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 5.10, 5.11.

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 – r_i (случайное число – значение непрерывной случайной величины, равномерно распределенной в интервале [0,1]). Если r_i £ р, то оно принадлежит интервалу , поэтому считаем, что событие А наступило. Если r_i > 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.

 

h	х 1	х 2	х 3	…	хn
pi	р (х 1)	р (х 2)	р (х 3)	…	р (хn)

 

Присваиваем случайной величине h значение х ₁, если значение случайного числа r_i £ p (х ₁), значение х ₂, если p (х ₁)< r_i £ p (х ₁)+ p (х ₂), т.е. в общем случае, если , то случайной величине h присваивается значение х_m .

Пример 5.10. Дискретная случайная величина задана рядом распределения, приведенным в табл. 5.3.

Таблица 5.3

хi
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 a₁=0.01, a₂= 0.05.

Решение. 1. Приступим к построению модели данной случайной величины. Этот процесс будем осуществлять методом жребия с помощью случайных чисел r_j, т.е. значений случайной величины равномерно распределенной в интервале . Эти значения приведены в табл.Д Приложения. Моделируемые значения случайной величины обозначим Z_j (j = 1, 2, …, 25). Заметим, что каждое из них следует рассматривать как случайную величину.

Для рассматриваемой случайной величины правило моделирования заключается в том, чтобы определить какое значение будет принимать случайная величина в зависимости от попадания случайного числа в интервал.

h примет значение:

0, если r_j £ 0.6189,

5, если 0.6189 £ r _j <0.7085,

10, если 0.7085 £ r_j < 0.9631,

15, если r_i >= 0.9631.

Для удобства использования правило можно свести в табл. 5.4 или изобразить на рис. 5.7.

Таблица 5. 4

	Интервал	zj
	0;0.619
	0.619; 0.708
	0.708; 0.963
	0.963; 1.000

 

Z =0 Z =5 Z =10 Z =15

Рис. 5.7

0 0.619 0.70 0.963 1.0 r_i

Замечание. Поскольку в табл. 5.4 даны только 2 знака мантиссы, значения границ интервалов округлили до трех знаков после запятой.

Приступая к моделированию h, возьмем первое число из табл. Д Приложения. Для того, 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, r ₁ = 0.67, оно принадлежит второму интервалу , поэтому х ₁ = 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. r ₂ = 0.43, оно из интервала , поэтому х ₂=0. Сведем процесс нахождения реализаций h в табл. 5.5.

Таблица 5.5

j	rj	zj	j	rj	zj
	0.67			0.35
	0.43			0.98
	0.97			0.95
	0.04			0.11
	0.43			0.68
	0.62			0.77
	0.76			0.12
	0.59			0.17
	0.63			0.17
	0.57			0.68
	0.33			0.33
	0.21			0.73
				0.79

 

Найдем экспериментальный ряд распределения, для чего подсчитаем частоты m_i, равные числу приборов с данной стоимостью ремонта, т.е. числу появлений значений х_j, вычислим их относительные частоты, т.е. оценки вероятностей р ₌ , и занесем результаты в табл. 5.6.

 

 

Таблица 5.6

xi					S
mi
р	0.52	0.20	0.20	0.08	1.00

 

Найдем экспериментальную функцию распределения F ^*(х)= :

F ^*(х)= .

Построим экспериментальные многоугольник распределения и функцию распределения (рис. 5.8). Для наглядности сравнения теоретической и экспериментальной кривых построим штриховыми линиями теоретические кривые.

Рис. 5.8

2. Найдем оценки числовых характеристик. Для вычисления оценок математического ожидания, дисперсии и среднего квадратического отклонения воспользуемся формулами:

, (5.8)

где k – число различных значений случайной величины;

 

(5.9)

или

. (5.10)

Поскольку формулы (5.9) и (5.10) дают смещенную оценку дисперсии, несмещенную оценку найдем по формуле

. (5.11)

Замечание. При больших значениях n коэффициент очень близок к единице, и можно считать оценку, вычисленную по формулам (5.9) или (5.10), оценкой несмещенной дисперсии.

Вычисления запишем в табл. 5.7.

Таблица 5.7

xi					S
p	0.52	0.20	0.20	0.08	1.00
		1.00	2.00	1.20	4.20	= m *
		5.00	20.00	18.00	43.00
					17.64
					25.36

 

,

.

Сравнив полученные результаты с теоретическими (см. пример 5.5), 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 (например в два раза).

3. Проверим соответствие закона распределения полученной случайной величины F * (х) заданному закону распределения F (x), используя критерий Пирсона.

Для этого определяется случайная величина

,

где k – число значений случайной величины;

m_i – число появлений значений случайной величины h;

p_i – теоретическая вероятность значения;

n – объем моделируемой выборки (np_i – ожидаемое число появлений значения х_i при n реализациях случайной величины). Величина c², 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 – - 1, где k – число значений слу-чайной величины, – число параметров, которые были вычислены по результатам наблюдений.

Введем понятие «критическое значение» C = следующим образом:

если при проверяемой гипотезе вероятность события {χ².> C } мала, Р (χ².> С) = a, то С называется «критическим значением», а a – «уровнем значимости» критерия χ². Уровень значимости является вероятностью отвергнуть правильную гипотезу. Выбор его определяется решаемой задачей. Как правило, полагают a = 0.01 или a = 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. С Приложения А.

В рассматриваемой задаче число k = 4, поэтому число степеней свободы

r = 4 - 1 = 3. По указанной таблице найдем критические числа С ₁ (для a₁ = 0.01) и С ₂ (для a₂ = 0.05): ими будут С ₁ = 11,3 и С ₂ = 7,8.

Найдем значение χ². Все вычисления выполним в таблице 5.8 (n = 25, значение np _i вычислим с точностью до одного знака после запятой).

Таблица 5.8

i	хi	mi	npi	mi- npi
			15.5	-2.5	0.403
			2.2	2.8	3.536
			6.4	-1.4	0.306
			0.9	1.1	1.344
S	-		25.0	0.0	5.617= c 2

 

При уровне значимости a₂ = 0.05 событие {χ² > C ₂} не произошло (5.617 < 7.8); полученное распределение не противоречит предполагаемому.

При менее жестких требованиях, т.е. при a = 0.01, событие { χ²> C ₁} 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.

Пример 5.11. Из выборки в 15 элементов нормальной генеральной совокупности найдены оценки математического ожидания = -1.5 и несмещенной дисперсии s ²= 1.21. Найти точность оценки математического ожидания и доверительный интервал, соответствующие доверительной вероятности b = 0.98.

Определить эти же величины для выборки в 40 элементов, если оценки оказались такими же.

Решение. Истинные математическое ожидание m и дисперсия ² данного нормального распределения не известны, поэтому воспользуемся формулами e = t _b и I _b = (m ^*- e; m ^* + e) = ,

где e – предельная ошибка,

I _b – доверительный интервал, соответствующий доверительной вероятности b,

t _b – значения квантиля распределения Стьюдента для числа степеней свободы k = n -1.

В данной задаче число степеней свободы k = 14, а доверительная вероятность b = 0,98. По таблице А приложения значение квантилей распределения Стьюдента находится t_b=2,62449. Тогда предельная ошибка e=2.62449 и доверительный интервал I _0.98 =(-1.5-0.75;-1.5+0.75) =

=(-2.25; -0.75). Полученный результат позволяет утверждать, что с вероятностью 0.98 математическое ожидание рассматриваемой случайной величины принадлежит интервалу (-2.25;-0.75).

При выборке 40 элементов в связи с тем, что с увеличением числа степеней свободы распределение Стьюдента быстро приближается к нормальному, воспользуемся формулами e z_b для вычисления предельной ошибки оценки математического ожидания и I _b = (m ^* - e; m ^* + e) =

= (m ^*- z _b; m^*+ z _b) для вычисления доверительного интервала.

В этих формулах z _b находится как корень уравнения Ф(z _b) = по таблице значений нормированной функции распределения нормального закона (табл. В приложения). z _b называется квантилью порядка нормированного нормального распределения.

Вычислив = = 0.99, входим с этим значением функции в табл.В Приложения и находим её аргумент, равный 2,327.

Таким образом, точность оценки e= , а доверительный интервал I _0.98 = (-1.5–0.405; -1.5+0.405) = (-1.905; -1.045).

Заметим, что увеличение объема выборки существенно сузило доверительный интервал.