- •В.В. Нешитой
- •Методы статистического анализа
- •На базе
- •Обобщенных распределений
- •Предисловие
- •Введение
- •I. Случайные события и их вероятности
- •1.1. Случайные события. Испытания. Относительная частота и вероятность
- •1.2. Виды случайных событий
- •1.3. Определения вероятности
- •1.4. Основные формулы комбинаторики
- •II. Основные теоремы теории вероятностей
- •2.1. Теорема сложения вероятностей (несовместных событий)
- •2.2. Теорема умножения вероятностей (независимых событий)
- •2.3. Формула полной вероятности
- •2.4. Теорема гипотез (формула Бейеса)
- •III. Дискретные случайные величины
- •3.1. Закон распределения вероятностей дискретной случайной величины
- •3.2. Числовые характеристики дискретной случайной величины
- •3.2.1. Математическое ожидание
- •3.2.2. Свойства математического ожидания
- •3.2.3. Дисперсия дискретной случайной величины
- •3.2.4. Свойства дисперсии
- •3.2.5. Среднее квадратическое отклонение
- •3.2.6. Одинаково распределенные взаимно независимые случайные величины
- •3.2.7. Моменты (начальные, центральные) дискретной случайной величины
- •4.2. Плотность распределения
- •4.3. Числовые характеристики непрерывных случайных величин
- •4.4. Примеры непрерывных распределений
- •4.4.1. Нормальный закон
- •5.2. Статистическое распределение выборки. Полигон. Гистограмма. Эмпирическая функция распределения
- •5.3. Статистические оценки параметров. Точность оценки, доверительная вероятность (надежность)
- •5.4. Метод моментов для точечной оценки параметров распределения
- •5.5. Метод наибольшего правдоподобия
- •VI. Обобщенные распределения. Системы непрерывных распределений
- •6.1. Методы построения обобщенных распределений
- •6.2. Построение системы непрерывных распределений методом обобщения
- •6.3. Классификация обобщенных распределений
- •Распределения группы а
- •Распределения группы б
- •Группа симметричных распределений
- •6.4. Распределения функций случайного аргумента
- •6.5. Три основные и три дополнительные системы непрерывных распределений в. Нешитого
- •VII. Оценивание параметров обобщенных распределений. Критерии для классификации кривых. Центральная предельная теорема
- •7.1. Метод наименьших квадратов
- •Значение функции распределения f(tc)
- •7.2. Метод наибольшего правдоподобия
- •7.3. Классический метод моментов
- •7.3.3. Симметричные распределения Ic-iiIc типов
- •7.3.4. Критерии для классификации кривых по методу моментов
- •7.4. Универсальный метод моментов
- •7.4.1. Законы распределения суммы независимых случайных величин
- •7.4.2. Центральная предельная теорема для трех систем непрерывных распределений
- •7.4.3. Законы распределения среднего выборочного
- •7.5. Общий устойчивый метод
- •VIII. Выравнивание и прогнозирование статистических распределений
- •8.1. Выбор системы непрерывных распределений для выравнивания статистических распределений
- •8.2. Построение выравнивающей кривой распределения по статистическим данным
- •8.2.1. Выравнивание по классическому методу моментов
- •8.2.2. Выравнивание по универсальному методу моментов
- •8.2.3. Выравнивание по общему устойчивому методу
- •8.2.4. Выравнивающее распределение суммы независимых случайных величин
- •8.2.5. Выравнивающее распределение среднего выборочного
- •8.3. Прогнозирование распределений
- •8.3.1. Первая система непрерывных распределений
- •8.3.2. Вторая система непрерывных распределений
- •Распределение населения страны по среднедушевому совокупному доходу, в % к итогу
- •8.3.3. Показатели стабильности и качества выборки
- •Iх. Статистический анализ точности и стабильности технологических процессов на базе обобщенных распределений
- •9.1. Показатели состояния технологического процесса
- •9.2. Пример статистической обработки результатов замера контролируемого параметра по программе
- •Контрольный листок Деталь №_____(название) ø50 мм ±0,012 Точность си 0,002 Дата________ Время_______
- •Отклонения от номинального размера детали «nn» ø50 ±0,012
- •Показатели статистического распределения ( )
- •9.3. Экономическая эффективность применения обобщенных распределений
- •9.4. Особенности применения статистических методов в области строительства
- •Х. Надежность как особый критерий качества
- •10.1. Некоторые показатели надежности для невосстанавливаемых объектов
- •Плотность распределения отказов
- •Интенсивность отказов
- •Гамма-процентный ресурс
- •10.2. Вычисление показателей надежности по обобщенным распределениям
- •Результаты наблюдений о наработке до отказа двигателей панелевозов (ti – пробег до отказа в тыс. Км.; mi – число панелевозов, имеющих наработку ti)
- •Показатели статистического распределения (snr2v97)
- •Логарифмическое распределение типа 1.1 с параметрами
- •XI. Временные (динамические) ряды
- •11.1. Методы выделения тренда
- •11.2. Построение кривых роста для выравнивания временных рядов
- •11.2.1. Построение кривых роста с заданными свойствами
- •11.2.2. Метод обобщения
- •11.2.3. Кривые роста на базе обобщенных распределений
- •11.3. Оценивание параметров кривых роста
- •11.3.1. Уравнение прямой
- •11.3.2. Экспонента
- •11.3.3. Обобщенная кривая роста
- •11.4. Прогнозирование временных рядов
- •11.4.1. Параметрический метод прогнозирования
- •11.4.2. Непараметрический метод прогнозирования
- •Заключение
- •Номограмма для установления типа выравнивающего распределения и нахождения оценок параметров k, u по методу моментов
- •Номограмма для установления типа выравнивающего распределения и нахождения оценок параметров k, u по общему устойчивому методу
- •Значения квантили в зависимости от уровня вероятности и числа степеней свободы r
- •Приложение 5
- •Литература
- •Содержание
3.2.5. Среднее квадратическое отклонение
Если извлечь из дисперсии квадратный корень, получим среднее квадратическое отклонение
.
Размерность величины та же, что и случайной величины Х.
Пример. По распределению
-
Х
2
3
10
р
0,1
0,4
0,5
требуется вычислить среднее квадратическое отклонение.
Решение.
Среднее квадратическое отклонение суммы взаимно независимых случайных величин равно
Доказательство.
Дисперсия суммы случайных величин равна
.
Тогда
.
3.2.6. Одинаково распределенные взаимно независимые случайные величины
Рассмотрим n взаимно независимых одинаково распределенных случайных величин Х1,Х2,…,Хn.
Для них среднее арифметическое равно
.
Докажем три положения [3]:
1. Математическое ожидание среднего арифметического n взаимно независимых одинаково распределенных случайных величин равно математическому ожиданию а каждой из величин
.
Доказательство:
.
2. Дисперсия среднего арифметического n взаимно независимых одинаково распределенных случайных величин в n раз меньше дисперсии D каждой из величин:
.
Доказательство:
Так как постоянный множитель можно выносить за знак дисперсии, возведя его в квадрат, то
.
3. (следует из п.2), т.е. среднее арифметическое n взаимно независимых одинаково распределенных случайных величин имеет значительно меньшее рассеяние (в раз), чем каждая отдельная величина.
3.2.7. Моменты (начальные, центральные) дискретной случайной величины
Начальный момент порядка r – это математическое ожидание случайной величины Хr
.
Например, начальные моменты первого и второго порядков равны
ν1=M(X); ν 2=M(X2).
Центральный момент порядка r задается формулой
,
при этом .
Центральный момент второго порядка представляет собой дисперсию.
Между начальными и центральными моментами существуют соотношения
Следовательно, формула для вычисления дисперсии может быть записана в виде
.
3.3. Примеры законов распределения дискретных случайных величин
3.3.1. Гипергеометрическое распределение
.
В партии из N изделий М стандартных (М<N). Из партии отбирают n изделий (без возврата).
Случайная величина m – число стандартных изделий среди n отобранных имеет гипергеометрическое распределение. Оно широко используется в статистических методах контроля качества продукции.
3.3.2. Биномиальный закон
Если в гипергеометрическом распределении объем партии изделий увеличивать, то гипергеометрическое распределение будет приближаться к биномиальному закону (М/N=р)
.
Здесь выборка – с возвращением!
3.3.3. Закон Пуассона
Следует из биномиального при n→∞ и малой вероятности р (величина np – постоянная)
,
где np – среднее. При и q (или р) ≤ 0,1 закон Пуассона можно использовать вместо гипергеометрического.
IV. НЕПРЕРЫВНЫЕ СЛУЧАЙНЫЕ ВЕЛИЧИНЫ
4.1. Функция распределения
Функцией распределения (интегральной функцией распределения) случайной величины Х называется функция F(х), значения которой равны вероятностям Р(Х<x)
F(x)=P(X<x)=P(–∞<X<x).
Из этого определения вытекают следующие свойства функции распределения:
0F(x)1.
F(b)F(а) при b>a, т.е. функция распределения - неубывающая.
P(aX<b)=F(b)–F(a).
, если распределение задано на всей числовой оси.
5. Если между двумя случайными величинами Х и Y существует функциональная зависимость Y=φ(X), причем, с ростом Х монотонно растет и Y, то их функции распределения равны
F(x)=F(y)=F(φ(x)).
6. Если с ростом Х величина Y монотонно убывает, то
F(x)=1–F(y)=1- F(φ(x)).