Статистика 2: Статистический вывод: шпаргалка-пакет

Суммы и разности нормальных величин: если X и Y независимы и нормальны, то X + Y и X − Y тоже нормальны. Средние складываются или вычитаются: E(X ± Y) = μ_X ± μ_Y. Дисперсии всегда складываются, в том числе для разности: Var(X ± Y) = σ_X² + σ_Y², поэтому σ = √(σ_X² + σ_Y²). Стандартные отклонения напрямую никогда не складываются. Сумма n независимых элементов с одинаковым распределением имеет среднее n·μ и стандартное отклонение σ·√n. Затем стандартизируйте как обычно: z = (x − среднее)/σ и найдите Φ(z).

От площади обратно к z: Φ(z) — это площадь слева от z. Для площади левого хвоста A найдите в таблице z с Φ(z) = A. Площадь правого хвоста A означает Φ(z) = 1 − A. Центральная площадь A между −z и z оставляет (1 − A)/2 в каждом хвосте, поэтому Φ(z) = (1 + A)/2. Для значения x используйте x = μ + zσ.

Confidence interval for a mean: x̄ ± margin of error. With a known population σ the margin is z·σ/√n; with only the sample standard deviation s, use t with n − 1 degrees of freedom: t·s/√n. Critical values: z = 1,645 (90%), 1,96 (95%), 2,576 (99%). To get a margin E or smaller, you need n ≥ (z·σ/E)², rounded up.

Доверительный интервал для среднего: x̄ ± предельная ошибка. При известном σ генеральной совокупности предельная ошибка равна z·σ/√n; если известно только выборочное стандартное отклонение s, используйте t с n − 1 степенями свободы: t·s/√n. Критические значения: z = 1,645 (90 %), 1,96 (95 %), 2,576 (99 %). Чтобы предельная ошибка не превышала E, нужен объём выборки n ≥ (z·σ/E)², округлённый вверх.

Hypothesis test: the test statistic = (estimate − value under H₀)/(standard error under H₀). The p-value is the probability, assuming H₀ is true, of a statistic at least as extreme as the one observed: the area in one tail for a one-sided H₁, twice the tail area for a two-sided H₁. Reject H₀ when p ≤ α.

Объём выборки для критерия: чтобы обнаружить истинный сдвиг δ с мощностью 1 − β одностронним z-критерием на уровне α, стандартная ошибка должна удовлетворять δ = (z_α + z_β)·σ/√n, поэтому n = ((z_α + z_β)·σ/δ)² с округлением вверх.

Метод наименьших квадратов: при средних x̄ и ȳ, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² и Sxy = Σ(x − x̄)(y − ȳ) прямая ŷ = a + b·x имеет угловой коэффициент b = Sxy/Sxx и свободный член a = ȳ − b·x̄, поэтому она всегда проходит через (x̄, ȳ). Коэффициент корреляции Пирсона r = Sxy/√(Sxx·Syy) лежит между −1 и 1; r² — доля вариации y, объяснённая прямой.

Метод наименьших квадратов: при средних x̄ и ȳ, Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² и Sxy = Σ(x − x̄)(y − ȳ) прямая ŷ = a + b·x имеет угловой коэффициент b = Sxy/Sxx и свободный член a = ȳ − b·x̄, поэтому она всегда проходит через (x̄, ȳ). Коэффициент корреляции Пирсона r = Sxy/√(Sxx·Syy) лежит между −1 и 1; r² — доля вариации y, объяснённая прямой.

Критерии хи-квадрат: сравнивают наблюдаемые частоты O с частотами E, ожидаемыми при H₀, по формуле χ² = Σ(O − E)²/E. Согласие с распределением: E = n·p для каждой категории, df = k − 1 (и ещё минус один за каждый параметр, оцениваемый по данным). Независимость в таблице r × c: E = итог по строке × итог по столбцу / общий итог, df = (r − 1)(c − 1). Отвергайте H₀, когда χ² превышает критическое значение для выбранного α.

Критерии хи-квадрат: сравнивают наблюдаемые частоты O с частотами E, ожидаемыми при H₀, по формуле χ² = Σ(O − E)²/E. Согласие с распределением: E = n·p для каждой категории, df = k − 1 (и ещё минус один за каждый параметр, оцениваемый по данным). Независимость в таблице r × c: E = итог по строке × итог по столбцу / общий итог, df = (r − 1)(c − 1). Отвергайте H₀, когда χ² превышает критическое значение для выбранного α.