История статистики

 
 
СРС №6 Полулогарифмические системы 
В некоторых случаях нанесения на один график двух кривых дает возможность одновременно изобразить динамику третьего показателя, если он является разностью первых двух. Например, при изображении динамики рождаемости и смертности площадь между двумя кривыми показывает величину естественного прироста или естественной убыли населения. 
       Иногда необходимо сравнить на графике динамику двух показателей, имеющих различные единицы измерения. В таких случаях понадобится не одна, а две масштабные шкалы. Одну из них размещают справа, другую - слева. 
       Однако такое сравнение кривых не дает достаточно полной картины динамики этих показателей, так как масштабы произвольны. Поэтому сравнение динамики уровня двух разнородных показателей следует осуществлять на основе использования одного масштаба после преобразования абсолютных величин в относительные. Примером такой линейной диаграммы является рис. 5.20. 
       Линейные диаграммы с равномерной шкалой имеют один недостаток, снижающий их познавательную ценность: равномерная шкала позволяет измерять и сравнивать только отраженные на диаграмме абсолютные приросты или уменьшения показателей на протяжении исследуемого периода. Однако при изучении динамики важно знать относительные изменения исследуемых показателей по сравнению с достигнутым уровнем или темпы их изменения. Именно относительные изменения экономических показателей в динамике искажаются при их изображении на координатной диаграмме с равномерной вертикальной шкалой. Кроме того, в обычных координатах теряет всякую наглядность и даже становится невозможным изображение для рядов динамики с резко изменяющимися уровнями, которые обычно имеют место в динамических рядах за длительный период времени. 
       В этих случаях следует отказаться от равномерной шкалы и положить в основу графика полулогарифмическую систему. Основная идея полулогарифмической системы состоит в том, что в ней равным линейным отрезкам соответствуют равные значения логарифмов чисел. Такой подход имеет преимущество: возможность уменьшения размеров больших чисел через их логарифмические эквиваленты. Однако с масштабной шкалой в виде логарифмов график малодоступен для понимания. Необходимо рядом с логарифмами, обозначенными на масштабной шкале, проставить сами числа, характеризующие уровни изображаемого ряда динамики, которые соответствуют указанным числам логарифмов. Такого рода графики носят название графиков на полулогарифмической сетке. 
        Полулогарифмической сеткой называется сетка, в которой на одной оси нанесен линейный масштаб, а на другой - логарифмический. В данном случае логарифмический масштаб наносится на ось ординат, а на оси абсцисс располагают равномерную шкалу для отсчета времени по принятым интервалам (годам, кварталам, месяцам, дням и пр.).

 
 
СРС №7 Закон распределения вероятностей 
РАСПРЕДЕЛЕНИЕ ВЕРОЯТНОСТЕЙ - одно из основных понятий теории вероятностей (см.) и статистики математической (см.). При современном подходе в качестве математич. модели изучаемого случайного явления берется соответствующее вероятностное пространство {"F"1, S, Р), где Q - множество элементарных событий (элементарным событием может быть напр., точка используемого признакового пространства, т. е. набор значений рассматриваемых признаков, в частности ответов к.-л. респондента на ряд включенных в использовавшуюся анкету вопросов), S - выделенная в OMEGA и удовлетворяющая определенным формальным свойствам совокупность подмножеств этого множества, называемых событиями (такие подмножества могут быть заданы, напр. путем определения интервалов значений, фигурирующих в определении признаков; тогда событиями будут соответствующие области рассматриваемой знакового пространства). Модели теории вероятностей и математик статистики адекватны многим реальным ситуациям, изучаемым социологией. В таких случаях для обеспечения возможности использования богатого аппарата указанных ветвей математики необходим глубокий анализ того, что в конкретной социологич. задаче должно пониматься под элементарными событиями и каким их множествам может быть поставлена в соответствие нек-рая вероятность. Большая часть формального аппарата разработана для случая, когда в качестве элементарных событий выступают значения нек-рой числовой (одномерной или многомерной) случайной величины ф. В таких случаях полное описание Р.в. может быть осуществлено с помощью функции распределения этой величины, т. е. функции, задающей вероятность того, что значение величины попадает в ту или иную область. Функции распределения многих числовых случайных величин хорошо изучены и табулированы (о наиболее употребительных функциях см. Закон распределения). Пользуясь соответствующими таблицами, для любого интервала числовой оси можно найти вероятность того, что значение рассматриваемой случайной величины попадает в этот интервал. Полное описание функции распределения функции или плотности вероятности) случайной величины на практике часто заменяется загнием небольшого числа характеристик, из к-эых наиболее употребительными являются величины средние  (см.) и меры рассеяния  (см.). Важность знания характера Р.в. обусловливается, в частности, тем, что применение многих математич. методов корректно лишь при условии, что рассматриваемые Р.в. имеют определенный вид (см., напр., Анализ регрессионный). Статистич. аналогом Р.в. является распределение эмпирическое  (см.). Это распределение его характеристики могут быть использованы пя приближенного представления теоретич. Р.в. и его характеристик (см. Оценивание статистическое). Так обычно и делается в социологии. Для проверки гипотезы о том, что наблюдаемые значения нек-рой числовой случайной величины распределены в соответствии с нек-рой функцией распределения, используют так или иначе измеренное отклонение "теоретич." - отвечающих гипотетич. функции распределения) значений вероятностей от значений, отвечающих эмпирич. распределению. (Более подробно о способах измерения степени согласия эмпирич. распределения с гипотетич. см. Проверка статистических гипотез). Можно показать, что большинство утверждений относительно функций распределения числовых случайных величин остается в силе и для тех случаев, когда в качестве элементарных событий выступают значения случайных величин, полученные по интервальным шкалам (о типах шкал см. Шкала). Однако для социологии актуальным является распространение этих утверждений и на те случаи, когда используются шкалы более низких типов, в частности, порядковые и номинальные, а также рез-ты измерения, не являющиеся числами. 
 
 
СРС №8 Выборочные аналоги параметров генеральной совокупности 
Основу статистического исследования составляет множество данных, полученных в результате измерения одного или нескольких признаков. Реально наблюдаемая совокупность объектов, статистически представленная рядом наблюдений  случайной величины  , является выборкой, а гипотетически существующая (домысливаемая) —генеральной совокупностью. Генеральная совокупность может быть конечной (число наблюдений N = const) или бесконечной (N = ∞), а выборка из генеральной совокупности — это всегда результат ограниченного ряда   наблюдений. Число наблюдений  , образующих выборку, называется объемом выборки. Если объем выборки   достаточно велик (n → ∞) выборка считается большой, в противном случае она называется выборкой ограниченного объема. Выборка считается малой, если при измерении одномерной случайной величины   объем выборки не превышает 30 (n <= 30), а при измерении одновременно нескольких (k) признаков в многомерном пространстве отношение n к k не превышает 10 (n/k < 10). Выборка образует вариационный ряд, если ее члены являются порядковыми статистиками, т. е. выборочные значения случайной величины Х упорядочены по возрастанию (ранжированы), значения же признака называются вариантами. Распределение случайной величины  в генеральной совокупности носит теоретический, идеальный характер, а ее выборочный аналог является эмпирическим распределением. Некоторые теоретические распределения заданы аналитически, т.е. их параметры определяют значение функции распределения   в каждой точке пространства возможных значений случайной величины  . Для выборки же функцию распределения определить трудно, а иногда невозможно, поэтому параметры оценивают по эмпирическим данным, а затем их подставляют в аналитическое выражение, описывающее теоретическое распределение. При этом предположение (или гипотеза) о виде распределения может быть как статистически верным, так и ошибочным. Но в любом случае восстановленное по выборке эмпирическое распределение лишь грубо характеризует истинное. Важнейшими параметрами распределений являютсяматематическое ожидание   и дисперсия  .

По своей природе распределения  бывают непрерывными и дискретными. Наиболее известным непрерывным распределением является нормальное. Выборочными аналогами параметров   и для него являются: среднее значение   и эмпирическая дисперсия  . Среди дискретных в социально-экономических исследованиях наиболее часто применяется альтернативное (дихотомическое) распределение. Параметр математического ожидания   этого распределения выражает относительную величину (или долю) единиц совокупности, которые обладают изучаемым признаком   (она обозначена буквой  ); доля совокупности, не обладающая этим признаком, обозначается буквой q (q = 1 — p). Дисперсия же   альтернативного распределения также имеет эмпирический аналог  .

В зависимости от вида распределения  и от способа отбора единиц совокупности по-разному вычисляются характеристики параметров распределения. Основные из них для теоретического и эмпирического распределений приведены в табл. 9.1.

Долей выборки k_n называется отношение числа единиц выборочной совокупности к числу единиц генеральной совокупности:

k_n = n/N.

Выборочная доля w — это отношение единиц, обладающих изучаемым признаком x к объему выборки n:

w = n_n/n.

 
 
СРС №9 Случайные величины и их числовые характеристики 
Случайная величина — это величина, которая принимает в результате опыта одно из множества значений, причём появление того или иного значения этой величины до её измерения нельзя точно предсказать. 
Функция или плотность распределения некоторой случайной величины являются наиболее полными вероятностными характеристиками этой величины. Однако ими не всегда удобно пользоваться по следующим причинам: 
-- при решении различных задач оптимизации значительно удобнее пользоваться числовыми, а не функциональными характеристиками; 
-- во многих задачах функция и плотность распределения не могут быть определены достаточно точно.

В связи с  этим при решении многих теоретических  и прикладных задач широко используются различные числовые характеристики случайных величин. Рассмотрим некоторые  из них.

1. Математическое  ожидание E(X) случайной величины X

2. Дисперсия  случайной величины X

Заметим, что  использование дисперсии D(X) на практике неудобно, так как ее размерность  отличается от размерности рассматриваемой  случайной величины X. Поэтому вместо D(X) часто используют так называемое стандартное (среднее квадратическое) отклонение у(Ч), определяемое выражением

и имеющее  ту же размерность, что и X. 
3. Математическое ожидание в2(Ч) квадрата случайной величины X 
На практике величины Е(Х) и о(Х) обычно определяются экспериментально по данным статистических испытаний. При этом их принимают равными соответствующим средним статистическим значениям

где п -- число статистических испытаний,

-- полученные  в результате этих испытаний  значения X.

 
СРС№10Правила сложения дисперсий 
Согласно правилу сложения дисперсий, общая дисперсия равна сумме средней из внутригрупповых и межгрупповой дисперсий. 

Пользуясь правилом сложения дисперсий, можно всегда по двум известным дисперсиям определить третью – неизвестную. Чем больше доля межгрупповой дисперсии в общей дисперсии, тем сильнее влияние группировочного признака на изучаемый признак. Поэтому в статистическом анализе широко используется эмпирический коэффициент детерминации - показатель, представляющий собой долю межгрупповой дисперсии в общей дисперсии результативного признака и характеризующий силу влияния группировочного признака на образование общей вариации:

При отсутствии связи эмпирический коэффициент детерминации равен нулю, а при функциональной связи – единице. Эмпирическое корреляционное отношение (см. пример) – это корень квадратный из эмпирического коэффициента детерминации:

Он показывает тесноту связи  между группировочным и результативным признаками.Эмпирическое корреляционное отношение может принимать значения от 0 до 1. Если связь отсутствует, то корреляционное отношение равно нулю, т.е. все групповые средние будут равны между собой, межгрупповой вариации не будет. Значит, группировочный признак никак не влияет на образование общей вариации. Если связь функциональная, то корреляционное отношение будет равно единице. В этом случае дисперсия групповых средних равна общей дисперсии, т.е. внутригрупповой вариации не будет. Это означает, что группировочный признак целиком определяет вариацию изучаемого результативного признака. Чем значение корреляционного отношения ближе кединице, тем теснее, ближе к функциональной зависимости связь между признаками.

 
 
СРС№11 Индексный метод анализа факторов динамики 
В статистике, планировании и анализе хозяйственной деятельности основой для количественной оценки роли отдельных факторов в динамике изменений обобщающих показателей являются индексные модели. Индексный метод – один из приемов элиминирования. Основывается на относительных показателях динамики, пространственных сравнений, выполнении плана, выражающих отношение фактического уровня анализируемого показателя в отчетном периоде к его уровню в базисном периоде (или к плановому, или по другому объекту). Любой индекс исчисляется сопоставлением соизмеряемой (отчетной) величины с базисной. Индексы, выражающие соотношение непосредственно соизмеряемых величин, называются индивидуальными, а характеризующие соотношения сложных явлений – групповыми, или тотальными.

Статистика оперирует  различными формами индексов (агрегатная, арифметическая, гармоническая и  др.), используемыми в аналитической  работе.

Агрегатный индекс является основной формой любого общего индекса; его можно преобразовать как  в средний арифметический, так  и в средний гармонический  индексы. С помощью агрегатных индексов можно выявить влияние различных факторов на изменение уровня результативных показателей в мультипликативных и кратных моделях.

Корректность определения  размера каждого фактора зависит  от:

1. количества знаков после запятой (не менее четырех);
2. количества самих факторов (связь обратно пропорциональна).

Принципы построения индексов: изменение одного фактора при  неизменном значении всех остальных, при  этом если обобщающий экономический  показатель представляет собой произведение количественного (объемного) и качественного  показателей-факторов, то при определении  влияния количественного фактора  качественный показатель фиксируется  на базисном уровне, а при определении  влияния качественного фактора  количественный показатель фиксируется  на уровне отчетного периода. 
Индексный метод позволяет провести разложение по факторам не только относительных, но и абсолютных отклонений обобщающего показателя. В этом случае влияние отдельных факторов определяется с помощью разности между числителем и знаменателем соответствующих индексов, т. е. также при расчете влияния одного фактора элиминируется влияние другого.

 
 
СРС №12 Методы анализа основной тенденции в рядах динамики 
Одна из важнейших задач статистики- определение в рядах динамики общей тенденции развития.

Основной тенденцией развития называется плавное и устойчивое изменение уровня во времени, свободное  от случайных колебаний. Задача состоит  в выявлении общей тенденции  в изменении уровней ряда, освобожденной  от действия различных факторов.

Изучение тренда включает два основных этапа:

· ряд динамики проверяется на наличие тренда;

· производится выравнивание временного ряда и непосредственно  выделение тренда с экстраполяцией полученных результатов.

С этой целью  ряды динамики подвергаются обработке  методами укрупнение интервалов, скользящей средней и аналитического выравнивания:

1. Метод укрупнения  интервалов.

Одним из наиболее элементарных способов изучения общей  тенденции в ряду динамики является укрупнение интервалов. Этот способ основан  на укрупнении периодов, к которым  относятся уровни ряда динамики. Например, преобразование месячных периодов в  квартальные, квартальных в годовые и т.д.