Абрамов А.И., Пустынский Л.Н., Романцов В.П. Лабораторный практикум по курсу Ядерная и нейтронная физика
.pdfрочную оценку, а сама (x1 , x2 ,..., xn ) называется статистикой. Для
статистики существует своя генеральная совокупность и своя функция распределения. Оценки матожидания и дисперсии, сделанные по выборке, опираются на один из фундаментальных законов математической статистики - закон больших чисел. Существует множество формулировок и условий применимости для закона больших чисел. Для оценок матожидания и дисперсии достаточно следующего: среднее арифметическое наблюдаемых в п независимых опытах значений случайной величины при неограниченном увеличении п сходится к неслучайной величине -ее математическому ожиданию.
Если мы имеем выборку объема п в виде х1,х2,..-,хп для
случайной величины X, то статистика X , являющаяся средним арифметическим выборки, может служить оценкой ее математического ожидания x :
|
|
1 |
n |
|
|
|
x |
x |
n |
||||
|
||||||
|
|
|
i |
n |
||
|
|
n i 1 |
|
|
Для дисперсии статистики x можно записать, учитывая (1.10):
|
|
|
|
|
|
|
|
|
|
|
1 n |
|
|
1 |
n |
|
|
|
|
|
||||||
D(x) D(1.18) xi |
|
|
|
D xi |
||||
n |
2 |
|||||||
|
|
n i 1 |
|
|
|
i 1 |
|
Поскольку все xi в выборке независимы, выбираются случайно из всей генеральной совокупности, то, учитывая (1.13), получаем
|
|
n |
|
Dx1 Dx2 |
.... Dxn |
nDx (1.19) |
||||||
|
D |
xi |
|
|||||||||
|
i 1 |
|
|
|
|
|
|
|
|
|
|
|
и окончательно |
|
|
|
|
|
|
|
Dx |
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
D |
x |
|
|
|
Dx |
|
n |
(1.20) |
||
|
|
|
2 |
|
||||||||
|
|
|
|
|
n |
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Из (1.20) видно, что выборочное среднее x X значительно лучше |
||||||||||||
для; оценки x , |
чем однократное измерение случайной величины |
|||||||||||
(любое xi из выборки), т.к. |
x обладает в п раз меньшей дисперсией. |
При этом среднеквадратичное отклонение статистики x от x
11
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
x |
|
|
D |
x |
|
|
(1.21) |
||
|
||||||||||
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
показывает, что качество оценки улучшается в n раз.
Получив выборку объема п, экспериментатор, как правило, не
знает, какова величина Dx или x для генеральной совокупности. Но, используя закон больших чисел и определение дисперсии (1.4) как математического ожидания квадрата отклонения случайной величины от ее среднего, он может вычислить статистику
2 |
|
1 |
n |
|
|
|
|
S |
|
(xi |
x)2 (1.22) |
||||
|
|||||||
|
|
n i 1 |
|
|
|
т.е. оценить матожидание квадрата отклонения случайной величины от |
|||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
||
оценки x ее матожидания. Величина S |
|
называется выборочной дис- |
|||||||||||||||||||||||||||||||||||||||
персией. Можно показать, что |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
n |
|
|
2 |
|
|
|
1 |
|
n |
|
|
|
|
|
|
|
|
|
1 |
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
S |
|
|
|
|
|
(x x) |
|
|
(x |
i |
|
x |
)2 |
D |
x |
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
n 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|||||||||||||||
|
|
|
|
|
n 1 i 1 |
|
|
|
|
|
|
|
|
|
n i 1 |
|
|
|
|
|
|
|
|
|
|
|
(1.23) |
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
тогда x |
имеет оценку в виде выборочного среднеквадратичного от- |
||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
клонения S : |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
S |
|
|
|
|
|
|
|
(x |
i |
x)2 |
|
x |
(1.24) |
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n 1 i 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
а для оценки величины x |
|
в (1.21) получаем |
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
x |
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
S |
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
S(x) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
(x) (1-25) |
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
n |
|
|
n n 1 |
|
|
|
|
|
|
n |
|
|
n |
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
i 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Выражение (1.25) служит оценкой меры разброса статистики х, ис-
пользуемой в качестве оценки матожидания x Для практических
расчетов (1.25) удобнее преобразовать, раскрыв скобки под знаком суммы:
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|||
|
|
|
|
(x2 |
|
|
|
2 |
|
|
|||
|
|
|
|
|
|
|
|
||||||
S(x) |
|
|
|
x |
|
) |
(1.26) |
||||||
n 1 |
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
где
12
__
x 2 1 n xi 2 - статистика для оценки среднего квадрата выборочных n i 1
значений x ,.
В случае выборки объема п = 1 (только одно измерение) и мато- |
|||
|
|
|
|
|
|
2 |
|
|
S |
(x) будет не оп- |
|
жидание, и средний квадрат мы оценить можем, но |
|
||
|
|
|
|
ределена, S 2 (x) принимает вид отношения 0/0, |
поскольку разброс |
||
экспериментальных значений неизвестен. |
|
|
|
Получив вместо характеристик генеральной совокупности x и
x . их выборочные оценки х (1.17) и s(x) (1.26) или (1.25), экспериментатор должен указать доверительный интервал, который, с наперед заданной доверительной вероятностью , должен накрыть значение x причем для обозначения границ интервала он имеет право воспользоваться только выборочными x и s(x), а также какими-нибудь другими характеристиками, полученными из выборки. Здесь можно опереться на другой фундаментальный закон математической статисти-
ки - центральную предельную теорему (ЦПТ). Как и закон больших
чисел, ЦПТ имеет множество формулировок при различных условиях и |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
ограничениях, накладываемых на x х и |
|
|
|||
S (x) , но нам достаточно |
следующей: если Х|, х2,... х„-независимые случайные величины, имеющие одно и то же распределение с математическим ожиданием x
и дисперсией 2 |
, то при увеличении п закон распределения |
x |
|
суммы |
n |
|
|
|
y xk |
|
k 1 |
неограниченно приближается к нормальному (гауссовому)
распределению |
с |
|
математическим |
ожиданием |
y |
n x и |
|||||||||
дисперсией |
D |
y |
|
2 |
n 2 |
|
|
|
|
|
|
|
|||
|
|
|
|
y |
|
x |
|
|
|
|
|
|
|
||
|
|
|
|
f ( y) |
1 |
|
|
y y |
2 |
|
|
||||
|
|
|
|
|
|
|
exp |
|
|
|
|
(1.27) |
|||
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
2 Dy |
2Dy |
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
13
Поскольку оценка x вычисляется суммированием по ыборкеобъема п , распределение X при п —> будет стремиться к нормальному. Нормальное распределение симметрично относительно матожи-дания, поэтому доверительный интервал можно (и желательно) выбрать
симметричным относительно x
|
|
(x ) x (x ) , |
(1.28) |
где в качестве указать величину, связанную с масштабом разброса
x вокруг x , т.е. U S(x) ). Значение Ua для заданной доверительной вероятности а можно взять из таблиц стандартного нормаль-
ного распределения.
На практике объем выборки не всегда достаточен для того, чтобы
можно было применить к результатам ЦПТ, особенно если вероятность |
||||||||||||||||||||||||||
выбирается близкой к единице. В частности, если |
=0.95, то |
|||||||||||||||||||||||||
при n 30 , |
воспользовавшись |
|
значением |
U |
0.95 |
, мы ошибемся в |
||||||||||||||||||||
величине |
|
более, чем на 4.5 %. Если же |
0.7 , такая же ошибка в |
|||||||||||||||||||||||
будет |
уже при |
|
n 15. |
Теория |
математической статистики |
|||||||||||||||||||||
показывает, что для случайной величины |
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(x x) |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
S (x) |
|
|
|
|
|
|
|
|
|
|
|
|
|||
имеет, |
место т.н. |
распределение Стьюдента. |
Это |
распределение |
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
рассчитано для различных а и п и обычно приводится в справочниках |
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
в виде коэффициентов ta(n). Подставляя в (1.28) |
t (n) S(x) ), мы |
|||||||||||||||||||||||||
получаем |
|
доверительный |
интервал |
для |
|
|
x |
|
генеральной |
|||||||||||||||||
совокупности. В табл. 1.1 приведены значения ta{n) для а =0.7 и 0.95. |
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Таблица 1.1 |
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
п |
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
2 |
|
3 |
|
4 |
|
|
5' |
|
6 |
|
|
7 |
|
10 |
|
20 |
|
30 |
|
|
ОО |
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
0.70 |
1.96 |
|
1.39 |
|
1.25 |
|
|
1.19 |
|
1.16 |
|
|
1.13 |
1.10 |
|
1.07 |
|
1.06 |
|
1.04 |
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
0.95 |
12.71 |
|
4.30 |
|
3.18 |
|
|
2.78 |
|
2.57 |
|
|
2.45 |
2.26 |
|
2.09 |
|
2.05 |
|
1.96 |
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Значения Ua для тех же =0.7 и 0.95 соответственно U0 70 = 1.04 и U09i = 1.96 совпадают с t ( ) .
14
> Пример 1 После проведения измерений активности источника получили выборку
Х,.=84, 107, 10.1,92, 111, 105, n=6. Оценка матожидания x по (1.17)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
6 |
|
|
|
||
|
|
|
|
|
|
|
|
|
1 |
|
xi |
|
|
||
|
|
|
|
|
x |
100 |
|||||||||
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
6 i 1 |
|
|
|
||
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|||||
Оценка (x) по (1.25) или (1.26) |
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
6 |
|
|
|
||
|
|
S(x) |
|
|
|
(xi |
100)2 4,15 |
||||||||
|
|
|
|
|
|
||||||||||
5 |
6 i 1 |
|
|
|
|||||||||||
Выбирая =0.95 для n =6 из табл. I. I |
t0,95 (6)=2.57, получаем |
||||||||||||||
|
|
100 - 2.57 4.15 = 89.3 < x |
< 100 + 2.57-4.15 =110.7 |
||||||||||||
с вероятностью не менее 0.95. |
|
|
|
|
|
|
|
||||||||
Если воспользоваться неравенством Чебышева в виде (1.7), априори пред- |
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
полагая одномодальность и симметричность распределения x вокруг x , то для той же доверительной вероятности (X =0.95 получаем
87.5 < \ x < 112.5, т.е. незнание функции распределения заставляет нас расширить доверительный интервал. <
В экспериментальной ядерной физике наиболее часто результатом измерений являются числа зарегистрированных за единицу времени событий - отсчетов детектора. Эти числа подчиняются некоторым конкретным распределениям дискретных величин, поэтому рассмотрим их подробно.
3. Биномиальное распределение
Большинство явлений в микромире имеет два возможных исхода - {появление некоторого события или его непоявление. Например, произошел распад ядра или нет, попала частица в детектор или нет, зарегистрирована или нет и т.п. Пусть р - вероятность появления интересую-
15
щего нас события, а (1 — р) - вероятность его отсутствия и произведено всего п испытаний. Требуется найти вероятность рп(х) того, что ров-
но х раз (х < п — целое) исходом будет появление события. Поскольку каждый последующий исход не зависит от того, каков был предыдущий, то вероятность получения одной определенной последовательности ис ходов (+, +,-,+,...,-,+) в цепочке из n испытаний при условии появ
ления события ровно х раз будет p x (1 p)n x |
, а таких различных по |
следовательностей для заданного х |
можно построить |
C x |
|
n! |
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|||
n |
|
x!(n x)! |
|
||||
|
|
|
|||||
- число сочетаний из n по х, Следовательно, |
|
||||||
pn (x) Cnx p x |
(1 p)n x |
n! |
p x (1 p)n x (1.29) |
||||
|
|
|
|||||
x!(n x)! |
|||||||
|
|
|
|
||||
Генеральная совокупность объемом п |
содержит значения |
х = 0,1,...,п, а набор pn (0), pn (1),....pn (n) представляет собой
функцию распределения случайной величины - числа X появления событий при п испытаниях. Выражение (1.29) называется биномиальным
п
|
n |
|
распределением. Можно показать, что px (x) 1 - математическое |
||
|
x 0 |
|
|
х-0 |
|
ожидание x для генеральной совокупности |
|
|
|
( Б ) p n , |
(1.30) |
|
x |
|
а дисперсия - |
|
|
D( Б ) |
p(1 p)n |
(1.31) |
x |
|
|
Верхний индекс в дальнейшем будем использовать для идентификации вида распределения: (Б) - биномиальное, (П) - пуассоновское.
< Пример 2. Биномиальное распределение.
Предположим, мы проводим эксперимент по измерению какойлибо небольшой активности и по условиям эксперимента мы можем произвести его только п раз подряд. Нам требуется узнать, какова вероятность того, что при измерениях будут отсутствовать отсчеты, принадлежащие фону. Нулевой фон может оказаться ни в одном случае из n, в одном, двух, трех и т.д. до п раз из п, следовательно, генеральная
совокупность числа нулевых отсчетов фона имеет вид 0, I, 2, ... , л.В
16
отдельном измерении возможны два исхода - либо зафиксирован ноль, либо какое-то число. Каждое измерение не зависимо от другого. Поэтому'функция распределения генеральной совокупности будет биномиальной. Пусть n=5, р=0.43 - вероятность того, что в отдельном измерении зафиксирован ноль, 1 -/7=0.57. Тогда функция распределения генеральной совокупности
р5(х) = c5 x 0,43x 0.575 x |
х=0,1,...,5. |
(1.32) |
|
Подставляя в (1.32) х=0, х=1 |
и |
т.д., получаем |
р5(0)=6.0210-2, |
р5 (1)=2.27 10 1 , p5(2)=3.4210 2 , |
р5(3)=2.5810 1 , р5(4)=9.7410-2, р5 |
(5)= 1.47-102. Математическое ожидание в соответствии с (1.30)
( Б ) =50.43=2.15, дисперсия (1.31) |
D( Б ) =0.430.57-5= 1.226, средне- |
||||
x |
|
|
|
x |
|
квадратичное отклонение ( Б ) |
= |
1.226 =1.11. Наиболее вероятное |
|||
|
|
ч |
|
|
|
значение х =2, при этом p |
5 |
(2) =3.42-10 1 , т.е. можно сказать, что |
|||
|
|
|
|
|
после пяти измерений подряд с вероятностью 0.342 в двух из них будет отсутствовать фон, а полное отсутствие фона в пяти измерениях подряд будет
наблюдаться только в 1.5%случаев (р5(5)= 1.47-10 2 ). Графически это распределение представлено на рис. 1.1.
Видно, что распределение несимметрично.
17
4. Распределение Пуассона и его аппроксимация
Биномиальное распределение (1.29) точно описывает вероятность появления дискретной случайной величины при любом числе испытаний п . Однако, когда п - велико и неизвестно, вычисление Cnx невозможно. Если п —> , р - очень мало, но п • р = x x = const, формулу (1.29) биномиального распределения можно преобразовать:
p |
|
(x) p(x) |
x |
(1.33) |
|
x e x . |
|||
|
|
x! |
|
|
|
|
|
|
Это т.н. распределение Пуассона. Оно описывает вероятность появления X событий при очень большом числе испытаний, когда вероятность отдельного события очень мала. [Например, имеем источник излучения с очень большим числом п радиоактивных ядер. Каждое ядро в заданный интервал времени X может либо распасться, либо нет.
Вероятность распада ядра p , где - вероятность распада за единицу времени - т.н. постоянная распада. Если эта вероятность очень ма-
ла и убыль ядер в источнике за время |
np n много меньше п, но |
||||||
конечна, то для числа X распавшихся за время ядер можно записать |
|||||||
|
|
|
|
|
(n ) x |
|
x |
p |
n |
(x) C x ( ) x (1 )n x p(x) |
|
e n |
x e x |
||
|
|||||||
|
n |
n |
|
x! |
|
x! |
|
|
|
|
|
|
|
||
|
|
Математическое |
ожидание ( ) |
np n , |
а дисперсия, в |
||
|
|
|
x |
|
|
|
|
соответствии с (1.31)
Dx( ) p(1 p) np
< Пример 3. Пуассоновское распределение.
( ) |
(1.35) |
|
x |
||
|
Пусть среднее число x распадов некоторого источника в единицу
времени равно 2.15 (как и в примере с биномиальным распределением). Тогда вероятность зарегистрировать за ту же единицу времени х =0, 1, 2, ... , оо распадов будет подчиняться распределению Пуассона с
x =2.15. Распределение вероятностей для генеральной совокупности |
||||
имеет вид p(0) =1.16510 1 , |
p(1) =2.50410 1 , p(2) =2.69210 1 , |
|||
р(3)=1.92910 1 , |
р(4)= 1.037-10 1 , |
р(5)=4.4610 2 , |
р(6)=1.60 10 2 |
р (20)=2.13310 13 , ... и представлено на рис. 1.2. Там же показано сред-
|
|
|
|
|
|
неквадратичное отклонение x |
|
Dx |
x |
1,47 и матема- |
|
тическое ожидание x |
|
|
|
|
|
|
|
|
|
|
|
18
В экспериментальной ядерной физике очень часто приходится довольствоваться одним измерением пуассоновской случайной величины -
числом зарегистрированных за некоторое время событий N э Тот
факт, что для пуассоновского распределения дисперсия генеральной совокупности равна математическому ожиданию и в записи функции распределения участвует лишь один параметр - то же самое математическое ожидание - позволяет установить границы доверительного интервала для генерального среднего по одному измерению случайной величины.
Ранее мы отмечали, что по выборке из одного измерения выборочную дисперсию определить нельзя и в данном случае требуется обязательная уверенность экспериментатора в том, что никаких помех
при измерениях не было, все события, включенные в N э
соответствуют проводимому эксперименту и N является элементом генеральной совокупности.
Если - доверительная вероятность, 1 - вероятность случайной величине из генеральной совокупности не попасть в выбранный доверительный интервал, то нам нужно выбрать два числа
N2 N3 и N1 |
Nэ в качестве границ доверительного интервала так, |
|||||||
чтобы, приняв в качестве оценки x( ) |
|
величину N2, вероятность по- |
||||||
лучить значение из генеральной совокупности, меньшее N э , не |
|
|
||||||
превышала |
И наоборот, приняв в качестве ( ) величину |
, |
|
|||||
2 |
|
|
|
|
x |
2 |
|
|
вероятность получить значение, большее N3, не превышала тоже |
. |
|||||||
Тем самым будет установлено |
|
|
|
2 |
|
|||
|
|
|
|
|
||||
|
p N |
1 |
( ) N |
2 |
1 |
(1.36) |
|
|
|
|
x |
|
|
|
|
Решение уравнений, составленных для двух указанных неравенств, опирается на связь распределения Пуассона с так называемым распределением 2 (хи-квадрат) и имеет вид
|
N2 |
|
1 |
2 |
|
2N |
э 2 ; |
N1 |
|
1 |
2 |
(2N |
э ) (1.37) |
|
2 |
|
2 |
||||||||||
|
|
|
1 |
|
2 |
|
|
|
|
2 |
|
||
где в записи |
2 |
( ) |
|
|
соответствует накопленной вероятности, а |
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
- число степеней свободы.
19
Распределение очень широко используется в математической
статистике и его таблицы приведены в любом справочнике по статистике.
Здесь не должно вызывать удивление существование верхней границы при N3 = 0. Следует отдавать себе отчет в том, что отсутствие событий за промежуток времени измерений не гарантирует их отсутствия вообще.
Возвратимся к примеру (1).
> Пример 4 Предположим, что при тех же условиях, что и в примере 1, мы
провели одно измерение и получили, например, N3 =107. Предполагая пуассоновское распределение, получаем для =0.95 из (1.37):
N2 12 02,975(216) 129.3,
N1 12 02,025(214) 87.7 .
Таким образом, с вероятностью а =0.95 значение x( ) накрыто интервалом, имеющим границы: 87.7 < x( ) < 129.3. Сравнивая
полученный
доверительный интервал с выборочным интервалом по выборке из 6 элементов из примера 1 видим, что здесь он значительно шире. <