 ф х2 может быть взята другая. Поскольку нет оснований считать, что при нормальной продолжительности лактации живая масса телят будет ниже, то очевидно, что более целесообразной формой альтернативной гипотезы есть: На: х1 > х2.

Тогда критическая область, что составляет 0,05 всей площади под кривой распределения, будет расположена только с одной (правой) стороны, так как отрицательные значения живых масс считаются несовместимыми с условиями задачи. В связи с этим табличное значение-критерия следует определять при удвоенном значении уровня значимости (т.е. при 2а; иа = 2 o 0,05 = 0,10). Критерий проверки гипотезы формулируется так: нулевая гипотеза отклоняется, если > і2а.

Такая форма задачи критической области называется односторонней. Односторонний критерий более чувствителен к ошибкам второго рода, но его применение допустимо лишь в случае, если доказана правомерность данной альтернативной гипотезы.

Установим по таблицам (прил. 3) табличное значение-критерия при а = 0,10 и к = 8, і0Д0 = 1,86.

Итак, при использовании одностороннего критерия нулевая гипотеза отклоняется, Т.е. критерий окажется в критической области (іфакг > і0д0; 2,14 > 1,86). Таким образом, живая масса телят при рождении в группе коров с нормальной продолжительностью лактации существенно выше. Этот вывод точный, чем полученный на основе двустороннего критерия, так как здесь использована дополнительная информация для обоснования правильности применения одностороннего критерия.

Такой же вывод получим и путем сравнения возможной предельной ошибки двух выборок еа с фактической разницей средних.

Вычислим возможную предельную ошибку разности средних по двум выборкам: є0до = Г010 o /А_2 = 1,86 o 1,87 = 3,48 кг и сравним ее с фактической разницей средних:

Сопоставляя предельную возможную ошибку с фактической разницей средних, можно сделать аналогичный вывод о том, что выдвинутая гипотеза о равенстве средних не согласуется с полученными результатами.

Проверку гипотезы для случая зависимых выборок с равными чисельностями и равными дисперсиями рассмотрим на таком примере.

Да, есть данные выборочного наблюдения по продуктивности коров-матерей и коров-дочерей (табл. 7.3).

Таблица 7.3. Продуктивность коров-матерей и коров-дочерей

Необходимо проверить статистическую гипотезу относительно средней разницы между парами взаимосвязанных наблюдений в генеральной совокупности.

Так как наблюдения двух выборок попарно взаимосвязаны (зависимые выборки), то необходимо сравнивать не разницу между средними, а среднее значение разностей между парами наблюдений (и). Рассмотрим все этапы процедуры проверки гипотезы. 1. Сформулируем нулевую и альтернативную гипотезы:

При такой альтернативе необходимо применить двусторонний критерий.

2. Уровень значимости примем равным а = 0,05.

3. Самым мощным критерием проверки Н0 есть и-критерий Стьюдента.

4. Вычислим среднюю разность

5. Рассчитаем скорректированную дисперсию средней разницы:

6. Определим среднюю ошибку средней разницы:

7. Вычислим фактическое значение-критерия Стьюдента:

8. Установим число степеней свободы, исходя из численности пар взаимосвязанных разниц:

9. Найдем табличное значение Г-критерия Стьюдента при к = 4 и а = 0,05; V. = 2,78 (прил. 3).

10. Сравним фактическое и табличное значение критерия:

Фактическое значение критерия выше табличное. Следовательно, величина средней разницы между надоями двух выборок существенная и нулевая гипотеза отклоняется.

Такие же выводы получим, сравнивая возможную предельную ошибку с фактической средней разницей:

Предельная ошибка показывает, что в результате случайного варьирования средняя разница может достигать 2,4 ц. Фактическая средняя разница выше:

Итак, по результатам исследования можно с высокой степенью вероятности утверждать, что различия в значениях средних удоев коров-матерей и коров-дочерей вероятны.

3. ПРОВЕРКА ГИПОТЕЗЫ О РАВЕНСТВЕ СРЕДНИХ

Используется для проверки предложения о том, что среднее значения двух показателей, представленных выборками, значимо различаются. Существует три разновидности критерия: один – для связанных выборок, и два для несвязных выборок (с одинаковыми и разными дисперсиями). Если выборки не связны, то предварительно нужно проверить гипотезу о равенстве дисперсий, чтобы определить, какой из критериев использовать. Так же как и в случае сравнения дисперсий имеются 2 способа решения задачи, которые рассмотрим на примере.

ПРИМЕР 3. имеются данные о количестве продаж товара в двух городах. Проверить на уровне значимости 0,01 статистическую гипотезу о том, что среднее число продаж товара в городах различно.

23	25	23	22	23	24	28	16	18	23	29	26	31	19
22	28	26	26	35	20	27	28	28	26	22	29

Используем пакет «Анализ данных». В зависимости от типа критерия выбирается один из трех: «Парный двухвыборочный t-тест для средних» - для связных выборок, и «Двухвыборочных t-тест с одинаковыми дисперсиями» или «Двухвыборочных t-тест с разными дисперсиями» - для несвязных выборок. Вызовите тест с одинаковыми дисперсиями, в открывшемся окне в полях «Интервал переменной 1» и «Интервал переменной 2» вводят ссылки на данные (А1-N1 и А2-L2, соответственно), если имеются подписи данных, то ставят флажок у надписи «Метки» (у нас их нет, поэтому флажок не ставится). Далее вводят уровень значимости в поле «Альфа» - 0,01. Поле «Гипотетическая средняя разность» оставляют пустыми. В разделе «Параметры вывода» ставят метку около «Выходной интервал» и поместив курсор в появившемся поле напротив надписи, щелкают левой кнопкой в ячейке В7. вывод результата будет осуществляться начиная с этой ячейки. Нажав на «ОК» появляется таблица результата. Сдвиньте границу между столбцами В и С, С и D, D и Е увеличив ширину столбцов В, С и D так, чтобы умещались все надписи. Процедура выводит основные характеристики выборки, t-статистику, критические значения этих статистик и критические уровни значимости «Р(Т<=t) одностороннее» и «Р(Т<=t) двухстороннее». Если по модулю t-статистика меньше критического, то средние показатели с заданной вероятностью равны. В нашем случае│-1,784242592│ < 2,492159469, следовательно, среднее число продаж значимо не отличается. Следует отметить, что если взять уровень значимости α=0,05, то результаты исследования будут совсем иными.

Двухвыборочный t-тест с одинаковыми дисперсиями
Среднее	23,57142857	26,41666667
Дисперсия	17,34065934	15,35606061
Наблюдения	14	12
Объединенная дисперсия	16,43105159
Гипотетическая разность средних	0
df	24
t-статистика	-1,784242592
P(T<=t) одностороннее	0,043516846
t критическое одностороннее	2,492159469
P(T<=t) двухстороннее	0,087033692
t критическое двухстороннее	2,796939498

Лабораторная работа №3

ПАРНАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ

Цель: Освоить методы построения линейного уравнения парной регрессии с помощью ЭВМ, научиться получать и анализировать основные характеристики регрессионного уравнения.

Рассмотрим методику построения регрессионного уравнения на примере.

ПРИМЕР. Даны выборки факторов х i и у i . По этим выборкам найти уравнение линейной регрессии ỹ = ах + b. Найти коэффициент парной корреляции. Проверить на уровне значимости а = 0,05 регрессионную модель на адекватность.

Х	0	1	2	3	4	5	6	7	8	9
Y	6,7	6,3	4,4	9,5	5,2	4,3	7,7	7,1	7,1	7,9

Для нахождения коэффициентов a и b уравнения регрессии служат функции НАКЛОН и ОТРЕЗОК, категории «Статистические». Вводим в А5 подпись «а=» а в соседнюю ячейку В5 вводим функцию НАКЛОН, ставим курсор в поле «Изв_знач_у» задаем ссылку на ячейки В2-K2, обводя их мышью. Результат 0,14303. Найдем теперь коэффициент b. Вводим в А6 подпись «b=», а в В6 функцию ОТРЕЗОК с теми же параметрами, что и функции НАКЛОН. Результат 5,976364. следовательно, уравнение линейной регрессии есть у=0,14303х+5,976364.

Построим график уравнения регрессии. Для этого в третью строчку таблицы введем значения функции в заданных точках Х (первая строка) – у(х 1). Для получения этих значений используются функция ТЕНДЕНЦИЯ категории «Статистические». Вводим в А3 подпись «Y(X) и, поместив курсор в В3, вызываем функцию ТЕНДЕНЦИЯ. В полях «Изв_знач_у» и «Изв_знач_х» даем ссылку на В2-K2 и В1-K1. в поле «Нов_знач_х» вводим также ссылку на В1-K1. в поле «Константа» вводят 1, если уравнение регрессии имеет вид y=ax+b, и 0, если у=ах. В нашем случае вводим единицу. Функция ТЕНДЕНЦИЯ является массивом, поэтому для вывода всех ее значений выделяем область В3-K3 и нажимаем F2 и Ctrl+Shift+Enter. Результат – значения уравнения регрессии в заданных точках. Строим график. Ставим курсор в любую свободную клетку, вызываем мастер диаграмм, выбираем категорию «Точеная», вид графика – линия без точек (в нижнем правом углу), нажимаем «Далее», в поле «Диагноз» вводим ссылку на В3-K3. переходим на закладку «Ряд» и в поле «Значения Х» вводим ссылку на В1-K1, нажимаем «Готово». Результат – прямая линия регрессии. Посмотрим, как различаются графики опытных данных и уравнения регрессии. Для этого ставим курсор в любую свободную ячейку, вызываем мастер диаграмм, категория «График», вид графика – ломанная линия с точками (вторая сверху левая), нажимаем «Далее», в поле «Диапазон» вводим ссылку на вторую и третью строки В2-K3. переходим на закладку «Ряд» и в поле «Подписи оси Х» вводим ссылку на В1-K1, нажимаем «Готово». Результат – две линии (Синяя – исходные, красная – уравнение регрессии). Видно, что линии мало различаются между собой.

а=	0,14303
b=	5,976364

Для вычисления коэффициента корреляции r xy служит функция ПИРСОН. Размещаем график так, чтобы они располагались выше 25 строки, и в А25 делаем подпись «Корреляция», в В25 вызываем функцию ПИРСОН, в полях которой «Массив 2» вводим ссылку на исходные данные В1-K1 и В2-K2. результат 0,993821. коэффициент детерминации R xy – это квадрат коэффициента корреляции r xy . В А26 делаем подпись «Детерминация», а в В26 – формулу «=В25*В25». Результат 0,265207.

Однако, в Excel существует одна функция, которая рассчитывает все основные характеристики линейной регрессии. Это функция ЛИНЕЙН. Ставим курсор в В28 и вызываем функцию ЛИНЕЙН, категории «Статистические». В полях «Изв_знач_у» и «Изв_знач_х» даем ссылку на В2-K2 и В1-K1. поле «Константа» имеет тот же смысл, что и функции ТЕНДЕНЦИЯ, у нас она равна 1. поле «Стат» должно содержать 1, если нужно вывести полную статистику о регрессии. В нашем случае ставим туда единицу. Функция возвращает массив размеров 2 столбца и 5 строк. После ввода выделяем мышью ячейку В28-С32 и нажимаем F2 и Ctrl+Shift+Enter. Результат – таблица значений, числа в которой имеют следующий смысл:

Коэффициент а	Коэффициент b
Стандартная ошибка m o	Стандартная ошибка m h
Коэффициент детерминации R xy	Среднеквадратическое отклонение у
F – статистика	Степени свободы n-2
Регрессионная сумма квадратов S n 2	Остаточная сумма квадратов S n 2

0,14303	5,976364
0,183849	0,981484
0,070335	1,669889
0,60525	8
1,687758	22,30824

Анализ результата: в первой строчке – коэффициенты уравнения регрессии, сравните их с рассчитанными функциями НАКЛОН и ОТРЕЗОК. Вторая строчка – стандартные ошибки коэффициентов. Если одна из них по модулю больше, чем сам коэффициент, то коэффициент считается нулевым. Коэффициент детерминации характеризует качество связи между факторами. Полученное значение 0,070335 говорит об очень хорошей связи факторов, F – статистика проверяет гипотезу о адекватности регрессионной модели. Данное число нужно сравнить с критическим значением, для его получения вводим в Е33 подпись «F-критическое», а в F33 функцию FРАСПОБР, аргументами которой вводим соответственно «0,05» (уровень значимости), «1» (число факторов Х) и «8» (степени свободы).

F-критическое

5,317655

Видно, что F-статистика меньше, чем F-критическое, значит, регрессионная модель не адекватна. В последней строке приведены регрессионная сумма квадратов и остаточные суммы квадратов . Важно, чтобы регрессионная сумма (объясненная регрессией) была намного больше остаточной (не объясненная регрессией, вызванная случайными факторами). В нашем случае это условие не выполняется, что говорит о плохой регрессии.

Вывод: В ходе работы я освоил методы построения линейного уравнения парной регрессии с помощью ЭВМ, научился получать и анализировать основные характеристики регрессионного уравнения.

Лабораторная работа № 4

НЕЛИНЕЙНАЯ РЕГРЕССИЯ

Цель: освоить методы построения основных видов нелинейных уравнений парной регрессии с помощью с помощью ЭВМ (внутренне линейные модели), научиться получать и анализировать показатели качества регрессионных уравнений.

Рассмотрим случай, когда нелинейные модели с помощью преобразования данных можно свести к линейным (внутренне линейные модели).

ПРИМЕР. Построить уравнение регрессии у = f(х) для выборки х п у п (f = 1,2,…,10). В качестве f(х) рассмотреть четыре типа функций – линейная, степенная, показательная и гиперболу:

у = Ах + В; у = Ах В; у = Ае Вх; у = А/х + В.

Необходимо найти их коэффициенты А и В, и сравнив показатели качества, выбрать функцию, которая наилучшим образом описывает зависимость.

Прибыль Y	0,3	1,2	2,8	5,2	8,1	11,0	16,8	16,9	24,7	29,4
Прибыль X	0,25	0,50	0,75	1,00	1,25	1,50	1,75	2,00	2,25	2,50

Введем данные в таблицу вместе с подписями (ячейки A1-K2). Оставим свободными три строчки ниже таблицы для ввода преобразованных данных, выделим первые пять строк, проведя по левой серой границе по числам от 1 до 5 и выбрать какой-либо цвет (светлый – желтый или розовый) раскрасить фон ячеек. Далее, начиная с A6, выводим параметры линейной регрессии. Для этого в ячейку A6 делаем подпись «Линейная» и в соседнюю ячейку B6 вводим функцию ЛИНЕЙН. В полях «Изв_знач_x» даем ссылку на B2-K2 и B1-K1, следующие два поля принимают значения по единице. Далее обводим область ниже в 5 строчек и левее в 2 строки и нажимаем F2 и Ctrl+Shift+Enter. Результат - таблица с параметрами регрессии, из которых наибольший интерес представляет коэффициент детерминации в первом столбце третий сверху. В нашем случае он равен R 1 = 0,951262. Значение F-критерия, позволяющего проверить адекватность модели F 1 = 156,1439

(четвертая строка, первый столбец). Уравнение регрессии равно

y = 12,96 x +6,18 (коэффициенты a и b приведены в ячейках B6 и C6).

Линейная	12,96	-6,18
	1,037152	1,60884
	0,951262	2,355101
	156,1439	8
	866,052	44,372

Определим аналогичные характеристики для других регрессий и в результате сравнения коэффициентов детерминации найдем лучшую регрессионную модель. Рассмотрим гиперболическую регрессию. Для ее получения преобразуем данные. В третьей строке в ячейку A3 введем подпись «1/x» а в ячейку B3 введем формулу «=1/B2». Растянем автозаполнением данную ячейку на область B3-K3. Получим характеристики регрессионной модели. В ячейку А12 введем подпись «Гипербола», а в соседнюю функцию ЛИНЕЙН. В полях «Изв_знач_y» и «Изв_знач_x2 даем ссылку на B1-K1 и преобразованные данные аргумента x – B3-K3, следующие два поля принимают значения по единице. Далее обводим область ниже 5 строчек и левее в 2 строки и нажимаем F2 и Ctrl+Shift+Enter. Получаем таблицу параметров регрессии. Коэффициент детерминации в данном случае равен R 2 = 0,475661, что намного хуже, чем в случае линейной регрессии. F-статистика равна F 2 = 7,257293. Уравнение регрессии равно y = -6,25453x 18,96772 .

Гипербола	-6,25453	18,96772
	2,321705	3,655951
	0,475661	7,724727
	7,257293	8
	433,0528	477,3712

Рассмотрим экспоненциальную регрессию. Для ее линеаризации получаем уравнение , где ỹ = ln y, ã = b, = ln a. Видно, что надо сделать преобразование данных – y заменить на ln y. Ставим курсор в ячейку А4 и делаем заголовок «ln y». Ставим курсор в В4 и вводим формулу LN (категория «Математические»). В качестве аргумента делаем ссылку на В1. Автозаполнением распространяем формулу на четвертую строку на ячейки В4-K4. Далее в ячейке F6 задаем подпись «Экспонента» и в соседней G6 вводим функцию ЛИНЕЙН, аргументами которой будут преобразованные данные В4-K4 (в поле «Изв_знач_ y»), а остальные поля такие же как и для случая линейной регрессии (B2-K2, 1, 1). Далее обводим ячейки G6-H10 и нажимаем F2 и Ctrl+Shift+Enter. Результат R 3 = 0,89079, F 3 = 65,25304, что говорит об очень хорошей регрессии. Для нахождения коэффициентов уравнения регрессии b = ã; ставим курсор в J6 и делаем заголовок «а=», а в соседней К6 формулу «=ЕХР(Н6)», в J7 даем заголовок «b=», а в К7 формулу «=G6». Уравнение регрессии есть y = 0,511707· e 6,197909 x .

Экспонента	1,824212	-0,67		a=	0,511707
	0,225827	0,350304		b=	6,197909
	0,89079	0,512793
	65,25304	8
	17,15871	2,103652

Рассмотрим степенную регрессию. Для ее линеаризации получаем уравнение ỹ = ã, где ỹ = ln y, = ln x, ã = b, = ln a. Видно, что надо сделать преобразование данных – y заменить на ln y и x заменить на ln x. Строчка с ln y у нас уже есть. Преобразуем переменные х. В ячейку А5 даем подпись «ln x», а в В5 и вводим формулу LN (категория «Математические»). В качестве аргумента делаем ссылку на В2. Автозаполнением распространяем формулу на пятую строку на ячейки B5-K5. Далее в ячейке F12 задаем подпись «Степенная» и в соседней G12 вводим функцию ЛИНЕЙН, аргументами которой будут преобразованные данные B4-K4 (в поле «Изв_знач_у»), и B5-K5 (в поле «Изв_знач_х»), остальные поля – единицы. Далее освободим ячейки G12-H16 и нажимаем F2 и Ctrl+Shift+Enter. Результат R 4 = 0,997716, F 4 = 3494,117, что говорит об хорошей регрессии. Для нахождения коэффициентов уравнения регрессии b = ã; ставим курсор в J12 и делаем заголовок «а=», а в соседней К12 формулу «=ЕХР(Н12)», в J13 даем заголовок «b=», а в К13 формулу «=G12». Уравнение регрессии есть у = 4,90767/х+ 7,341268.

Степенная	1,993512	1,590799		a=	4,90767
	0,033725	0,023823		b=	7,341268
	0,997716	0,074163
	3494,117	8
	19,21836	0,044002

Проверим, все ли уравнения адекватно описывают данные. Для этого нужно сравнить F-статистики каждого критерия с критическим значением. Для его получения вводим в А21 подпись «F-критическое», а в В21 функцию FРАСПОБР, аргументами которой вводим соответственно «0,05» (уровень значимости), «1» (число факторов Х в строке «Уровень значимости 1») и «8» (степень свободы 2 = n – 2). Результат 5,317655. F – критическое больше F – статистики значит модель адекватна. Также адекватны и остальные регрессии. Для того, чтобы определить, какая модель наилучшим образом описывает данные, сравним индексы детерминации для каждой модели R 1 , R 2 , R 3 , R 4 . Наибольшим является R 4 = 0,997716. Значит опытные данные лучше описывать у = 4,90767/х+ 7,341268.

Вывод: В ходе работы я освоил методы построения основных видов нелинейных уравнений парной регрессии с помощью с помощью ЭВМ (внутренне линейные модели), научился получать и анализировать показатели качества регрессионных уравнений.

Y	0,3	1,2	2,8	5,2	8,1	11	16,8	16,9	24,7	29,4
X	0,25	0,5	0,75	1	1,25	1,5	1,75	2	2,25	2,5
1/x	4	2	1,333333	1	0,8	0,666667	0,571429	0,5	0,444444	0,4
ln y	-1,20397	0,182322	1,029619	1,648659	2,0918641	2,397895	2,821379	2,827314	3,206803	3,380995
ln x	-1,38629	-0,69315	-0,28768	0	0,2231436	0,405465	0,559616	0,693147	0,81093	0,916291
Линейная	12,96	-6,18			Экспонента	1,824212	-0,67		a=	0,511707
	1,037152	1,60884				0,225827	0,350304		b=	6,197909
	0,951262	2,355101				0,89079	0,512793
	156,1439	8				65,25304	8
	866,052	44,372				17,15871	2,103652
Гипербола	-6,25453	18,96772			Степенная	1,993512	1,590799		a=	4,90767
	2,321705	3,655951				0,033725	0,023823		b=	7,341268
	0,475661	7,724727				0,997716	0,074163
	7,257293	8				3494,117	8
	433,0528	477,3712				19,21836	0,044002
F - критическое	5,317655

Лабораторная работа № 5

ПОЛИНОМИНАЛЬНАЯ РЕГРЕССИЯ

Цель: По опытным данным построить уравнение регрессии вида у = ах 2 + bх + с.

ХОД РАБОТЫ:

Рассматривается зависимость урожайности некоторой культуры у i от количества внесенных в почву минеральных удобрений х i . Предполагается, что эта зависимость квадратичная. Необходимо найти уравнение регрессии вида ỹ = ах 2 + bx + c.

x	0	1	2	3	4	5	6	7	8	9
y	29,8	58,8	72,2	101,5	141	135,1	156,6	181,7	216,6	208,2

Введем эти данные в электронную таблицу вместе с подписями в ячейки А1-K2. Построим график. Для этого обведем данные Y (ячейки В2-K2), вызываем мастер диаграмм, выбираем тип диаграммы «График», вид диаграммы – график с точками (второй сверху левый), нажимаем «Далее», переходим на закладку «Ряд» и в поле «Подписи оси Х» делаем ссылку на В2-K2, нажимаем «Готово». График можно приблизить полиномом 2 степени у = ах 2 + bх + с. Для нахождения коэффициентов a, b, c нужно решить систему уравнений:

Рассчитаем суммы. Для этого в ячейку А3 вводим подпись «Х^2», а в В3 вводим формулу «= В1*В1» и Автозаполнением переносим ее на всю строку В3-K3. В ячейку А4 вводим подпись «Х^3», а в В4 формулу «=В1*В3» и Автозаполнением переносим ее на всю строку В4-K4. В ячейку А5 вводим «Х^4», а в В5 формулу «=В4*В1», автозаполняем строку. В ячейку А6 вводим «Х*Y», а в В8 формулу «=В2*В1», автозаполняем строку. В ячейку А7 вводим «Х^2*Y», а в В9 формулу «=В3*В2», автозаполняем строку. Теперь считаем суммы. Выделяем другим цветом столбец L, щелкнув по заголовку и выбрав цвет. В ячейку L1 помещаем курсор и щелкнув по кнопке автосуммы со значком ∑, вычисляем сумму первой строки. Автозаполнением переносим формулу на ячейки L1-710.

Решаем теперь систему уравнений. Для этого вводим основную матрицу системы. В ячейку А13 вводим подпись «А=», а в ячейки матрицы В13-D15 вводим ссылки, отраженные в таблице

	B	C	D
13	=L5	=L4	=L3
14	=L3	=L2	=L1
15	=L2	=L1	=9

Вводим также правые части системы уравнений. В G13 вводим подпись «В=», а в Н13-Н15 вводим, соответственно ссылки на ячейки «=L7», «=L6», «=L2». Решаем систему матричным методом. Из высшей математики известно, что решение равно А -1 В. Находим обратную матрицу. Для этого в ячейку J13 вводим подпись «А обр.» и, поставив курсор в K13 задаем формулу МОБР (категория «Математические»). В качестве аргумента «Массив» даем ссылку на ячейки В13:D15. Результатом также должна быть матрица размером 4×4. Для ее получения обводим ячейки K13-М15 мышью, выделяя их и нажимаем F2 и Ctrl+Shift+Enter. Результат – матрица А -1 . Найдем теперь произведение этой матрицы на столбец В (ячейки Н13-Н15). Вводим в ячейку А18 подпись «Коэффициенты» и в В18 задаем функцию МУМНОЖ (категория «Математические»). Аргументами функции «Массив 1» служит ссылка на матрицу А -1 (ячейки K13-М15), а в поле «Массив 2» даем ссылку на столбец В (ячейки Н13-Н16). Далее выделяем В18-В20 и нажимаем F2 и Ctrl+Shift+Enter. Получившийся массив – коэффициенты уравнения регрессии a, b, c. В результате получаем уравнение регрессии вида: у = 1,201082х 2 – 5,619177х + 78,48095.

Построим графики исходных данных и полученных на основе уравнения регрессии. Для этого в ячейку А8 вводим подпись «Регрессия» и в В8 вводим формулу «=$В$18*В3+$В$19*В1+$В$20». Автозаполнением переносим формулу в ячейки В8-K8. Для построения графика выделяем ячейки В8-K8 и, удерживая клавишу Ctrl, выделяем также ячейки В2-М2. Вызываем мастера диаграмм, выбираем тип диаграммы «График», вид диаграммы – график с точками (второй сверху левый), нажимаем «Далее», переходим на закладку «Ряд» и в поле «Подписи оси Х» делаем ссылку на В2-М2, нажимаем «Готово». Видно, что кривые почти совпадают.

ВЫВОД: в процессе работы я по опытным данным научился строить уравнение регрессии вида у = ах 2 + bх + с.

Эмпирической плотности распределения случайной анализируемой величины и расчёт её характеристик Определяем размах имеющихся данных, т.е. разности между наибольшим и наименьшим выборочным значениями (R = Xmax – Xmin): Выбор числа интервалов группировки k при числе наблюдений n<100 – ориентировочное значение интервалов можно рассчитать с использованием формулы Хайнхольда и Гаеде: ...

Данных, можно достоверно судить о статистических связях, существующих между переменными величинами, которые исследуют в данном эксперименте. Все методы математико-статистического анализа условно делятся на первичные и вторичные. Первичными называют методы, с помощью которых можно получить показатели, непосредственно отражающие результаты производимых в эксперименте измерений. Соответственно под...

Процессоры общего назначения (например, в Еxcеl, Lоtus 1-2-3 и т.д.), а также в некоторые базы данных. Западные статистические пакеты (SРSS,SAS,BMDР и т.д.) имеют следующие возможности: Позволяют обрабатывать гигантские объемы данных. Включают средства описания задач на встроенном языке. Дают возможность построения на их основе систем обработки информации для целых предприятий. Позволяют...

Курса массажа и в течение 1-2 месяцев после него. 1.2 Формы лечебного массажа Форма воздействия лечебного массажа делится на общую и частную. Эти формы характерны для всех видов и методов массажа. Как частный, так и общий массаж может выполняться массажистом в виде взаимного массажа, парного или самомассажа . 1.2.1 Общий массаж Общим называется такой сеанс массажа (независимо от...

x	0		1		2		3	4	5	6	7	8	9
y	29,8		58,8		72,2		101,5	141	135,1	156,6	181,7	216,6	208,2
X^2	0		1		4		9	16	25	36	49	64	81
X^3	0		1		8		27	64	125	216	343	512	729
X^4	0		1		16		81	256	625	1296	2401	4096	6561
X*Y	0		58,8		144,4		304,5	564	675,5	939,6	1271,9	1732,8	1873,8
X^2*Y	0		58,8		288,8		913,5	2256	3377,5	5637,6	8903,3	13862,4	16864,2
Регресс.	78,48095		85,30121		94,52364		106,1482	120,175	136,6039	155,435	176,6682	200,3036	226,3412
A=	15333		2025		285		B=	52162,1		A Обр.	0,003247	-0,03247	0,059524
	2025		285		45			7565,3			-0,03247	0,341342	-0,67857
	285		45		9			1301,5			0,059524	-0,67857	1,619048
Коэффиц.		1,201082		a
		5,619177