Принятие решений в условиях неопределенности
Информация - Математика и статистика
Другие материалы по предмету Математика и статистика
?реднее квадратическое отклонение рассчитывается как квадратный корень из дисперсии.
Любая функция от выборки называется статистикой.
Пусть Q некоторый параметр с.в. Х. Мы хотим определить хотя бы приближенно, значение этого параметра. С этой целью подбираем статистику , которая должна оценивать, может быть приближенно, параметр Q.
Заметим, что любая статистика есть с.в., поскольку она определена на выборках. Статистику , определенную на выборках объемом n, будем обозначать.
Статистика должна удовлетворять следующим требованиям:
- состоятельность. Статистика-оценка должна сходиться к оцениваемому параметру при
.
- несмещенность.
для всех достаточно больших n.
Генеральная средняя удовлетворяет обоим условиям, поэтому составляет
, но генеральная дисперсия удовлетворяет лишь первому условия, поэтому ее подправляют, умножая на . В результате, . Это и является несмещенной оценкой генеральной дисперсии.
Для построения графика выборочной функции плотности рассчитывается выборочная плотность (см. выше).
Теперь отметим на графике и интервалы и , если .
Площадь многоугольника, опирающегося на интервал , примерно равна 3/4, а площадь многоугольника, опирающегося на интервал, равна единице.
Предположим, что размер ежедневного суммарного зачисления по счетам юридических лиц, обозначим его через случайную величину Х, имеет нормальный закон распределения , тогда плотность распределения вероятностей равна , а функция распределения .
Отметим полученные точки на графике
Положение о нормальном законе распределения не противоречит исходным данным.
Вероятность попадания ежедневного суммарного зачисления по счетам юридических лиц в интервал равна 0.364, в интервал 0,996.
Теперь рассчитаем, за сколько дней надо иметь информацию, чтобы с вероятностью не менее 0.9 можно было ожидать, что вычисленное по этой информации среднее зачисление отличается от генерального среднего зачисления по абсолютной величине не более, чем на 10% величины среднего зачисления.
- Используя неравенство Чебышева.
- Используя центральную предельную теорему.
Исходные данные ежедневные суммарные списания со счетов юридических лиц за апрель месяц.
число месяцадень неделисумма (тыс. руб) 1ср462чт543пт424сб285вс6пн577вт268ср489чт4510пт3211сб2912вс13пн5214вт3315ср5016чт2217пт3618сб1419вс20пн5921вт4922ср3023чт3124пт4325сб1626вс27пн4028вт4129ср3930чт62
Построим интервальный вариационный ряд и график выборочной функции плотности.
интер-валы
[ai-ai+1)сере-
дина интер-вала
(yi)частота
(mi)частость
()выборочная функция распределе-ния
выборочная плотность
() 8-161210,040,040,00516-242020,080,120,01024-322850,190,310,02432-403640,150,460,01940-484460,230,690,02948-565250,190,880,02456-646030,121,000,014
Выборочная функция плотности.
Найдем несмещенные выборочные оценки
- генеральной средней
- дисперсии
, .
Предположим, что размер ежедневных суммарных списаний со счетов юридических лиц нормально распределенная случайная величина, тогда функция плотности
.
Нанесем точки на график
Предположение о нормальном законе распределении не противоречит исходным данным.
Анализ двумерных денежных потоков.
Исходные данные: ежедневные суммарные зачисления и списания со счетов юридических лиц за апрель месяц.
число месяцадень неделисумма зачислений (тыс. руб) сумма списаний (тыс. руб) 1ср47462чт44543пт31424сб28285вс6пн42577вт48268ср39489чт404510пт383211сб152912вс13пн455214вт533315ср415016чт272217пт563618сб251419вс20пн515921вт324922ср493023чт213124пт354325сб131626вс27пн584028вт594129ср293930чт3061
Построим двумерную корреляционную таблицу:
i123456jY \ X13,522,531,540,549,558,51120100001220101000232811102054360011114544002112665200131057600011103ni22766326242040494141000,570,330,330,33
Общая средняя , .
Общая дисперсия ,
Средняя из групповых дисперсий , .
Дисперсия групповых средних ,
Выборочная средняя и дисперсия компоненты Х : и (расчеты см. выше).
График поля корреляции и линия групповых средних компоненты Y.
Y\X=1213,522,531,540,549,558,5010000
M[Y/X=12] = 22,5
D[Y/X=12] = 0
Y\X=2013,522,531,540,549,558,51/201/2000
M[Y/X=20] = 22,5
D[Y/X=20] = 81
Y\X=2813,522,531,540,549,558,51/51/51/502/50
M[Y/X=28] = 33,3
D[Y/X=28] = 207,36
Y\X=3613,522,531,540,549,558,5001/41/41/41/4
M[Y/X=36] = 45
D[Y/X=36] = 101,25
Y\X=4413,522,531,540,549,558,5002/61/61/62/6
M[Y/X=44] = 45
D[Y/X=44] = 128,25
Y\X=5213,522,531,540,549,558,5001/53/51/50
M[Y/X=52] = 40,5
D[Y/X=52] =32,4
Y\X=6013,522,531,540,549,558,5001/31/31/30
M[Y/X=60] = 40,5
D[Y/X=60] = 54
D[Y, ост] = 121,25
Коэффициент детерминации К = 1 - 121,25/169 = 0,28
Корреляционное отношение (близость корреляционного отношения к единице указывает на то, что зависимость Y от Х близка к функциональной).
Корреляционный момент
,
Коэффициент корреляции , . Показывает степень линейной зависимости между случайными величинами.
Выбо