Главная страница
Навигация по странице:

  • КОНТРОЛЬНЫЕ ВОПРОСЫ

  • БИБЛИОГРАФИЧЕСКИЙ СПИСОК

  • СТАТИСТИЧЕСКОЕ ОЦЕНИВАНИЕ И ПРОВЕРКА ГИПОТЕЗ

  • Лекции по теме Статистическое оценивание и проверка гипотез


    Скачать 0.85 Mb.
    НазваниеЛекции по теме Статистическое оценивание и проверка гипотез
    Дата20.04.2022
    Размер0.85 Mb.
    Формат файлаpdf
    Имя файлаTUEMSAREI L5.pdf
    ТипЛекции
    #486504
    страница3 из 3
    1   2   3
    6.5
    . Интервальное оценивание
    Различные статистики, получаемые в результате вычислений, представля- ют собой точечные оценки соответствующих параметров. В предыдущем пара- графе указывалось, что если из генеральной совокупности извлечь некоторое количество выборок и для каждой из них найти интересующую нас статистику, то вычисленные значения будут представлять собой случайные величины, имеющие некоторый разброс вокруг оцениваемого параметра. Как правило, в результате эксперимента в распоряжении исследователя имеется одна выбор- ка, поэтому требуется получить интервальную оценку, т. е. интервал, внутри которого, как можно предположить, лежит истинное значение параметра.

    184
    Для примера интервального оценивания рассмотрим
    x
    как оценку μ.
    Нам известно, что если выборки извлекаются из генеральной совокупности с параметрами μ и σ
    2
    ,то распределение выборочных
    x
    будет иметь среднее, равное μ, и дисперсию σ
    2
    /п и будет стремиться к нормальному (рис. 6.17).
    Рис. 6.17. Распределение выборочных
    x
    , имеющее среднее, равное μ, дисперсию σ
    2
    /п
    Для такого распределения 68 % наблюдений лежит в пределах одного стандартного отклонения, относительно μ, т. е. в пределах μ ± / n

    (стандарт- ное отклонение выборочного распределения
    x
    не что иное, как стандартная ошибка среднего). Соответственно, в пределах μ ± 2 / n

    и μ ± 3 / n

    лежит около 95 и 99 % всех возможных значений выборочных средних. (Коэффициен- ты 2 и 3 взяты для упрощения, точные их значения равны 1,96 и 2,58). Отсюда следует вывод, что если, например, 95 % значений
    x
    расположено внутри ин- тервала ± 2 / n

    относительно μ, то
    2 /
    x
    n
     
    , где
    x
    вычислено по одной вы- борке из генеральной совокупности с параметрами μ и σ
    2
    ,дает интервал, кото- рый заключает μ в своих границах (рис. 6.17).
    Сделанный вывод допускает и следующую формулировку: вероятность Р
    того, что расстояние от
    x
    до μ,измеренное в единицах стандартной ошибки, больше или меньше
    2 1
    z


    , равна 1 –

    , т.е.
    2 2
    1 1
    1
    P x
    z
    x
    z
    n
    n









       
      




    (6.1)
    f( x )


    3 /

    n


    2 /

    n


    /

    n


    +
    /

    n

    +
    2 /

    n

    +
    3 /

    n
    x
    68 %
    95 %

    185
    Для выборок достаточно большого объема распределение
    x
    приближается к нормальному. Следовательно, используя соответствующую таблицу площа- дей под кривой стандартного нормального распределения, можно определить значения ±z, между которыми заключена интересующая нас часть площади.
    Оставшуюся часть площади обозначим через

    . В силу того, что кривая рас- пределения симметрична, слева от –z и справа от z будет находиться по

    /2 ча- сти площади стандартного нормального распределения. Табличные значения z даны в единицах стандартного отклонения, которое для стандартизованного нормального распределения равно единице. Следовательно, чтобы найти инте- ресующую нас часть площади 1 –

    под кривой нормального распределения с произвольными параметрами, необходимо табличные значения
    2 1
    z


    умножить на величину стандартного отклонения, которое в нашем случае равно / n

    .
    Величина 1 –

    = Р носит название доверительной вероятности, а сам довери- тельный интервал, т. е. интервал, внутрь которого с заданной доверительной вероятностью попадает истинное значение параметра (рис. 6.18), задается вы- ражением
    2 1
    x
    z
    n




    (6.2)
    Рис. 6.18. Распределение выборочных
    x
    и доверительный интервал
    1, 64
    x
    n


    f( x )
    1, 64
    x
    n



    x
    1, 64
    x
    n


    x
    1, 64
    n

    1, 64
    n


    186
    ПРИМЕР 6.3.Пусть п = 144, σ
    2
    = 49, а доверительная вероятность произ- вольно выбрана равной 0,91, т. е. Р = 1 –

    = 0,91. Отсюда

    = 0,09. Из [1] доля

    /2 = 0,045 (или 4,5 %) площади под единичной нормальной кривой лежит сле- ва от значения z = 1,7. Следовательно, z
    0,955
    = 1,7. Пусть среднее этой выборки равно 18,2. Тогда доверительный интервал для μравен:
    1 2
    7 18, 2 1,7 18, 2 0,992
    (17, 208;19,192)
    12
    x
    z
    n
    







    Замечание.На практике дисперсия генеральной совокупности неизвестна.
    Поэтому вместо σ
    2
    обычно используют s
    2
    , вычисленную по выборке, и вместо таблиц стандартного нормального распределения пользуются таблицами рас- пределения Стьюдента.
    Рассмотренные принципы построения доверительных интервалов справед- ливы, естественно, не только для средних, но и для всех других статистик, для которых показано, что распределение их выборочных значений приближа- ется к нормальному.
    Требование нормальности является принципиальным,так как только при его выполнении имеет смысл приведенная выше процедура построения довери- тельных интервалов. Как правило, для большинства статистик это требование выполняется, но не для всех. В частности, нормальность выборочных коэффи- циентов корреляции имеет место только для случая, когда в двумерной гене- ральной совокупности, из которой извлекаются выборки с последующим вы- числением r
    xy
    ,

    = 0. Для других значений ρ распределение выборочных коэф- фициентов корреляции имеет большую асимметрию и может быть аппроксими- ровано кривой нормального распределения (рис. 6.19).
    Тем не менее, интервальное оценивание возможно и в этом случае, но при использовании не самих выборочных коэффициентов корреляции, а не- которых преобразованных величин.

    187
    Рис. 6.19. Распределение выборочных коэффициентов корреляции для

    = 0,8, n =20
    Р. Фишером было показано, что величина
    1 1
    ln
    ,
    2 1
    r
    r
    z
    r



    (6.3) где r – выборочный коэффициент корреляции, имеет нормальное распределе- ние со средним, равным z

    , и стандартным отклонением 1/
    3
    n

    (для просто- ты индекс «ху»у коэффициента корреляции опущен).
    Рассмотрим пример построения доверительного интервала для r с исполь- зованием z-преобразования Фишера. Значения z

    для различных значений ко- эффициента корреляции приведены в [1].
    Пусть число пар значений, по которым вычислялось r, равно 12, а само по- лученное значение коэффициента корреляции равно 0,79. Необходимо постро- ить доверительный интервал для r, который с доверительной вероятностью
    Р = 0,95 накрывал бы истинное значение параметра ρ.
    Преобразуем r в z
    r
    . Для r = 0,79 имеем z
    r
    = 1,07. Преобразованная величина
    z
    r
    , как уже было сказано выше, имеет нормальное распределение со стандарт- ным отклонением
    1/
    3
    z
    n
     

    . Так как z
    1–

    /2
    = z
    0,975
    = 1,96, то доверительный интервал для z
    r
    будет равен:
    z
    r
    , ± z
    1–

    /2

    z
    = 1,07 ± 1,96 1
    12 3

    = 1,07 ± 0,653 = (0,418; 1,723).
    f(r)
    0 0,25 0,5 0,75 1
    r

    188
    Теперь, вновь используя z-преобразования (6.3), можно перейти к значени- ям r. Доверительные пределы для коэффициента корреляции будут приближен- но равны (0,395; 0,938).
    В заключение этого параграфа приведем формулы для стандартных оши- бок некоторых статистик и те условия, при выполнении которых распределения выборочных значений этих статистик приближаются к нормальным, и, следова- тельно, для них можно строить доверительные интервалы по описанным выше правилам.
    1. Медиана (Md) –
    2

     

    Md
    n
    . Здесь п – число значений в выборке,

    – стандартное отклонение генеральной совокупности. Формула справедлива, если генеральная совокупность симметрична, а п

    30.
    2. Стандартное отклонение (

    ) –
    2
    n


     

    . Распределение выборочных стандартных отклонений близко к нормальному, когда п

    100 и исходная гене- ральная совокупность нормальна.
    3. Коэффициент вариации (сv)–
    2 4
    2(
    )
    1 10 2
    cv
    cv
    cv
    n
     

    Вторым сомножителем в этом выражении можно ввиду его малости пре- небречь, тогда
    2
    cv
    cv
    n
     
    . Ограничения те же, что и для стандартного отклонения.
    4. Коэффициенты регрессии (а и b) –
    a
    n

     
    ,
    2
    (
    )
    b
    x
    x

     


    , где

    – стандартное отклонение зависимой переменной у,которая должна иметь обязательно нормальное распределение с параметром

    2
    для всех значений не- зависимой переменной х.

    189 5. Для дихотомической случайной переменной, в которой доля объектов вида А представляет собой величину р
    А
    = п
    А
    /п, где п
    А
    и п – соответственно, чис- ло объектов вида А и общее число объектов
    (1
    )
    ,
    p
    n
      
     
    где в данном случае через

    обозначена доля объектов вида А в генеральной со- вокупности.
    6.6
    . Проверка статистических гипотез
    После проведения эксперимента в распоряжении исследователя имеется некоторое множество значений измеренных показателей, и возникает вопрос, какие выводы о свойствах генеральной совокупности можно сделать по этим выборочным наблюдениям. Первым шагом в решении поставленной задачи может быть вычисление различных статистических оценок и построение для них доверительных интервалов. Вторым обязательным шагом является провер- ка выдвигаемых статистических гипотез [1–3].
    Нужно четко представлять себе разницу между гипотезой в обычном по- нимании и статистической гипотезой. Статистическая гипотеза – это любое предположение относительно распределения наблюдаемых случайных величин, в то время как в других областях знаний гипотеза – предположительное сужде- ние о закономерной, причинной связи явлений.
    Пусть, например, при изучении взаимосвязи между двумя переменными получена выборкаиз двумерной генеральной совокупности и рассчитан коэф- фициент корреляции. Будем считать, что эта выборка достаточно представи- тельна (репрезентативна), т. е.хорошо отражает свойства всей генеральной со- вокупности. Имея в своем распоряжении выборочный коэффициент корреляции
    r, исследователь выдвигает статистическую гипотезу о том, что коэффициент корреляции

    генеральной совокупности равен какому-то значению, например нулю. Формально это записывается так: H:

    = 0. (Буквой H обозначается ста- тистическая гипотеза). Процедура, которая будет использоваться для принятия

    190 решения об истинности или ложности сформулированной статистической гипо- тезы, называется проверкой гипотезы. Итак, если вычисленное значение r

    0, значит ли это, что Н ошибочна?
    Выборочные значения различных статистик, в том числе и коэффициента корреляции, представляют собой случайные величины, имеющие порой до- вольно большой разброс, поэтому даже в том случае, когда

    = 0, вычисленные по выборке значения могут существенно отличаться от нуля. Следовательно, утверждать с уверенностью по полученному значению r,равен или не равен нулю коэффициент корреляции

    (и это зависит от объема выборки), экспери- ментатор не может. Эти соображения составляют один из основных принципов, лежащих в основе проверки статистических гипотез: при проверке любой ста- тистической гипотезы решение никогда не принимается с абсолютной уверен- ностью, всегда существует риск принятия неправильного решения. Именно в контроле и оценке этого риска состоит сущность проверки статистических гипотез.
    Если выборочные значения представляют собой случайные величины, то возможно получение любого значения в нашем случае для коэффициента корреляции в диапазоне ±l. Однако некоторые значения более, а другие менее вероятны. В частности, выборочная плотность распределения коэффициентов корреляции для выборок объемом 100 (рис. 6.20) показывает, что, если в гене- ральной совокупности

    = 0,14, получение выборочных значений, например
    r = 0,4 или r = –0,2, весьма маловероятно, хотя полностью их исключить нельзя.
    Какой вывод можно из этого сделать? Пусть, например, получено выбо- рочное значение r = 0,5. С одной стороны, такое значение должно способство- вать отклонению гипотезы Н:

    = 0 ввиду ничтожной вероятности его появле- ния, если истинное значение коэффициента корреляции, в самом деле, равно
    0,1. Эта вероятность, конечно же, очень мала, но все-таки не равна нулю.

    191
    Рис. 6.20. Выборочная плотность распределения коэффициента корреляции для

    = 0,14
    С другой стороны, истинное значение

    вгенеральной совокупности на самом деле нам неизвестно. А если, например,

    = 0,3? В этом случае появление выборочного значения r = 0,5 не такое уж маловероятное событие. А какое-то решение принимать надо. Поэтому вводят следующие понятия: ошибки первого и второго рода.
    Вернемся к примеру. Если, в самом деле,

    = 0 и выдвинута гипотеза
    Н:

    = 0, но получив значение r = 0,5, мы ее отвергаем (а сделать это можно, по- скольку и такое значение, хотя и очень редко, может появиться), возникает ошибка первого рода.
    Пусть выдвинута та же гипотеза Н:

    = 0, в то время как истинное значе- ние генеральной совокупности равно, например, –0,3, и мы, получив значение
    r = 0,12,примем ее. Появляется ошибка второго рода.
    Таким образом, при проверке статистических гипотез существует четыре возможности:
    1. Гипотезаверна, и она принимается.
    2. Гипотезаверна, но она отвергается (ошибка первого рода).
    3. Гипотезаневерна, и она отвергается.
    4. Гипотезаневерна, но она принимается (ошибка второго рода).

    = 0,14
    –0,2 –0,1 0 0,1 0,2 0,3 0,4
    r
    –0,14 0,14
    Р

    192
    Ошибки первого и второго рода существенно различаются между собой по значимости, и это оказывает большое влияние на всю процедуру проверки статистических гипотез.
    Необходимо еще раз подчеркнуть, что никакая гипотеза не может быть окончательно принята или отвергнута. Поэтому используемые в дальнейшем категорические утверждения «принять» и «отвергнуть» являются просто услов- ными сокращениями выражений вида «опытные данные не противоречат вы- двинутой гипотезе» и «опытные данные противоречат выдвинутой гипотезе».
    Основные этапы проверки статистических гипотез:
    1. Формулируется проверяемая гипотеза, например Н:

    = 0. В силу исто- рической традиции проверяемая гипотеза носит название нуль-гипотезы.
    2. Делаются некоторые предположения относительно выборочного рас- пределения статистики, с помощью которой планируется оценивать параметр, входящий в гипотезу.
    3. Принимается степень риска отвергнуть выдвинутую гипотезу, если она верна. Этот риск

    называется уровнем значимости проверки гипотезы и выра- жается как вероятность. Из определения уровня значимости следует, что его величина определяет уровень ошибки первого рода. Уровень значимости опре- деляет также критические области, т.е. области, попадание в которые выбо- рочного значения статистики, оценивающей параметр, приводит к тому, что сформулированная гипотеза отвергается. Критические области и область принятия гипотезы для Н :

    = 0 и

    = 0,05 приведены на рис. 6.21.
    4. Извлекается выборка; рассчитывается значение интересующей нас ста- тистики; определяется, в какую область, критическую или допустимую, она по- пала, и на основании этого принимается решение относительно истинности ги- потезы Н. Решение принимается с использованием критерия для проверки ста- тистической гипотезы, который представляет собой правило для определения ложности или истинности выдвинутой гипотезы.

    193
    Рис. 6.21. Область принятия гипотезы (95 %) и критическая область (5 %)
    Уровнем значимости, а значит, и вероятностью ошибки первого рода мож- но управлять. В принципе, мы можем установить любую приемлемую для нас степень риска для неправильного вывода на основе выборочных дан- ных об ошибочности выдвинутой гипотезы. Поэтому на первый взгляд кажется целесообразным выбирать уровень значимости как можно меньшим, так как в этом случае вероятность отвергнуть правильную гипотезу будет минимальной.
    Однако, сформулировав проверяемую гипотезу, мы не знаем, верна ли она. По- этому уменьшение вероятности ошибки первого рода автоматически будет приводить к увеличению вероятности ошибки второго рода. Поясним это на примере.
    Обозначим нуль-гипотезу о том, что

    = 0, через Н
    0
    :

    = 0, а альтернатив- ную ей гипотезу – H
    1
    :


    0. Предположим, что на самом деле истинное значе- ние

    = 0,20 и извлекается выборка объемом п = 200. На рис. 6.22 кривые пред- ставляют собой распределения выборочных коэффициентов корреляции для ге- неральных совокупностей с

    = 0 и

    = 0,2. Изрис. 6.22 видно, что если вы- брать уровень значимости

    = 0,05, то в случае истинности

    = 0 появление вы- борочных значений, больших 0,14 или меньших –0,14, возможно только в пяти случаях из ста, и для таких значений гипотеза Н
    0
    будет отвергаться.
    Все же остальные значения r, попадающие в интервал (–0,14; 0,14), будут при- водить к принятию Н
    0
    Р

    194
    Рис. 6.22. Распределения выборочных коэффициентов корреляции для генеральных совокупностей при

    = 0 (1) и

    = 0,2 (2)
    Но что будет, если на самом деле

    = 0,20? Тогда нуль-гипотезу Н
    0
    :

    = 0 следовало бы отклонить в пользу альтернативной гипотезы Н
    1
    :


    0, и это бу- дет делаться для значений r > 0,14 (область со штриховкой).
    Площадь этой заштрихованной области численно равна вероятности от- вергнуть неправильную гипотезу, а сама эта вероятность (1 –

    ) носит название
    мощности выбранного критерия, в данном случае критерия

    = 0,20.
    С другой стороны, если мы приняли Н
    0
    :

    = 0, в то время как справедлива
    Н
    1
    :

    = 0,20, такие значения, как r = 0,1, будут свидетельствовать в пользу этой неправильной гипотезы, т. е. будет совершаться ошибка второго рода.
    Из рис. 6.22 видно, что площадь под кривой 2, соответствующая выборочным значениям r < 0,14 и перекрывающаяся с областью принятия гипотезы Н
    0
    :

    = 0, довольно значительна (в данном случае она равна 18 %). Поэтому и вероят- ность принять неправильную гипотезу о том, что

    = 0, численно равная этой площади, тоже велика. При этом мы видим, что если уровень значимости

    вы- брать еще меньше, то вероятность ошибки второго рода

    еще больше возрас- тает, а мощность критерия (1 –

    ) уменьшается.
    Таким образом, становится ясно, что уровень значимости и мощность кри- терия связаны между собой, причем связь эта нелинейная. Поэтому произволь-
    -0,2 -0,1 0 0,1 0,2 0,3 0,4
    r
    -0,14 0,14
    Н
    0
    верна

    = 0

    /2

    = 0,2

    Р

    195 но по нашему усмотрению изменять уровень значимости нельзя, так как не- оправданное уменьшение ошибки первого рода может привести к существен- ной потере мощности критерия для проверки статистической гипотезы.
    Наиболее часто в статистической практике используются уровни значимо- сти

    = 0,05 и

    = 0,01, потому что они обеспечивают разумный компромисс между ошибками первого и второго рода. Но абсолютизировать эти уровни значимости нельзя. Вообще, приемлемый уровень значимости необходимо вы- бирать, исходя из условий решаемой исследовательской задачи.
    ПРИМЕР 6.4.Пусть испытывается вновь созданный лекарственный препа- рат, действие которого направлено на поддержание некоторого существенного для жизни показателя в определенных пределах. Испытывая этот препарат, можно, например, выдвинуть гипотезу, что он в самом деле удерживает среднее значение показателя в нужных пределах. И если был выбран уровень значимо- сти

    = 0,05, то в случае справедливости выдвинутой гипотезы она будет от- вергаться в одном случае из двадцати. Но если гипотеза неверна, то при таком уровне ошибки первого рода уровень ошибки второго рода будет достаточно высок, а это значит, что мы можем принять неправильную гипотезу во многих случаях, когда препарат не выполняет своих функций. Естественно, что это не- допустимо, когда речь идет о здоровье или жизни людей. Поэтому в этих слу- чаях нужно выбирать уровень значимости, по крайней мере,

    = 0,10 или даже еще больше, чтобы свести риск принятия неправильной гипотезы к минималь- ному значению. Правда, при этом мы значительно чаще будем отвергать пра- вильную гипотезу, и возможно, что для ее окончательной проверки понадобит- ся провести значительно больше экспериментов. Это будет, конечно, связано с дополнительными затратами, но в случаях, аналогичных вышеприведенному, эти соображения всегда должны отодвигаться на второй план.
    ПРИМЕР 6.5. С другой стороны, может встретиться прямо противополож- ная ситуация, когда уровень значимости нужно выбирать меньше даже чем
    0,01. Это может потребоваться в тех случаях, когда проверяются статистиче- ские гипотезы о некоторых параметрах, выборочные статистики для которых

    196 получаются при проведении экспериментов, направленных на поиск новых эф- фектов, предсказываемых теорией или связанных с использованием уникально- го оборудования. В этих случаях экспериментатору очень важно не упустить эффект, если он есть. Поэтому он может предусмотреть, чтобы выдвигаемая им, и как он считает, правильная гипотеза отвергалась не более чем в одном случае из тысячи. При этом экспериментатор должен отдавать себе полный отчет в том, что существенно возрастает ошибка второго рода, т.е. вероятность при- нять выдвигаемую гипотезу, даже если она неверна, со всеми вытекающими от- сюда последствиями.
    Варьируя уровень значимости

    и число наблюдений n, можно в каждом конкретном случае выбрать разумный компромисс между

    и мощностью кри- терия 1 –

    , помня при этом, что мощность критерия для проверки статистиче- ской гипотезы возрастает с увеличением n и

    КОНТРОЛЬНЫЕ ВОПРОСЫ
    1.
    Если выборки извлекаются из генеральной совокупности с параметрами μ и σ
    2
    ,то к какому виду будет стремиться распределение и чему будут равны среднее и дисперсия?
    2.
    Что такое доверительный интервал?
    3.
    К какому виду распределения приближается среднее для выборок доста- точно большого объема?
    4.
    Что такое доверительная вероятность?
    5.
    Для каких видов распределения строят доверительные интервалы?
    6.
    Почему при построении доверительного интервала для коэффициента кор- реляции используют z-преобразование Фишера?
    7.
    Дайте определение статистической гипотезе.
    8.
    Что означает фраза: «выборка достаточно представительна (репрезента- тивна)»?
    9.
    Что такое проверка статистической гипотезы?

    197 10. Перечислите выводы, которые можно сделать при проверке статистиче- ских гипотез?
    11. Что такое уровень значимости проверки гипотезы?
    12. Что такое критические области?
    БИБЛИОГРАФИЧЕСКИЙ СПИСОК
    1.
    Владимирский Б. М., Горстко А. Б., Ерусалимский Я. М. Математика. Об- щий курс : учебник для вузов. СПб. : Лань, 2008. 960 с.
    2.
    Компьютерный анализ и интерпретация эмпирических зависимостей : учебник / С. В. Поршнев [и др.]. М.: Бином-Пресс, 2009. 336 с.
    3.
    Лисиенко В. Г., Трофимова О. Г., Трофимов С. П., Дружинина Н. Г.,
    Дюгай П. А. Моделирование сложных вероятностных систем : учеб. посо- бие. Екатеринбург : УГТУ–УПИ, 2011. 200 с.

    198
    СОДЕРЖАНИЕ
    6. СТАТИСТИЧЕСКОЕ ОЦЕНИВАНИЕ И ПРОВЕРКА ГИПОТЕЗ ................ 158 6.1. Теоретические распределения, используемые в статистических выводах ......................................................................... 158 6.1.1. Распределение хи-квадрат .................................................................... 160 6.1.2. F-распределение .................................................................................... 162 6.1.3. Распределение Стьюдента .................................................................... 164 6.1.4. Биномиальное распределение .............................................................. 165 6.1.5. Распределение Пуассона ...................................................................... 165 6.1.6. Распределение Эрланга ......................................................................... 169 6.2. Выборочные распределения ........................................................................ 171 6.3. Идентификация параметров распределения случайной величины ........ 175 6.3.1. Использование метода наименьших квадратов ................................. 175 6.3.2. Использование числовых характеристик выборки ............................ 176 6.4. Генерация случайных величин ................................................................... 180 6.4.1. Метод «обратной» функции ................................................................. 180 6.4.2. Генерация двумерных случайных величин ........................................ 181 6.5. Интервальное оценивание ........................................................................... 183 6.6. Проверка статистических гипотез .............................................................. 189
    КОНТРОЛЬНЫЕ ВОПРОСЫ ................................................................................ 196
    БИБЛИОГРАФИЧЕСКИЙ СПИСОК .................................................................... 197

    Учебное электронное текстовое издание
    Трофимова Ольга Геннадиевна
    СТАТИСТИЧЕСКОЕ ОЦЕНИВАНИЕ И ПРОВЕРКА ГИПОТЕЗ
    Редактор
    Подготовка к публикации О.Г. Трофимовой
    Рекомендовано Методическим советом
    Разрешено к публикации 01.3.2016
    Электронный формат – pdf
    Объем 2,15 уч.-изд. л.
    620002, Екатеринбург, ул. Мира, 19
    Информационный портал УрФУ http://www.ustu.ru
    1   2   3


    написать администратору сайта