- •ПРЕДИСЛОВИЕ
- •ОСНОВНЫЕ ОБОЗНАЧЕНИЯ
- •1. КОМБИНАТОРИКА
- •2. ТЕОРИЯ ВЕРОЯТНОСТЕЙ
- •2.1. Классическое определение вероятности
- •2.2. Геометрические вероятности
- •2.3. Теоремы сложения и умножения вероятностей
- •2.4. Формула полной вероятности
- •2.5. Формулы Байеса
- •2.6. Повторные независимые испытания
- •2.6.1. Формула Бернулли
- •2.6.2. Обобщенная формула Бернулли
- •2.7. Простейший (пуассоновский) поток событий
- •2.8. Случайные величины. Функция распределения. Функция плотности вероятности. Числовые характеристики
- •2.8.1. Случайные величины
- •2.8.2. Функция распределения
- •2.8.3. Функция плотности вероятности
- •2.8.4. Числовые характеристики случайных величин
- •2.9. Нормальный закон распределения
- •2.10. Асимптотика схемы независимых испытаний
- •2.10.2. Формула Пуассона
- •2.11. Функции случайных величин
- •2.12. Функции нескольких случайных аргументов
- •2.12.1. Свертка
- •2.12.2. Распределение системы двух дискретных случайных величин
- •2.12.3. Распределение функции двух случайных величин
- •2.13. Центральная предельная теорема
- •2.14. Ковариация
- •2.14.1. Корреляционная зависимость
- •2.14.2. Линейная корреляция
- •2.15. Функциональные преобразования двухмерных случайных величин
- •2.16. Правило «трех сигм»
- •2.17. Производящие функции. Преобразование Лапласа. Характеристические функции
- •2.17.1. Производящие функции
- •2.17.2. Преобразование Лапласа
- •2.17.3. Характеристические функции
- •3. МАТЕМАТИЧЕСКАЯ СТАТИСТИКА
- •3.1. Точечные оценки
- •3.1.1. Свойства оценок
- •3.1.2. Оценки для математического ожидания и дисперсии
- •3.1.3. Метод наибольшего правдоподобия для оценки параметров распределений
- •3.1.4. Метод моментов
- •3.2. Доверительный интервал для вероятности события
- •3.3. Проверка гипотезы о равенстве вероятностей
- •3.4. Доверительный интервал для математического ожидания
- •3.4.1. Случай большой выборки
- •3.4.2. Случай малой выборки
- •3.5. Доверительный интервал для дисперсии
- •3.6. Проверка статистических гипотез
- •3.6.1. Основные понятия
- •3.6.2. Критерий согласия «хи-квадрат»
- •3.6.3. Проверка гипотезы о независимости двух случайных величин
- •3.6.4. Проверка параметрических гипотез
- •3.6.5. Проверка гипотезы о значении медианы
- •3.6.6. Проверка гипотезы о равенстве математических ожиданий
- •3.7. Регрессионный анализ. Оценки по методу наименьших квадратов
- •3.8. Статистические решающие функции
- •4. СЛУЧАЙНЫЕ ПРОЦЕССЫ
- •4.1 Стационарные случайные процессы
- •4.2. Преобразование случайных процессов динамическими системами
- •4.3. Процессы «гибели и рождения»
- •4.4. Метод фаз Эрланга
- •4.5. Марковские процессы с дискретным множеством состояний. Цепи Маркова
- •4.6. Марковские процессы с непрерывным временем и дискретным множеством состояний
- •4.7. Модели управления запасами
- •4.8. Полумарковские процессы
- •5. НЕКОТОРЫЕ ИНТЕРЕСНЫЕ ЗАДАЧИ
- •БИБЛИОГРАФИЧЕСКИЙ СПИСОК
- •ПРИЛОЖЕНИЯ
- •ОГЛАВЛЕНИЕ
|
|
|
æ |
1 |
|
|
1 |
ö |
||
2,06 × 0,31× |
0,69 |
ç |
|
|
|
+ |
|
÷ = 0,135. |
||
225 |
64 |
|||||||||
|
|
|
è |
|
ø |
|||||
Реальная разность частот равна |
|
78 |
- |
12 |
|
=0,09 < 0,135. |
||||
225 |
|
|||||||||
|
|
64 |
|
|
|
|
||||
Предположение о равенстве вероятностей не противоречит опытным |
||||||||||
данным. |
|
|
|
|
|
|
|
|
|
|
Ответ. Предположение о равенстве вероятностей правдоподобно. |
||||||||||
Задача 3.7. В серии из n1 |
|
независимых опытов событие A появилось |
k1 раз, а в серии изn2 |
независимых опытов это событие появилосьk2 раз. |
|||||||||||||
При |
уровне |
значимостиb можно ли считать, что вероятность появления |
||||||||||||
события A в этих сериях одинакова? (См. пример 3.71 и исходные данные.) |
||||||||||||||
|
Исходные данные к задаче 3.7. |
|
|
|
|
|
|
|
||||||
№ |
n1 |
|
k1 |
n2 |
|
k2 |
b |
№ |
n1 |
k1 |
n2 |
k2 |
b |
|
1 |
75 |
|
14 |
181 |
|
50 |
0,05 |
16 |
76 |
8 |
132 |
21 |
0,05 |
|
2 |
65 |
|
26 |
50 |
|
31 |
0,05 |
17 |
61 |
9 |
120 |
14 |
0,02 |
|
3 |
80 |
|
22 |
35 |
|
7 |
0,02 |
18 |
68 |
8 |
96 |
21 |
0,05 |
|
4 |
120 |
|
19 |
40 |
|
12 |
0,05 |
19 |
92 |
27 |
36 |
9 |
0,05 |
|
5 |
100 |
|
29 |
60 |
|
22 |
0,02 |
20 |
112 |
8 |
400 |
64 |
0,02 |
|
6 |
72 |
|
18 |
90 |
|
13 |
0,05 |
21 |
45 |
7 |
300 |
25 |
0,05 |
|
7 |
95 |
|
19 |
70 |
|
9 |
0,05 |
22 |
30 |
2 |
80 |
12 |
0,05 |
|
8 |
80 |
|
11 |
30 |
|
2 |
0,02 |
23 |
400 |
35 |
600 |
76 |
0,02 |
|
9 |
400 |
|
112 |
160 |
|
50 |
0,05 |
24 |
196 |
29 |
64 |
4 |
0,05 |
|
10 |
140 |
|
21 |
50 |
|
4 |
0,05 |
25 |
175 |
25 |
38 |
3 |
0,05 |
|
11 |
56 |
|
14 |
120 |
|
41 |
0,02 |
26 |
160 |
57 |
400 |
111 |
0,02 |
|
12 |
64 |
|
13 |
256 |
|
76 |
0,0 |
27 |
110 |
24 |
50 |
4 |
0,05 |
|
13 |
52 |
|
20 |
140 |
|
81 |
0,05 |
28 |
140 |
81 |
52 |
20 |
0,02 |
|
14 |
130 |
|
71 |
48 |
|
33 |
0,02 |
29 |
60 |
22 |
100 |
27 |
0,05 |
|
15 |
82 |
|
14 |
56 |
|
4 |
0,05 |
30 |
140 |
23 |
50 |
4 |
0,05 |
|
3.4.Доверительный интервал для математического ожидания
3.4.1.Случай большой выборки
Пусть закон распределения случайной величиныХ неизвестен. Неизвестны так же М ( X ) и D( X ), причем D( X ) < ¥. Над случайной величиной проделано n независимых наблюдений и получена выборка значений Х1, Х 2 ,K, Х n . Построим доверительный интервал для
математического ожидания на основе точечной оценки X .
Если число наблюденийn достаточно велико(хотя бы несколько десятков), то
192
|
|
|
|
|
|
= |
Х1=+ Х 2 +K+ Х n |
X1 |
+ |
X 2 |
+K+ |
X n |
|
|
|
|
|
|
||||||||||||||
|
|
|
|
X |
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
n |
n |
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
n |
|
n |
|
|
|
|
|
|
|
|
|
||||||||||
представляет из себя сумму большого числа одинаково распределенных |
||||||||||||||||||||||||||||||||
независимых слагаемых с ограниченной дисперсией. На основании |
||||||||||||||||||||||||||||||||
центральной |
|
предельной |
|
|
теоремы |
можно |
|
|
|
|
|
|
|
|
имеет |
|||||||||||||||||
|
|
утверждать, что X |
|
|||||||||||||||||||||||||||||
близкий |
к |
|
нормальному |
закон |
|
|
|
|
распределения. Параметры |
этого |
||||||||||||||||||||||
нормального |
|
|
закона |
|
|
определяются |
, |
|
|
|
|
|
|
) = М ( X ) и |
||||||||||||||||||
|
|
чтотем М ( X |
||||||||||||||||||||||||||||||
|
|
) = D( X ) / n . Поэтому окончательно можно утверждать, что |
|
|||||||||||||||||||||||||||||
D( X |
|
|||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
æ |
|
|
D( X ) |
ö |
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
X : N ç |
М ( Х ), |
|
|
|
|
|
|
|
÷ . |
|
|
|
|
|
|
|
|
|
(3.4.1) |
|||
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
è |
|
|
|
ø |
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
Запись формулы (2.9.3) для этого закона распределения имеет вид |
||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
æ |
|
|
|
|
|
ö |
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ç |
|
|
|
|
e |
÷ |
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
P(| Х - М ( Х ) |< e) =2Fç |
|
|
|
|
|
|
÷ . |
|
|
|
|
|
(3.4.2) |
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ç |
|
|
D(x) ÷ |
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ç |
|
|
|
|
|
|
÷ |
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
è |
|
|
|
|
ø |
|
|
|
|
|
|
|
|
Зададим вероятность g и по таблице функции Лапласа(см. прил. 1, |
|
||||||||||||||||||||||||||||||||||||||||||
табл. П2) |
выберем такое tg, |
чтобы 2F(=t |
) |
|
|
|
g. Тогда t |
|
= e / |
|
D(x) |
|
, |
откуда |
|
|||||||||||||||||||||||||||||
g |
|
|
|
|||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
g |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
e = tg |
|
D(x) |
|
. Если такое e подставить в (3.4.2), то получим |
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||||
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
æ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ö |
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
D( X ) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
D( X ) |
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
Рç X – tg |
|
|
|
|
|
|
|
< M ( X ) < X + t=g |
|
|
|
|
|
|
|
÷ |
g, |
|
|
|
|
|
(3.4.3) |
|
|||||||||||||||||
|
|
|
|
|
|
n |
|
|
|
n |
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
è |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ø |
|
|
|
|
|
|
|
|
|
|||||||||
|
Если дисперсия случайной |
величины |
известна, то |
формула (3.4.3) |
|
|||||||||||||||||||||||||||||||||||||||
решает задачу. |
|
|
с М ( X ) |
|
|
|
|
|
|
|
и D( X ), |
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
Если вместе |
|
|
неизвестна |
то |
из |
тех же |
опытных |
|
|||||||||||||||||||||||||||||||||||
данных |
можно |
получить несмещенную |
и |
состоятельную |
оценку для |
|
||||||||||||||||||||||||||||||||||||||
дисперсии по формуле: |
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
)2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
D( X ) » s2 |
å( Х i - X |
|
|
|
|
|
|
|
|
|
|
|
|
(3.4.4) |
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
i=1 |
|
|
|
|
|
= |
|
|
× |
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
Тогда (3.4.3) имеет вид |
|
|
|
|
|
|
|
|
n -1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
æ |
|
|
|
|
|
s |
|
|
|
|
|
|
|
|
|
|
|
|
s |
ö |
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
Рç X – tg |
|
|
|
|
|
< M ( X ) |
< X + t=g |
|
|
|
|
|
÷ |
|
|
g. |
|
|
|
|
|
|
(3.4.5) |
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
n |
|
|
n |
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
è |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ø |
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
В выводе формул (3.4.3) и (3.4.5) ключевую роль играет тот факт, что |
|
||||||||||||||||||||||||||||||||||||||||||
при большом числе независимых наблюдений среднее арифметическое их |
|
|||||||||||||||||||||||||||||||||||||||||||
результатов имеет близкий к нормальному закон распределения. Эту |
|
|||||||||||||||||||||||||||||||||||||||||||
формулу |
|
|
можно |
|
|
|
использовать |
|
|
|
|
для |
|
|
|
|
|
любой |
|
случайной |
величины |
с |
193
ограниченной дисперсией, лишь бы число наблюдений было достаточно велико (хотя бы несколько десятков).
|
Пример 3.8. По результатам 100 наблюдений случайной величины X |
|
|||||||||
|
|
= 20,4 |
|
||||||||
найдены оценки математического ожидания и дисперсии, равные Х |
|
||||||||||
и |
s2 = 3,62 . |
Требуется |
построить |
доверительный |
интервал |
для |
|||||
математического |
ожидания |
последовательно |
для |
уровней |
|
надежности |
|||||
g = 0,9 , g = 0,99 и g = 0,999. |
|
|
|
|
|
|
|
|
|||
|
Решение. По таблице функции Лапласа(см. прил., табл. П2) находим, |
|
|||||||||
что |
2F(1, 65) = 0,9 , откуда |
tg =1,65. |
Для |
уровня надежностиg = 0,99 |
|
||||||
соответствующее |
значение tg =2,58 , |
а для |
g = 0,999 |
имеем tg =3, 28 . |
|
||||||
Подставляя |
полученные |
значения |
(3.в4.5) |
можем |
утверждать, что |
|
20,09 < M ( X ) < 20,71 при уровне надежности g = 0,9 ; 19,91 < M ( X ) < 20,89
при |
уровне |
надежностиg = 0,99 ; 19,78 < M ( X ) < 21,02 |
при |
уровне |
надежности g = 0,999 . |
|
|
||
|
Ответ. |
19,78 < M ( X ) < 21,02 при g = 0,999 . |
|
|
Задача 3.8. По результатамn независимых наблюдений получены оценки математического ожидания( X ) и дисперсии (s2) случайной величины X. Постройте доверительные интервалы для математического ожидания этой случайной величины при уровнях надежностиg = 0,95 и
g = 0,98. (См. пример 3.8 и исходные данные.)
Исходные данные к задаче 3.8.
№ |
n |
|
|
|
s2 |
|
№ |
n |
|
|
|
s2 |
№ |
n |
|
|
|
|
s2 |
№ |
n |
|
|
|
s2 |
|
||
X |
|
X |
|
X |
|
|
X |
|
||||||||||||||||||||
1 |
64 |
1,2 |
4,5 |
|
9 |
|
100 |
2,5 |
1,4 |
17 |
|
75 |
3,2 |
|
1,44 |
25 |
64 |
5,3 |
4,8 |
|
||||||||
2 |
81 |
–1 |
2,25 |
|
10 |
|
70 |
1,4 |
1,96 |
18 |
|
60 |
–2 |
|
1,96 |
26 |
70 |
–1 |
2,25 |
|
||||||||
3 |
90 |
4,8 |
3,2 |
|
11 |
|
64 |
1,3 |
4,2 |
19 |
|
55 |
3,4 |
|
4,8 |
27 |
64 |
4,8 |
3,2 |
|
||||||||
4 |
85 |
–2 |
4 |
|
12 |
|
81 |
2,1 |
2,25 |
20 |
|
64 |
4,8 |
|
4 |
28 |
81 |
–2 |
4 |
|
||||||||
5 |
60 |
3,5 |
1,96 |
|
13 |
|
100 |
2,4 |
1,6 |
21 |
|
81 |
–2 |
|
1,96 |
29 |
100 |
3,5 |
1,96 |
|
||||||||
6 |
55 |
4,2 |
3,6 |
|
14 |
|
64 |
4,2 |
1,44 |
22 |
|
90 |
3,5 |
|
3,6 |
30 |
64 |
2,5 |
1,4 |
|
||||||||
7 |
68 |
2,8 |
2,25 |
|
15 |
|
90 |
3,5 |
4 |
23 |
|
85 |
4,2 |
|
2,25 |
31 |
90 |
1,4 |
1,96 |
|
||||||||
8 |
56 |
1,6 |
2,56 |
|
16 |
|
81 |
4,2 |
2,56 |
24 |
|
60 |
2,8 |
|
2,56 |
32 |
81 |
1,3 |
4,2 |
|
||||||||
|
Пример 3.9. |
По |
сгруппированным |
данным |
наблюдений |
случайной |
величины построить доверительный интервал для ее математического ожидания, соответствующий уровню надежности g = 0,98.
Интервалы |
(0;4) |
(4;8) |
(8;12) |
(12;16) |
(16;20) |
Число наблюдений |
12 |
29 |
42 |
21 |
16 |
194
Решение. Представителем каждого интервала можно считать его середину. В данной серии из 120 наблюдений
Х = 2 ×12 +6 × 29 +10 × 42 +14 × 21 +18 ×1690 =10. 120
По формуле (3.1.3) оценим дисперсию случайной величины: s2 » s2 =
= |
(2 -10)2 ×12 + (6 -10)2 × 29 + (10 -10)2 |
× 42 + (14 -10)2 21 + (18 -10)2 ×16 |
= 21,78, |
||||||||||||||
|
|
|
119 |
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
s » 4, 67. |
|
|
|
|
|
|
|
|
|
|
Общее |
число |
наблюдений велико. Поэтому, безотносительно к |
||||||||||||||
закону распределения случайной величины, можно |
воспользоваться |
||||||||||||||||
формулой (3.4.3). |
Из |
таблицы функции |
Лапласа(см. прил., |
табл. П2) |
|||||||||||||
находим, что 2F(2,33) = 0,98 , т.е. tg |
= 2,33. Поэтому |
|
|
|
|||||||||||||
|
|
10 – 2,33 |
|
4,67 |
|
< M ( X ) <10 + 2,33 |
4,67 |
|
, |
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
120 |
|
|
|
|
120 |
|
|
|
|
|
|||
или 9,01 < M ( X ) <10,99 . |
|
|
|
|
|
|
|
|
|
||||||||
|
Ответ. 9,01 < M ( X ) <10,99 . |
|
|
|
|
|
|
|
|
|
|||||||
|
Задача |
3.9. |
Результаты |
наблюдений |
|
случайной |
|
величиныX |
|||||||||
представлены |
в |
виде статистического |
ряда. Постройте |
доверительные |
интервалы для математического ожидания этой величины для уровней
надежности g = 0,9 |
и |
g = 0,95 . |
(См. |
пример 3.9 |
и исходные данные к |
|||||||||||||
задаче 3.12.) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
У к а з а н и е . |
Иногда результаты наблюдений случайной величины |
||||||||||||||||
предварительно группируют и представляют в виде статистического ряда |
||||||||||||||||||
|
X |
|
|
|
|
(x1; x2 ) |
|
(x2 ; x3 ) |
|
K |
|
|
|
(xk ; xk +1 ) |
|
|||
|
Число наблюдений |
|
n1 |
|
|
n2 |
|
K |
|
|
|
|
nk |
|
||||
|
В этом случае для |
оценки |
математического ожидания и дисперсии |
|||||||||||||||
используют формулы: |
|
k |
|
|
|
|
k |
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
åuini |
|
|
|
|
|
)2 ni |
||||||
|
|
|
|
|
|
|
|
|
å(ui - X |
|||||||||
|
M ( X ) » X |
= |
i=1 |
|
и D( X ) » s2 = |
i=1 |
|
, |
|
|||||||||
|
n |
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
n -1 |
где ui = (xi+1 + xi ) / 2 –– середина i-го интервала. Считается, что величина ui наблюдалась ni раз.
|
3.4.2. Случай малой выборки |
|
|
|
||
При |
небольшом числе наблюдений для построения доверительного |
|||||
интервала |
необходима |
информация |
о |
типе |
закона |
распределения |
195
случайной величины. Рассмотрим задачу в практически важном случае, когда случайная величинаХ имеет нормальный закон распределения
N (m;s2 ).
Если s2 известно, а |
неизвестно лишьm, то при независимых |
|
||||||||||||||||||||
наблюдениях |
|
|
можно |
|
|
|
воспользоваться |
|
свойством |
устойчивост |
||||||||||||
нормального закона распределения. Согласно этому свойству сумма |
|
|||||||||||||||||||||
независимых случайных величин, подчиненных нормальному закону |
|
|||||||||||||||||||||
распределения, сама имеет нормальный закон распределения. Поэтому в |
|
|||||||||||||||||||||
названных |
условиях |
и |
|
при |
небольшом |
|
числе |
наблюдений |
можно |
|||||||||||||
|
|
имеет нормальный закон распределения и использовать |
|
|||||||||||||||||||
утверждать, что Х |
|
|||||||||||||||||||||
формулу (3.4.3). |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
Если дисперсия s2 неизвестна, то при небольшом числе наблюдений |
|
|||||||||||||||||||||
ее оценка на основе опытных данных получается грубой и формула(3.4.5) |
|
|||||||||||||||||||||
не решает задачи построения доверительного интервала. В этом случае |
|
|||||||||||||||||||||
|
æ |
|
|
|
s |
|
|
|
|
|
s |
ö |
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
P ç X |
- tg |
|
|
|
|
< m |
< X +t=g |
|
|
|
÷ |
g |
|
|
(3.4.6) |
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
n |
|
n |
|
|
|
||||||||||||
|
è |
|
|
|
|
|
|
|
|
|
|
ø |
|
|
|
|
|
где соответствующее tg при заданном уровне надежностиg находят по таблице распределения Стьюдента (см. прил., табл. П3) для n – 1 степени свободы.
Формула (3.4.6) по структуре похожа на формулу(3.4.5), но tg в этих формулах определяется по разным таблицам.
Пример 3.10. Измерения сопротивления резистора дали следующие
результаты (в |
омах): |
Х1 = 592 , |
Х 2 = 595 , |
Х 3 = 594 , Х 4 = 592 , |
Х 5 = 593 , |
|||||||||
Х 6 = 597 , |
Х 7 = 595 , Х8 = 589 , |
Х 9 = 590 . Известно, что ошибки измерения |
||||||||||||
имеют |
нормальный |
|
|
закон |
распределения. Систематическая |
|
ошибка |
|||||||
отсутствует. |
Построить |
доверительный |
интервал |
для |
истинного |
|||||||||
сопротивления резистора с надежностью 0,99 в предположении: |
|
|
||||||||||||
а) дисперсия ошибки измерения известна и равна четырем; |
|
|
||||||||||||
б) дисперсия ошибки измерения неизвестна. |
|
|
|
|
||||||||||
Решение. В данной серии из девяти наблюдений |
|
|
|
|||||||||||
|
|
|
|
|
= |
592 +595+K +590 |
= 593. |
|
|
|
||||
|
|
|
Х |
|
|
|
||||||||
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
9 |
|
|
|
|
|
|
а) |
Если |
дисперсия |
|
ошибки |
измерения |
известна, то |
можно |
|||||||
воспользоваться формулой (3.4.3). Для этого из таблицы функции Лапласа |
||||||||||||||
(см. прил., табл. П2) находим, что 2F(2,58) = 0,99, |
т.е. уровню надежности |
0,99 соответствует значение tg =2,58. Тогда по формуле (3.4.3)
593 - 2,58 × |
2 |
|
< M ( X ) < 593 + 2,58 × |
2 |
||
|
|
|
|
|
||
9 |
9 |
196