Лабораторная работа №1. Первичная обработка статистических данных
Построение рядов распределения
Упорядоченное распределение единиц совокупности на группы по какому-либо одному признаку называется рядом распределения . При этом признак может быть как количественным, тогда ряд называется вариационным , так и качественным, тогда ряд называют атрибутивным . Так, например, население города может быть распределено по возрастным группам в вариационный ряд, или по профессиональной принадлежности в атрибутивный ряд (конечно, можно предложить еще множество качественных и количественных признаков для построения рядов распределения, выбор признака определяется задачей статистического исследования).
Любой ряд распределения характеризуется двумя элементами:
- варианта (х i ) – это отдельные значения признака единиц выборочной совокупности. Для вариационного ряда варианта принимает числовые значения, для атрибутивного – качественные (например, х=«государственный служащий»);
- частота (n i ) – число, показывающее, сколько раз встречается то или иное значение признака. Если частота выражена относительным числом (т.е. долей элементов совокупности, соответствующих данному значению варианты, в общем объеме совокупности), то она называется относительной частотой или частостью .
Вариационный ряд может быть:
- дискретным , когда изучаемый признак характеризуется определенным числом (как правило целым).
- интервальным , когда определены границы «от» и «до» для непрерывно варьируемого признака. Интервальный ряд также строят если множество значений дискретно варьируемого признака велико.
Интервальный ряд может строиться как с интервалами равной длины (равноинтервальный ряд) так и с неодинаковыми интервалами, если это диктуется условиями статистического исследования. Например, может рассматриваться ряд распределения доходов населения со следующими интервалами: <5тыс р., 5-10 тыс р., 10-20 тыс.р., 20-50 тыс р., и т.д. Если цель исследования не определяет способ построения интервального ряда, то строится равноинтервальный ряд, число интервалов в котором определяется по формуле Стерджесса:
где k – число интервалов, n – объем выборки. (Конечно, формула обычно дает число дробное, а в качестве числа интервалов выбирается ближайшее целое к полученному число.) Длина интервала в таком случае определяется по формуле
.
Графически вариационные ряды могут быть представлены в виде гистограммы (над каждым интервалом интервального ряда выстраивается «столбик» высоты, соответствующей частоте в этом интервале), полигона распределения (ломаная линия, соединяющая точки (х i ;n i ) либо кумуляты (строится по накопленным частотам, т.е. для каждого значения признака берется частота появления в совокупности объектов со значением признака меньшим данного).
При работе в Excel для построения вариационных рядов могут быть использованы следующие функции:
СЧЁТ(массив данных ) – для определения объема выборки. Аргументом является диапазон ячеек, в котором находятся выборочные данные.
СЧЁТЕСЛИ(диапазон; критерий ) – может быть использована для построения атрибутивного или вариационного ряда. Аргументами являются диапазон массива выборочных значений признака и критерий – числовое или текстовое значение признака или номер ячейки, в которой оно находится. Результатом является частота появления этого значения в выборке.
ЧАСТОТА(массив данных; массив интервалов ) – для построение вариационного ряда. Аргументами являются диапазон массива выборочных данных и столбец интервалов. Если требуется построить дискретный ряд, то здесь указываются значения варианты, если интервальный – то верхние границы интервалов (их еще называют «карманами»). Поскольку результатом является столбец частот, введение функции следует завершить нажатием сочетания клавиш CTRL+SHIFT+ENTER. Заметим, что задавая массив интервалов при введении функции, последнее значение в нем можно и не указывать – в соответствующий «карман» будут помещены все значения, не попавшие в предыдущие «карманы». Иногда это помогает избежать ошибки, состоящей в том, что наибольшее выборочное значение не помещается автоматически в последний «карман»
Кроме того, для сложных группировок (по нескольким признакам) используют инструмент «сводные таблицы». Для построения атрибутивных и вариационных рядов их тоже можно использовать, но это излишне усложняет задачу. Также для построения вариационного ряда и гистограммы существует процедура «гистограмма» из надстройки «Пакет анализа» (чтобы использовать надстройки в Excel, их нужно сначала загрузить, по умолчанию они не устанавливаются)
Проиллюстрируем процесс первичной обработки данных на следующих примерах.
Пример 1.1 . имеются данные о количественном составе 60 семей.
Построить вариационный ряд и полигон распределения
Решение .
Откроем таблицы Excel. Введем массив данных в диапазон А1:L5. Если Вы изучаете документ в электронной форме (в формате Word, например), для этого достаточно выделить таблицу с данными и скопировать ее в буфер, затем выделить ячейку А1 и вставить данные – они автоматически займут подходящий диапазон. Подсчитаем объем выборки n – число выборочных данных, для этого в ячейку В7 введем формулу =СЧЁТ(А1:L5). Заметим, что для того, чтобы в формулу ввести нужный диапазон, необязательно вводить его обозначение с клавиатуры, достаточно его выделить. Определим минимальное и максимальное значение в выборке, введя в ячейку В8 формулу =МИН(А1:L5), и в ячейку В9: =МАКС(А1:L5).
Рис.1.1 Пример 1. Первичная обработка статистических данных в таблицах Excel
Далее, подготовим таблицу для построения вариационного ряда, введя названия для столбца интервалов (значений варианты) и столбца частот. В столбец интервалов введем значения признака от минимального (1) до максимального (6), заняв диапазон В12:В17. Выделим столбец частот, введем формулу =ЧАСТОТА(А1:L5;В12:В17) и нажмем сочетание клавиш CTRL+SHIFT+ENTER
Рис.1.2 Пример 1. Построение вариационного ряда
Для контроля вычислим сумму частот при помощи функции СУММ (значок функции S в группе «Редактирование» на вкладке «Главная»), вычисленная сумма должна совпасть с ранее вычисленным объемом выборки в ячейке В7.
Теперь построим полигон: выделив полученный диапазон частот, выберем команду «График» на вкладке «Вставка». По умолчанию значениями на горизонтальной оси будут порядковые числа - в нашем случае от 1 до 6, что совпадает со значениями варианты (номерами тарифных разрядов).
Название ряда диаграммы «ряд 1» можно либо изменить, воспользовавшись той же опцией «выбрать данные» вкладки «Конструктор», либо просто удалить.
Рис.1.3. Пример 1. Построение полигона частот
Пример 1.2 . Имеются данные о выбросах загрязняющих веществ из 50 источников:
| 10,4 | 18,6 | 10,3 | 26,0 | 45,0 | 18,2 | 17,3 | 19,2 | 25,8 | 18,7 |
| 28,2 | 25,2 | 18,4 | 17,5 | 41,8 | 14,6 | 10,0 | 37,8 | 10,5 | 16,0 |
| 18,1 | 16,8 | 38,5 | 37,7 | 17,9 | 29,0 | 10,1 | 28,0 | 12,0 | 14,0 |
| 14,2 | 20,8 | 13,5 | 42,4 | 15,5 | 17,9 | 19, | 10,8 | 12,1 | 12,4 |
| 12,9 | 12,6 | 16,8 | 19,7 | 18,3 | 36,8 | 15,0 | 37,0 | 13,0 | 19,5 |
Составить равноинтервальный ряд, построить гистограмму
Решение
Внесем массив данных в лист Excel, он займет диапазон А1:J5 Как и в предыдущей задаче, определим объем выборки n, минимальное и максимальное значения в выборке. Поскольку теперь требуется не дискретный, а интервальный ряд, и число интервалов в задаче не задано, вычислим число интервалов k по формуле Стерджесса. Для этого в ячейку В10 введем формулу =1+3,322*LOG10(B7).
Рис.1.4. Пример 2. Построение равноинтервального ряда
Полученное значение не является целым, оно равно примерно 6,64. Поскольку при k=7 длина интервалов будет выражаться целым числом (в отличие от случая k=6) выберем k=7, введя это значение в ячейку С10. Длину интервала d вычислим в ячейке В11, введя формулу =(В9-В8)/С10.
Зададим массив интервалов, указывая для каждого из 7 интервалов верхнюю границу. Для этого в ячейке Е8 вычислим верхнюю границу первого интервала, введя формулу =B8+B11; в ячейке Е9 верхнюю границу второго интервала, введя формулу =E8+B11. Для вычисления оставшихся значений верхних границ интервалов зафиксируем номер ячейки В11 в введенной формуле при помощи знака $, так что формула в ячейке Е9 примет вид =E8+B$11, и скопируем содержимое ячейки Е9 в ячейки Е10-Е14. Последнее полученное значение равно вычисленному ранее в ячейке В9 максимальному значению в выборке.
Рис.1.5. Пример 2. Построение равноинтервального ряда
Теперь заполним массив «карманов» при помощи функции ЧАСТОТА, как это было сделано в примере 1.
Рис.1.6. Пример 2. Построение равноинтервального ряда
По полученному вариационном ряду построим гистограмму: выделим столбец частот и выберем на вкладке «Вставка» «Гистограмма». Получив гистограмму, изменим в ней подписи горизонтальной оси на значения в диапазоне интервалов, для этого выберем опцию «Выбрать данные» вкладки «Конструктор». В появившемся окне выберем команду «Изменить» для раздела «Подписи горизонтальной оси» и введем диапазон значений варианты, выделив его «мышью».
Рис.1.7. Пример 2. Построение гистограммы
Рис.1.8. Пример 2. Построение гистограммы
Дискретный вариационный ряд строится для дискретный признаков.
Для того, чтобы построить дискретный вариационный ряд нужно выполнить следующие действия: 1) упорядочить единицы наблюдения по возрастанию изучаемого значения признака,
2) определить все возможные значения признака x i , упорядочить их по возрастанию,
значением признака, i .
частота значения признака и обозначают f i . Сумма всех частот ряда равна количеству элементов в изучаемой совокупности.
Пример 1 .
Список оценок полученных студентами на экзаменах: 3; 4; 3; 5; 4; 2; 2; 4; 4; 3; 5; 2; 4; 5; 4; 3; 4; 3; 3; 4; 4; 2; 2; 5; 5; 4; 5; 2; 3; 4; 4; 3; 4; 5; 2; 5; 5; 4; 3; 3; 4; 2; 4; 4; 5; 4; 3; 5; 3; 5; 4; 4; 5; 4; 4; 5; 4; 5; 5; 5.
Здесь число Х – оценка является дискретной случайной величиной, а полученный список оценок - статистические (наблюдаемые) данные .
упорядочить единицы наблюдения по возрастанию изучаемого значения признака:
2; 2; 2; 2; 2; 2; 2; 2; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 3; 4; 4; 4; 4; 4; 4; 4; 4; 4; 4; 4; 4; 4; 4; 4; 4; 4; 4; 4; 4; 4; 4; 4; 5; 5; 5; 5; 5; 5; 5; 5; 5; 5; 5; 5; 5; 5; 5; 5; 5.
2) определить все возможные значения признака x i , упорядочить их по возрастанию:
В данном примере все оценки можно разделить на четыре группы со следующими значениями: 2; 3; 4; 5.
Значение случайной величины, соответствующее отдельной группе наблюдаемых данных, называют значением признака, вариантом (вариантой) и обознпчают x i .
Число, которое показывает, сколько раз встречается соответствующее значение признака в ряде наблюдений называют частота значения признака и обозначают f i .
Для нашего примера
оценка 2 встречается - 8 раз,
оценка 3 встречается - 12 раз,
оценка 4 встречается - 23 раза,
оценка 5 встречается - 17 раз.
Всего 60 оценок.
4) записать полученные данные в таблицу из двух строк (столбцов) - x i и f i .
На основании этих данных можно построить дискретный вариационный ряд
Дискретный вариационный ряд – это таблица, в которой указаны встречающиеся значения изучаемого признака как отдельные значения по возрастанию и их частоты
Построение интервального вариационного ряда
Кроме дискретного вариационного ряда часто встречается такой способ группировки данных, как интервальный вариационный ряд.
Интервальный ряд строится если:
признак имеет непрерывный характер изменения;
дискретных значений получилось очень много (больше 10)
частоты дискретных значений очень малы (не превышают 1-3 при относительно большем количестве единиц наблюдения);
много дискретных значений признака с одинаковыми частотами.
Интервальный вариационный ряд – это способ группировки данных в виде таблицы, которая имеет две графы (значения признака в виде интервала значений и частота каждого интервала).
В отличие от дискретного ряда значения признака интервального ряда представлены не отдельными значениями, а интервалом значений («от - до»).
Число, которое показывает, сколько единиц наблюдения попало в каждый выделенный интервал, называется частота значения признака и обозначают f i . Сумма всех частот ряда равна количеству элементов (единиц наблюдения) в изучаемой совокупности.
Если единица обладает значением признака, равным величине верхней границы интервала, то ее следует относить к следующему интервалу.
Например, ребёнок с ростом 100 см попадёт во 2-ой интервал, а не в первый; а ребёнок с ростом 130 см попадёт в последний интервал, а не в третий.
На основании этих данных можно построить интервальный вариационный ряд.
У каждого интервала есть нижняя граница (х н), верхняя граница (х в) и ширина интервала (i ).
Граница интервала – это значение признака, которое лежит на границе двух интервалов.
|
рост детей (см) |
рост детей (см) |
количество детей |
||
|
больше 130 | ||||
Если у интервала есть верхняя и нижняя граница, то он называется закрытый интервал . Если у интервала есть только нижняя или только верхняя граница, то это – открытый интервал. Открытым может быть только самый первый или самый последний интервал. В приведённом примере последний интервал – открытый.
Ширина интервала (i ) – разница между верхней и нижней границей.
i = х н - х в
Ширина открытого интервала принимается такой же, как ширина соседнего закрытого интервала.
|
рост детей (см) |
количество детей |
Ширина интервала (i) |
|
|
для расчётов 130+20=150 |
20 (потому что ширина соседнего закрытого интервала – 20) |
||
Все интервальные ряды делятся на интервальные ряды с равными интервалами и интервальные ряды с неравными интервалами. В интервальных рядах с равными интервалами ширина всех интервалов одинаковая. В интервальных рядах с неравными интервалами ширина интервалов разная.
В рассматриваемом примере - интервальный ряд с неравными интервалами.
Высшего профессионального образования
«РОССИЙСКАЯ АКАДЕМИЯ НАРОДНОГО ХОЗЯЙСТВА И
ГОСУДАРСТВЕННОЙ СЛУЖБЫ ПРИ ПРЕЗИДЕНТЕ
РОССИЙСКОЙ ФЕДЕРАЦИИ»
(Калужский филиал)
Кафедра естественнонаучных и математических дисциплин
КОНТРОЛЬНАЯ РАБОТА
По дисциплине «Статистика»
Студент___Майборода Галина Юрьевна______
Заочного отделения факультет Государственное и муниципальное управление группа Г-12-В
Преподаватель ____________________ Хамер Г.В.
К.п.н., доцент
Калуга-2013 г.
Задача 1.
Задача 1.1. 4
Задача 1.2. 16
Задача 1.3. 24
Задача 1.4. 33
Задача 2.
Задача 2.1. 43
Задача 2.2. 48
Задача 2.3. 53
Задача 2.4. 58
Задача 3.
Задача 3.1. 63
Задача 3.2. 68
Задача 3.3. 73
Задача 3.4. 79
Задача 4.
Задача 4.1. 85
Задача 4.2. 88
Задача 4.3. 90
Задача 4.4. 93
Список использованных источников. 96
Задача 1.
Задача 1.1.
Имеются следующие данные о выпуске продукции и сумме прибыли предприятиями области (таблица 1).
Таблица 1
Данные о выпуске продукции и сумме прибыли предприятиями
| № предприятия | Выпуск продукции, млн. руб. | Прибыль, млн. руб. | № предприятия | Выпуск продукции, млн. руб. | Прибыль, млн. руб. |
| 63,0 | 6,7 | 56,0 | 7,2 | ||
| 48,0 | 6,2 | 81,0 | 9,6 | ||
| 39,0 | 6,5 | 55,0 | 6,3 | ||
| 28,0 | 3,0 | 76,0 | 9,1 | ||
| 72,0 | 8,2 | 54,0 | 6,0 | ||
| 61,0 | 7,6 | 53,0 | 6,4 | ||
| 47,0 | 5,9 | 68,0 | 8,5 | ||
| 37,0 | 4,2 | 52,0 | 6,5 | ||
| 25,0 | 2,8 | 44,0 | 5,0 | ||
| 60,0 | 7,9 | 51,0 | 6,4 | ||
| 46,0 | 5,5 | 50,0 | 5,8 | ||
| 34,0 | 3,8 | 65,0 | 6,7 | ||
| 21,0 | 2,1 | 49,0 | 6,1 | ||
| 58,0 | 8,0 | 42,0 | 4,8 | ||
| 45,0 | 5,7 | 32,0 | 4,6 |
По исходным данным:
1. Постройте статистический ряд распределения предприятий по выпуску продукции, образовав пять групп с равными интервалами.
Постройте графики ряда распределения: полигон, гистограмму, кумуляту. Графически определите значение моды и медианы.
2. Рассчитайте характеристики ряда распределения предприятий по выпуску продукции: среднюю арифметическую, дисперсию, среднее квадратическое отклонение, коэффициент вариации.
Сделайте вывод.
3. Методом аналитической группировки установите наличие и характер корреляционной связи между стоимостью произведенной продукции и суммой прибыли на одно предприятие.
4. Измерьте тесноту корреляционной связи между стоимостью произведенной продукции и суммой прибыли эмпирическим корреляционным отношением.
Сделайте общие выводы.
Решение:
Построим статистический ряд распределения
Для построения интервального вариационного ряда, характеризующего распределение предприятий по объему выпуска продукции, необходимо вычислить величину и границы интервалов ряда.
При построении ряда с равными интервалами величина интервала h определяется по формуле:
х max и х min – наибольшее и наименьшее значения признака в исследуемой совокупности предприятий;
k - число групп интервального ряда.
Число групп k задано в условии задания. k = 5.
х max = 81 млн. руб., х min = 21 млн. руб.
Расчет величины интервала:
млн. руб.
Путем последовательного прибавления величины интервала h = 12 млн. руб. к нижней границе интервала, получаем следующие группы:
1 группа: 21 – 33 млн. руб.
2 группа: 33 – 45 млн. руб.;
3 группа: 45 – 57 млн. руб.
4 группа: 57 – 69 млн. руб.
5 группа: 69 – 81 млн. руб.
Для построения интервального ряда необходимо подсчитать количество предприятий, входящих в каждую группу (частоты групп ).
Процесс группировки предприятий по объему выпуска продукции представлен во вспомогательной таблице 2. Графа 4 этой таблицы необходима для построения аналитической группировки (пункт 3 задания).
Таблица 2
Таблица для построения интервального ряда распределения и
аналитической группировки
| Группы предприятий по объему выпуска продукции, млн. руб. | № предприятия | Выпуск продукции, млн. руб. | Прибыль, млн. руб. |
| 21-33 | 21,0 | 2,1 | |
| 25,0 | 2,8 | ||
| 28,0 | 3,0 | ||
| 32,0 | 4,6 | ||
| Всего | 106,0 | 12,5 | |
| 33-45 | 34,0 | 3,8 | |
| 37,0 | 4,2 | ||
| 39,0 | 6,5 | ||
| 42,0 | 4,8 | ||
| 44,0 | 5,0 | ||
| Всего | 196,0 | 24,3 | |
| 45-57 | 45,0 | 5,7 | |
| 46,0 | 5,5 | ||
| 47,0 | 5,9 | ||
| 48,0 | 6,2 | ||
| 49,0 | 6,1 | ||
| 50,0 | 5,8 | ||
| 51,0 | 6,4 | ||
| 52,0 | 6,5 | ||
| 53,0 | 6,4 | ||
| 54,0 | 6,0 | ||
| 55,0 | 6,3 | ||
| 56,0 | 7,2 | ||
| Всего | 606,0 | 74,0 | |
| 57-69 | 58,0 | 8,0 | |
| 60,0 | 7,9 | ||
| 61,0 | 7,6 | ||
| 63,0 | 6,7 | ||
| 65,0 | 6,7 | ||
| 68,0 | 8,5 | ||
| Всего | 375,0 | 45,4 | |
| 69-81 | 72,0 | 8,2 | |
| 76,0 | 9,1 | ||
| 81,0 | 9,6 | ||
| Всего | 229,0 | 26,9 | |
| Итого | 183,1 |
На основе групповых итоговых строк «Всего» таблицы 3 формируется итоговая таблица 3, представляющая интервальный ряд распределения предприятий по объему выпуска продукции.
Таблица 3
Ряд распределения предприятий по объему выпуска продукции
Вывод. Построенная группировка показывает, что распределение предприятий по объему выпуска продукции не является равномерным. Наиболее часто встречаются предприятии с объемом выпуска продукции от 45 до 57 млн. руб. (12 предприятий). Наименее часто встречаются предприятий с объемом выпуска продукции от 69 до 81 млн. руб. (3 предприятия).
Построим графики ряда распределения.
Полигон чаще используют для изображения дискретных рядов. Для построения полигона в прямоугольной системе координат на оси абсцисс откладывают значения аргумента, т. е. варианты (для интервальных вариационных рядов в качестве аргумента принимают середину интервала) а на оси ординат - значения частот . Далее в этой системе координат строят точки, координатами которых являются пары соответствующих чисел из вариационного ряда. Полученные точки последовательно соединяют отрезками прямой. Полигон представлен на рисунке 1.
Гистограмма – столбиковая диаграмма. Она позволяет оценить симметричность распределения. Гистограмма представлена на рисунке 2.
Рисунок 1 – Полигон распределения предприятий по объему
выпуска продукции
|
Рисунок 2 – Гистограмма распределения предприятий по объему
выпуска продукции
Мода – значение признака, которое встречается наиболее часто в исследуемой совокупности.
Для интервального ряда графически моду можно определить по гистограмме (рисунок 2). Для этого выбирается самый высокий прямоугольник, который в данном случае является модальным (45 – 57 млн. руб.). Затем правую вершину модального прямоугольника соединяют с правым верхним углом предыдущего прямоугольника. А левую вершину модального прямоугольника – с левым верхним углом последующего прямоугольника. Далее из точки их пересечения опускают перпендикуляр на ось абсцисс. Абсцисса точки пересечения этих прямых и будет модой распределения.
Млн. руб.
Вывод. В рассматриваемой совокупности предприятий наиболее часто встречаются предприятия с выпуском продукции в 52 млн. руб.
Кумулята – ломаная кривая. Она строится по накопленным частотам (рассчитаны в таблице 4). Кумулята начинается с нижней границы первого интервала (21 млн. руб.), накопленная частота откладывается в верхней границе интервала. Кумулята представлена на рисунке 3.
|
Рисунок 3 - Кумулята распределения предприятий по объему
выпуска продукции
Медиана Ме – это значение признака, приходящееся на середину ранжированного ряда. По обе стороны от медианы находится одинаковое количество единиц совокупности.
В интервальном ряду медиану можно определить графическим методом по кумулятивной кривой. Для определения медианы из точки на шкале накопленных частот, соответствующей 50% (30:2 = 15), проводится прямая, параллельная оси абсцисс, до пересечения с кумулятой. Затем из точки пересечения указанной прямой с кумулятой опускается перпендикуляр на ось абсцисс. Абсцисса точки пересечения является медианой.
Млн. руб.
Вывод. В рассматриваемой совокупности предприятий половина предприятий имеют объем выпуска продукции не более 52 млн. руб., а другая половина – не менее 52 млн. руб.
Похожая информация.
При обработке больших массивов информации, что особенно актуально при проведении современных научных разработок, перед исследователем стоит серьезная задача правильной группировки исходных данных. Если данные имеют дискретный характер, то проблем, как мы видели, не возникает – необходимо просто подсчитать частотукаждого признака. Если же исследуемый признак имеет непрерывный характер (что имеет большее распространение на практике), то выбор оптимального числа интервалов группировки признака является отнюдь не тривиальной задачей.
Для группировки непрерывных случайных величин весь вариационный размах признакаразбивают на некоторое количество интервалов к.
Сгруппированным интервальным (непрерывным ) вариационным рядом называют ранжированные по значению признака интервалы (), гдеуказанные вместе с соответствующими частотами () числа наблюдений, попавших в г"-й интервал, или относительными частотами ():
|
Интервалы значений признака |
||||||
|
Частота mi |
Гистограмма и кумулята {огива), уже подробно рассмотренные нами, являются прекрасным средством визуализации данных, позволяющим получить первичное представление о структуре данных. Такие графики (рис. 1.15) строятся для непрерывных данных так же, как и для дискретных, только с учетом того, что непрерывные данные сплошь заполняют область своих возможных значений, принимая любые значения.
Рис. 1.15.
Поэтому столбцы на гистограмме и кумуляте должны соприкасаться, не иметь участков, куда не попадают значения признака в пределах всех возможных (т.е. гистограмма и кумулята не должны иметь "дырок" по оси абсцисс, в которые не попадают значения изучаемой переменной, как на рис. 1.16). Высота столбика соответствует частоте– числу наблюдений, попавших в данный интервал, или относительной частоте– доле наблюдений. Интервалы не должны пересекаться и имеют, как правило, одинаковую ширину.
Рис. 1.16.
Гистограмма и полигон являются аппроксимациями кривой плотности вероятности (дифференциальной функции) f(x) теоретического распределения, рассматриваемой в курсе теории вероятностей . Поэтому их построение имеет такое важное значение при первичной статистической обработке количественных непрерывных данных – по их виду можно судить о гипотетическом законе распределения.
Кумулята – кривая накопленных частот (частостей) интервального вариационного ряда. С кумулятой сопоставляется график интегральной функции распределения F(x) , также рассматриваемой в курсе теории вероятностей.
В основном понятия гистограммы и кумуляты связывают именно с непрерывными данными и их интервальными вариационными рядами, так как их графики являются эмпирическими оценками функции плотности вероятности и функции распределения соответственно.
Построение интервального вариационного ряда начинают с определения числа интервалов k. И эта задача, пожалуй, является самой сложной, важной и неоднозначной в изучаемом вопросе.
Число интервалов не должно быть слишком малым, так как при этом гистограмма получается слишком сглаженной (oversmoothed), теряет все особенности изменчивости исходных данных – на рис. 1.17 можно увидеть, как те же данные, по которым построены графики рис. 1.15, использованы для построения гистограммы с меньшим числом интервалов (левый график).
В то же время число интервалов не должно быть слишком велико – иначе мы не сможем оценить плотность распределения изучаемых данных по числовой оси: гистограмма получится недосглажепная (undersmoothed), с незаполненными интервалами, неравномерная (см. рис. 1.17, правый график).
Рис. 1.17.
Как же определить наиболее предпочтительное число интервалов?
Еще в 1926 г. Герберт Стерджес (Herbert Sturges) предложил формулу для вычисления количества интервалов, на которые необходимо разбить исходное множество значений изучаемого признака . Эта формула поистине стала сверхпопулярной – большинство статистических учебников предлагают именно ее, по умолчанию ее используют и множество статистических пакетов. Насколько это оправдано и во всех ли случаях – является весьма серьезным вопросом.
Итак, на чем основана формула Стерджеса?
Рассмотрим биномиальное распределение }
