можно записать
Ф( 60σ− m )= 1-Ф( m σ− 60 )= 0,02, т.е. Ф( m σ− 60 )= 0,98.
По табл.11 находим, что Ф(х)= 0,98 соответствует х=2,056, т.е. m σ− 60 = 2,056.
Таким образом |
m-2.056σ =60. |
Из второго условия следует P{X<90}=F(90)=Ф( |
90 − m |
) = 0,84 ; по табл. 3 |
|||
|
|||||
|
σ |
90 − m |
|
||
находим аргумент для значения функции 0,84 и получаем |
=0,995 , |
||||
σ |
|||||
отсюда m+0,995σ =90. |
|
||||
|
|
Таким образом получаем систему уравнений относительно параметров m
иσ :
m − 2.056σ = 60,m + 0,995σ = 90
Вычисляем из системы искомые параметры: 3,051σ =30, σ 9,83, m=60+2,05 9,83 80,15.
Итак, Μ[ξ ]=80,15, аξ =9,83.
3. Элементы математической статистики
Перед тем как приступить к решению второй половины третьей задачи, следует изучить такие понятия, как выборка, случайные числа; случайные числа распределенные по определенному закону; эмпирические (экспериментальные) ряд и функция распределения; оценки параметров распределения; метод жребия моделирования дискретной величины; критерии Пирсона оценки достоверности гипотезы, доверительные вероятности и интервалы. Следует разобрать примеры 10,11.
Коротко рассмотрим, в чем заключается метод жребия моделирования дискретной случайной величины. Пусть событие А может произойти с вероятностью р, и пусть очередное значение случайного числа ri (случайное число – значение непрерывной случайной величины, равномерно распределенной в интервале [0,1]). Если ri ≤ р , то оно принадлежит интервалу [0, p], поэтому считаем, что событие А наступило. Если ri>р, то
считается, что событие А не наступило.
Поскольку значения случайной величины ни что иное как случайные события, процедура моделирования дискретной случайной величины с заданным законом распределения аналогична моделированию случайного события.
Пусть дискретная случайная величина задана теоретическим рядом распределения.
η |
х1 |
х2 |
х3 |
… |
хn |
pi |
р(х1) |
р(х2) |
р(х3) |
… |
р(хn) |
Присваиваем случайной величине η значение х1, если значение случайного числа ri≤p(х1), значение х2, если p(х1)<ri≤p(х1)+p(х2), т.е. в общем случае, если
m −1 |
m |
|
∑ |
p(хi) < r j ≤ |
∑ p(xi ), то случайной величине η присваивается значение хm |
i =1 |
|
i =1 |
Пример 10.
Дискретная случайная величина задана рядом распределения, приведенным в табл.3.
|
|
|
|
Таблица 3 |
|
хi |
0 |
5 |
10 |
15 |
|
pi |
0.6189 |
0.0896 |
0.2547 |
0.0368 |
|
1. Построить модель этой случайной величины для партии из 25 приборов (методом жребия получить её 25 значений); найти экспериментальные ряд и функцию распределения, построить их графики;
2. Найти оценки математического ожидания, дисперсии и среднего квадратического отклонения;
3. С помощью критерия Пирсона оценить соответствие экспериментального распределения теоретическому при уровнях значимости
α1=0.01, α2= 0.05.
Решение. 1. Приступим к построению модели данной случайной величины. Этот процесс будем осуществлять методом жребия с помощью случайных чисел rj, т.е. значений случайной величины равномерно распределенной в интервале [0,1). Эти значения приведены в табл.9 приложения. Моделируемые значения случайной величины обозначим Zj (j= 1,2,…,25). Заметим, что каждое из них следует рассматривать как случайную величину.
Для рассматриваемой случайной величины правило моделирования примет вид:
η примет значение 0, если rj ≤ 0.6189,
значение 5, если 0.6189< rj≤ 0.7085, значение 10, если 0.7085< rj≤ 0.9631,
значение 15, если ri> 0.9631.
Для удобства использования правила можно свести в табл. 4 или изобразить на рис. 7.
|
|
Таблица 4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Интервал |
|
zj |
|
|
Z=0 |
|
|
Z=5 |
|
|
Z=10 |
|
Z=15 |
|
|
1 |
0;0.619 |
|
0 |
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|||||||||
|
0 |
|
|
|
|
|
|
|
||||||||
2 |
0.619; 0.708 |
|
5 |
0.619 |
0.70 |
0.963 |
1.0 |
|
||||||||
|
|
|
|
ri |
|
|
|
|
|
|
|
|
|
|
|
|
3 |
0.708; 0.963 |
|
10 |
|
|
|
Рис.7 |
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
||||||
4 |
0.963; 1.000 |
|
15 |
|
|
|
|
|
|
|
|
|
|
|||
|
Замечание. Поскольку в |
табл.1 |
даны |
только 2 знака мантиссы, |
||||||||||||
значения границ интервалов округлили до трех знаков после запятой. |
|
|
Приступая к моделированию, η возьмем первое число из табл. 1. Для того х, чтобы начало было случайным, воспользуемся днем рождения решающего задачу. Допустим, он родился 9 марта. Поэтому начнем с 9-й строки 3-го столбца. Это число 67, следовательно, r1= 0.67, оно принадлежит второму интервалу [0.619;0.708], поэтому х1=5. Таким образом, найдена стоимость ремонта первого прибора. Аналогично моделируются стоимости остальных приборов. Далее случайные числа будем выбирать двигаясь, например, по строкам влево или вправо. Второе число 43, т.е. r2=0.43, оно из интервала [0;0.619], поэтому х2=0. Сведем процесс нахождения реализаций η в табл.5.
|
|
|
|
|
|
Таблица 5 |
|
j |
rj |
интервал |
zj |
j |
rj |
интервал |
zj |
1 |
0.67 |
0.619;0.708 |
5 |
13 |
0.35 |
0;0.619 |
0 |
2 |
0.43 |
0;0.619 |
0 |
14 |
0.98 |
0.965;1.000 |
15 |
3 |
0.97 |
0.963;1.000 |
15 |
15 |
0.95 |
0.708;0.963 |
10 |
4 |
0.04 |
0;0.619 |
0 |
16 |
0.11 |
0;0.619 |
0 |
5 |
0.43 |
0;0.619 |
0 |
17 |
0.68 |
0.6194;0.708 |
5 |
6 |
0.62 |
0.619;0.708 |
5 |
18 |
0.77 |
0.708;0.963 |
10 |
7 |
0.76 |
0.705;0.963 |
10 |
19 |
0.12 |
0;0.619 |
0 |
8 |
0.59 |
0;0.619 |
0 |
20 |
0.17 |
0;0.619 |
0 |
9 |
0.63 |
0.619;0.708 |
5 |
21 |
0.17 |
0;0.619 |
0 |
10 |
0.57 |
0;0.619 |
0 |
22 |
0.68 |
0.619;0.708 |
5 |
11 |
0.33 |
0;0.619 |
0 |
23 |
0.33 |
0;0.619 |
0 |
12 |
0.21 |
0;0.619 |
0 |
24 |
0.73 |
0.708;0.963 |
10 |
|
|
|
|
25 |
0.79 |
0.708;0.963 |
10 |
|
Найдем |
экспериментальный |
ряд распределения, для чего подсчитаем |
частоты mi, равные числу приборов с данной стоимостью ремонта, т.е. числу появлений значений хj, вычислим их относительные частоты, т.е. оценки
вероятностей р* mi и занесем результаты в табл.6.
i =
25
|
|
|
|
15 |
Таблица 6 |
|
xi |
0 |
5 |
10 |
|
Σ |
|
mi |
13 |
5 |
5 |
2 |
|
25 |
р*i |
0.52 |
0.20 |
0.20 |
0.08 |
|
1.00 |
Найдем экспериментальную функцию распределения F*(х)=
0 |
при х < 0, |
0.52 |
при 0 ≤ х < 5, |
|
|
F*(х)= 0.72 |
при 5 ≤ х <10, |
0.92 |
при 10 ≤ х <15, |
|
|
|
≥15 |
1.00 при х |
∑ pi* :
х<хi
Построим экспериментальные многоугольник распределения и функцию распределения (рис. 8). Для наглядности сравнения теоретических и экспериментальных кривых построим штриховыми линиями теоретические кривые.
Рис.8 2. Найдем оценки числовых характеристик. Для вычисления оценок
математического ожидания, дисперсии и среднего квадратического отклонения воспользуемся формулами:
k
m* = ∑xi рi , (8)
i =1
где k- число различных значений случайной величины;
D[η]= ∑k |
(xi − m*)2 |
рi |
|
|
|
(9) |
i=1 |
|
|
|
|
|
|
или |
[η2]− ( *)2 = ∑k |
|
|
− ( *)2 . |
|
|
D * [η]= M * |
2 |
р |
(10) |
|||
|
m |
i=1 |
хi |
i |
m |
|
|
|
|
|
|
|
Поскольку формулы (6) и (7) дают смещенную оценку дисперсии, несмещенную оценку найдем по формуле
D * [η] |
= |
n |
|
D * [η] |
. |
|
|
(11) |
|
n −1 |
|
|
|||||||
несм |
|
смещ |
|
n |
|
|
|||
Замечание. При больших значениях n коэффициент |
очень близок |
||||||||
n −1 |
|||||||||
|
|
|
|
|
|
|
к единице, и можно считать оценку, вычисленную по формулам (9) или (10), оценкой несмещенной дисперсии.
Вычисления сведем в табл. 7, аналогичную табл.2. |
|
Таблица 7 |
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
xi |
|
0 |
|
5 |
|
|
10 |
|
15 |
Σ |
|
|
|
p*i |
|
0.52 |
0.20 |
|
|
0.20 |
|
0.08 |
1.00 |
= m* |
|
|||
xi |
* |
|
0 |
1.00 |
|
|
2.00 |
|
1.20 |
4.20 |
|
|||
pi |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
* |
|
0 |
5.00 |
|
|
20.00 |
|
18.00 |
43.00 |
= M |
* |
2 |
|
xi |
pi |
|
|
|
|
|
|
|
|
|
|
[η ] |
||
|
|
|
|
|
|
|
|
|
|
|
|
= (m * )2 |
||
|
|
|
|
|
|
|
|
|
|
|
17.64 |
|||
|
|
|
|
|
|
|
|
|
|
|
25.36 |
= D* [η]см |
||
|
|
|
Dнесм* |
[η]= |
25 |
|
D*см =1.0417 25.36 = 26.418 , |
|
|
|
||||
|
|
|
25 −1 |
|
|
|
||||||||
|
|
|
|
|
|
ση* = 5.140 . |
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
Сравнив полученные результаты с теоретическими (см. пример 5), |
|||||||||||||
видим, |
что экспериментальные |
|
характеристики отличаются от полученных |
из исходного ряда распределения. Для того чтобы получить более близкие результаты, следует существенно увеличить число реализаций случайной величины.
3. Проверим соответствие закона распределения полученной случайной величины F*(х) заданному закону распределения F(x), используя критерий Пирсона.
Для этого определяется случайная величина
χ2 = ∑k (mi − npi )2 , i=1 npi
где k – число значений случайной величины;
mi - число появлений значений случайной величины η; pi - теоретическая вероятность значения;
n - объем моделируемой выборки ( npi - ожидаемое число появлений значения хi при n реализациях случайной величины). Величина χ2, называемая “хи-квадрат”, служит показателем того, насколько хорошо согласуются моделируемое и ожидаемое распределения.
В статистических расчетах число степеней свободы для дискретной случайной величины определяется как r=k-l-1, где k – число значений случайной величины, l – число параметров, которые были вычислены по результатам наблюдений.
Введем понятие «критическое значение» C= χα2 ,r следующим образом:
если при проверяемой гипотезе вероятность события {χ2>C} Р(χ2>С)=α мала, то С называется «критическим значением», а α - «уровнем значимости» критерия χ2. Уровень значимости является вероятностью отвергнуть правильную гипотезу. Выбор его определяется решаемой задачей. Как правило, полагают α=0.01 или α=0.05, т.е. в одном или пяти случаях из ста может быть отвергнута правильная гипотеза. Критические значения в зависимости от объема выборки и уровня значимости приведены в табл. 4 приложения А.
В рассматриваемой задаче число k=4, поэтому число степеней свободы r=4-1=3. По табл. 4 найдем критические числа С1 (для α1=0.01) и С2 (для
α2=0.05): ими будут С1=11.3 и С2=7.8.
Найдем значение χ2. Все вычисления выполним в таблице 8 (n=25, npi вычислим до одного знака после запятой).
|
|
|
|
|
Таблица 8 |
|
i |
хi |
mi |
npi |
mi- npi |
(mi − npi)2 |
|
npi |
||||||
|
|
|
|
|
||
1 |
0 |
13 |
15.5 |
-2.5 |
0.403 |
|
2 |
5 |
5 |
2.2 |
2.8 |
3.536 |
|
3 |
10 |
5 |
6.4 |
-1.4 |
0.306 |
|
4 |
15 |
2 |
0.9 |
1.1 |
1.344 |
|
Σ |
- |
25 |
25.0 |
0.0 |
χ2 |
|
|
|
|
|
|
5.617= |
При уровне значимости α2=0.05 событие {χ2>C2} не произошло (5.617<7.8); полученное распределение не противоречит предполагаемому.
При менее жестких требованиях, т.е. при α=0.01, событие {χ2>C1} тем более не произошло, и в этом случае можно считать, что гипотеза о распределении случайной величины с заданным законом распределения не противоречит смоделированным значениям случайной величины.