Особенности статистического анализа количественных и качественных показателей, Неравенство Чебышева - О теории вероятностей
Полная версия

Главная arrow Математика, химия, физика arrow О теории вероятностей

  • Увеличить шрифт
  • Уменьшить шрифт


<<   СОДЕРЖАНИЕ   >>

Особенности статистического анализа количественных и качественных показателей

Методы шкалирования при обработке качественных признаков.

Основной задачей статистического анализа является оценка связи признаков м/у собой. Необходимо измерить признаки, в гуманитарных исследованиях более сложны, т.к. они касаются измерения не только количественных, но и качественных признаков.

Суть статистических методов - анализ чисел как таковых, а не истинных значений некоторого признака.

Если количественные показатели можно, то для качественных показателей можно экспертным путем оценить степень сходства или различия м/у парами объектов.

Объекты отражают в некотором многомерном пространстве, где каждая точка - это объект, а координаты - признаки.

Для этого используют методы многомерного шкалирования.

- матрица парных расстояний (количественный признак)

- матрица парных отклонений (качественный признак)

По матрицам изучается степень сходства и различия.

Неравенство Чебышева

Рассмотрим закон больших чисел в форме Чебышева.

Лемма Чебышева (Маркова). Если случайная величина X принимает только неотрицательные значения и имеет математическое ожидание М(Х), то для любого б>0 имеет место неравенство: P(X?б)?(M(X))/б.

Неравенство Чебышева. Если случайная величина X имеет математическое ожидание М(Х) и дисперсию D(X), то для любого е>0 имеет место неравенство:

Неравенство Чебышева является в теории вероятностей общим фактом и позволяет оценить нижнюю границу вероятности.

Теорема. Закон больших чисел Чебышева. Пусть Х1, Х2, .. .,Хn - последовательность попарно независимых случайных величин, имеющих конечные математические ожидания и дисперсии, ограниченные сверху постоянной С = const (D(Xi)?C(i=l, 2,...,n)). Тогда для любого е>0,

Теорема показывает, что среднее арифметическое большого числа случайных величин с вероятностью сколь угодно близкой к 1 будет мало отклоняться от среднего арифметического математических ожиданий.

Следствие 1. Если вероятность наступления события А в каждом из n независимых испытаний равна р, m - число наступлений события А в серии из n независимых испытаний, то, каково бы ни было число е > 0, имеет место предел:

Таким образом устанавливается связь между относительной частотой появления события А и постоянной вероятностью р в серии из n независимых испытаний.

Следствие 2. Теорема Пуассона. Если в последовательности независимых испытаний вероятность появления события А в к-ом испытании равна р, то

где m - число появлений события А в серии из n испытаний.

Следствие 3. Теорема Бернулли. Если X1, Х2,.. .,Хn - последовательность независимых случайных величин таких, что

М(Х1) = М(Х2)=...= М(Хn) = а, D(Х1)< С, D(X2) < С,.. .,D(Xn)< С, где С = const

то, каково бы ни было постоянное число е>0, имеет место предел:

Этот частный случай закона больших чисел позволяет обосновать правило средней арифметической.

Законы больших чисел не позволяют уменьшить неопределённость в каждом конкретном случае, они утверждают лишь о существовании закономерности при достаточно большом числе опытов. Например, если при подбрасывании монеты 10 раз появился герб, то это не означает, что в 11 раз появится цифра.

 
Перейти к загрузке файла
<<   СОДЕРЖАНИЕ   >>