8965
.pdfВычисляя вероятность попадания случайной величины в интервал длиной h , получим, что Ph P(x X x h) F(x h) F(x) h /(b a) , то есть эта вероятность постоянна и не зависит от расположения h интервала в областиX , а зависит лишь от длины интервала. Такая величина, принимающая свои значения с равной вероятностью во всех точках области возможных значений, называется равномерной случайной величиной. Обратная функция распределения и квантили для такого распределения следующие:
Fî áð ( p) a p(b a) , xβ Fî áð (β) , xα Fî áð (1 α) .
1.2.Числовые характеристики случайных величин
Закон распределения случайной величины, заданный в той или иной форме, полностью определяет случайную величину как некоторую модель наблюдаемого в опыте явления. Однако часто в практической деятельности знание закона бывает невозможным, а то и избыточным, достаточно знать лишь некоторые общие (интегральные) характеристики случайной величины.
Пусть случайная величина X , дискретная или непрерывная, задается законом распределения, тогда основными характеристиками случайной величины являются:
Математическое ожидание:
|
|
xk |
pk |
для |
дискретной |
случайной |
величины |
|
|
k |
|
|
|
|
|
M ( X ) mX |
|
xf X (x)dx |
для |
непрерывной |
случайной |
величины |
|
|
|
||||||
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
Дисперсия:
|
|
(xk |
mX )2 |
pk |
для |
дискретной случайной величины |
|
|
m |
|
|
|
|
D( X ) DX |
|
(x mX )2 f X |
(x)dx |
для |
непрерывной случайной величины |
|
|
|
|||||
|
|
|
|
|
|
|
|
x |
|
|
|
|
Среднеквадратическое отклонение:
ζ( X ) ζX |
DX . |
Математическое ожидание М (X ) mX |
характеризует центр распределе- |
ния или средневзвешенное ожидаемое значение величины, а геометрически оно изображается как координата центра тяжести фигуры, образованной осью х и линией функции f (х) или p(хm ) . Дисперсия D( X ) 2x характери-
зует средний ожидаемый разброс (широту, изменчивость, вариативность) значений величины возле М ( X ) , поскольку совпадает с математическим ожиданием квадрата отклонения случайной величины от его математическо-
го ожидания.
~ .
X X mX
Среднеквадратическое отклонение ( X ) x имеет тот же смысл, что и дисперсия, но в отличие от неѐ имеет размерность, совпадающую с размерно-
10
стью самой случайной величины, что более удобно и позволяет изобразить его как и математическое ожидание на рис. 1.6. Между дисперсией и математическим ожиданием имеется простая связь D(X ) M (X 2 ) M 2 (X ) .
Рис. 1.6. Геометрическая иллюстрация понятий математического ожидания М ( X ) mX и дисперсии D( X ) 2x случайной величины
Пример. Рассмотрим случайную величину X , определенную на множестве возможных значений Х {[0; )} со следующим законом распределе-
ния F (x) 1 e λx , |
f |
X |
(x) λ e λx , |
где параметр λ 0 . Такая случайная непре- |
X |
|
|
|
рывная величина называется показательной (рис. 1.7).
Рис. 1.7. Функция распределения FX (x) и плотность распределения f X (x) показательной случайной величины
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
M ( X ) x e x dx x e x |
|
0 e x dx 0 1 e x |
|
|
|
1 |
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
2 |
|
1 |
|
|
2 |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
M ( X 2 ) x2 e x dx x2 e x |
|
|
|
|
|
|
x e xdx |
0 |
|
|
|
|
|
|
|
|
||||||||||
|
0 |
|
|
|
|
|
2 |
|||||||||||||||||||
|
|
|
|
|
|
|
||||||||||||||||||||
0 |
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
||||||||
|
2 |
|
2 |
|
|
|
|
|
2 |
1 |
2 |
1 |
|
|
|
|
|
|
|
|
|
|
||||
D( X ) M ( X |
|
) M |
|
( X ) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
2 |
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Математическое ожидание постоянной величины равно этой постоянной величине, а еѐ дисперсия равна нулю:
X C const M (X ) C , D( X ) 0 .
Умножение случайной величины на постоянный множитель приводит к следующему изменению еѐ характеристик:
11
M (C X ) C M (X ) , D(С X ) С 2 D(X ) , где C const.
Математическое ожидание суммы конечного числа случайных величин равно сумме математических ожиданий этих величин:
M (X1 X2 Xk ) M (X1) M (X2 ) M (Xk ) .
Из вышеприведѐнных свойств можно заметить, что при преобразовании случайной величины X по линейному закону в величинуY
Y |
X mX |
M (Y ) 0, |
D(Y ) 1. |
|
ζX |
||||
|
|
|
Такое преобразование случайной величины называется центрированием и нормированием, а характеристики получаемой величины называются стандартными.
Для независимых случайных величин X и Y имеет место:
D(X Y ) D(X ) D(Y ) ,
M (XY ) M (X ) M (Y ) .
Величины называются независимыми, если распределение любой из них не зависит от того, какие значения принимает другая величина. В противном случае величины являются статистически зависимыми.
1.3. Нормальная случайная величина
Случайная величина имеет нормальный закон распределения (закон
Гаусса), если она определена в области Х |
{( ; )}, а еѐ плотность рас- |
|||||||
пределения вероятностей имеет вид: |
|
|||||||
|
1 |
|
( x m)2 |
|
||||
f (x) |
|
|
|
|
2ζ2 |
Í Î ÐÌ |
.ÐÀÑÏ (x, m, ζ, 0) |
|
|
|
|
||||||
ζ 2 e |
||||||||
|
|
|
|
|
где m и - параметры распределения ( ζ 0, m ).
Нормальный закон распределения X N(m, ζ) наиболее часто встречается на практике. Главная его особенность – он является предельным законом, которым приближаются другие, более сложные законы распределения [7].
Плотность вероятности f (x) похожа на «колокол» (рис. 1.8).
При уменьшении только параметра , график функции сжимается и поднимается вверх по оси ординат. При изменении только параметра m , график перемещается вдоль оси абсцисс.
Рис. 1.8. Функция плотности распределения нормальной величины
12
Функция распределения F (x) нормальной величины имеет вид:
x |
|
|
|
|
|
1 |
|
|
x |
|
(t m)2 |
|
1 |
|
x m |
|
|
|
F (x) f (t) dt |
|
|
|
|
|
e |
2ζ2 |
dt |
Ô( |
) Í Î ÐÌ .ÐÀÑÏ (x, m, ζ,1) |
, |
|||||||
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
2 |
ζ |
||||||||
ζ |
|
2π |
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
1 |
|
|
|
x |
u 2 |
|
|
|
|
|
|
|
|
|
|||
где (x) |
|
|
e |
|
|
|
- функция Лапласа. График функции распределения |
|||||||||||
|
|
2 du |
|
|||||||||||||||
|
|
|
|
|
||||||||||||||
|
|
|
|
|||||||||||||||
|
|
2π |
0 |
|
|
|
|
|
|
|
|
|
|
|
|
F (x) изображен на рис. 1.9.
Рис. 1.9. Функция распределения нормальной величины
Вероятность того, что изучаемая случайная величина (распределѐнная нормально) примет значение в пределах от x1 до x2 вычисляется по обычной формуле:
|
|
|
x m |
|
x2 |
m |
|
x1 |
m |
|
|
|
|
|
|
|
|
||||||
P(x X x |
) Ô( |
) |
Ô( |
x2 |
) Ô( |
) . |
|||||
|
|
|
|
|
|||||||
1 |
2 |
|
ζ |
|
|
ζ |
ζ |
||||
|
|
|
x1 |
||||||||
|
|
|
|
|
|
|
|
|
|
В частном случае, когда интервал симметричен относительно точки m , эта формула выглядит так:
|
|
|
|
|
ε |
|
|
|
|
||||
P(m ε X m ε) |
P( |
X m |
|
ε) 2 |
|
. |
|
|
|||||
|
|
|
|
|
ζ |
|
|
|
|
Рассмотрим вероятность того, что изучаемая случайная величина (распределѐнная нормально) примет значение в пределах от m 3ζ до m 3ζ :
P(m 3ζ X m 3ζ) 2(3ζ/ζ) 2 (3) 0,9973 ,
т.е. вероятность значений изучаемой случайной величины именно на интервале [m 3ζ, m 3ζ] велика. Это утверждение составляет правило «трѐх сигм». Числовые характеристики нормальной случайной величины будут:
М ( X ) m , D( X ) ζ2 .
Пример. Наблюдение за скоростью автомашин на определѐнном участке дороги показало, что скорость есть нормальная случайная величина с математическим ожиданием 60 км/ч и среднеквадратическим отклонением
10км/ч. Определить вероятность того, что:
-скорость на этом участке не превышает 80 км/ч,
-скорость не отклоняется от математического ожидания более чем на
20%.
Поскольку скорость есть нормальная величина с параметрами m 60 и ζ 10 , то по основным формулам находим:
13
P(0 V 80) |
Ô( |
x m |
) |
|
80 |
Ô( |
80 60 |
) Ô( |
0 60 |
) Ô(2) Ô( 6) 0, 477 0,5 0,947 , |
||||||
|
||||||||||||||||
|
|
|
|
|
|
|
||||||||||
|
|
ζ |
|
0 |
|
|
|
10 |
|
|
|
10 |
|
|
|
|
20% î ò |
60 12 |
|
P( |
|
V 60 |
|
12) 2 ( |
12 |
) 2Ô(1, 2) 2 0,385 0, 770 . |
|||||||
|
|
|
|
|||||||||||||
|
|
|
|
|||||||||||||
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
10 |
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
Вычислим скорость, которую автомашины на этом участке не превышают с вероятностью 0,99. Из уравнения
P(0 V vmax ) Ô( x m) |
|
vmax |
Ô(vmax 60) Ô(0 60) Ô( vmax 60) Ô( 6) 0,99 , |
|||||||||||||
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
ζ |
|
0 |
10 |
|
10 |
10 |
|
||||||
|
vmax 60 |
|
|
|
|
vmax 60 |
|
|
|
60 10 2,33 83,3 . |
||||||
Ô( |
) 0, 49 |
|
2,33 vmax |
|||||||||||||
|
|
|||||||||||||||
10 |
|
|
|
|
|
10 |
|
|
|
|
|
|
1.4. Системы случайных величин
Если рассматривается система случайных величин X ,Y , Z,.., то между ними могут быть следующие взаимные соотношения:
-они могут быть независимыми, когда распределение каждой из них не зависит от того, какие значения примут другие величины. Например, X - температура воды на входе системы отопления жилого многоквартирного дома, а Y - количество жильцов, проживающих в доме, эти величины независимы;
-они могут быть зависимы функционально, когда между значениями величин имеется функциональная связь вида Y=φ(X). Так, площадь выражается через измерения случайных размеров. Связь между распределениями величин устанавливается достаточно просто при взаимно однозначной функциональной связи [4]:
FY ( y) FX (ψ( y)) , fY ( y) ψ ( y) fX (ψ( y)) ,
где ψ( y) обратная для φ(x) функция. Например, для равномерной X и Y X 2 :
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
X Rn(a,b), |
b a 0 , ψ( y) |
|
|
|
y a |
, |
|
|
( y) |
|
1 |
|
|
|
1 |
; |
|
y , F ( y) |
f |
Y |
|
|
|
||||||||||||
|
|
|
|
|
|
|
|||||||||||
|
|
|
Y |
b a |
|
2 |
|
y |
b a |
||||||||
|
|
|
|
|
|
|
- случайные величины могут быть зависимыми статистически, когда распределение каждой случайной величины зависит от того, какие значения принимают другие величины. Например, X -температура воды на входе системы отопления жилого многоквартирного дома, а Y - количество жильцов, обратившихся с жалобой в ДУК на холод в квартирах , эти величины зависимы статистически.
Такая зависимость полностью может быть описана условными распределениями величин. Так, для пары величин X ,Y условное распределение задаѐтся функцией двух переменных fX (x y) или fY ( y x) , представляющих со-
бой распределения одной величины при заданном значении другой величины. Распределения самих величин связаны с условными распределениями следующим образом:
fX (x) fX (x |
|
y)dy , |
fY ( y) |
fY ( y |
|
x)dx , |
|
|
|||||
|
|
|||||
Y |
|
X |
14
причем, оказывается, что fX (x) fY ( y x) fY ( y) fX (x y) f (x, y) , а f (x, y) называется функцией совместного распределения и она связана с вероятностью значений величин через функцию совместного распределения
F(x, y) P( X x,Y y) |
f (x, y)dxdy . |
|
X x,Y y |
Часто рассматриваются условные математические ожидания величин
|
|
|
|
|
|
|
|
|
|
Y |
(x) MY (x) y f y ( y |
|
x)dy , |
X ( y) M X ( y) x fx (x |
|
y)dx , |
|||
|
|
|
|
||||||
|
|
Y |
|
|
x |
такая зависимость средних значений (математических ожиданий) от значения других переменных называется регрессией. Функция регрессии g(x) Y (x) и условные распределения иллюстрируются на рисунке 1.10.
Рис. 1.10. Функция регрессии для зависимых величин
В случае независимости величин условные распределения совпадают и
fY ( y |
|
x) fY ( y), |
fX (x |
|
y) fX (x) , а f (x, y) fX (x) fY ( y) , M (x y) M (x) M ( y) . |
|
|
В случае статистической зависимости введѐм понятие ковариационного момента (ковариации):
Cov(X ,Y ) M (X Y ) M (X ) M (Y ) ,
который показывает степень статистической зависимости величин X и Y , поскольку при независимости переменных он равен нулю, а для статистически зависимых величин справедливы следующие формулы:
M (X Y ) M (X ) M (Y ) Cov(X ,Y ) , |
|
D(X Y ) D(X ) D(Y ) 2Cov(X ,Y ) . |
|||||
Введем также безразмерную величину коэффициента корреляции |
|||||||
ρXY |
|
|
Cov( X ,Y ) |
|
, |
|
|
|
|
|
|
|
|||
|
|
|
|
|
|||
D( X ) D(Y ) |
|
||||||
|
|
|
|
|
|
||
обладающего следующими свойствами: |
|
|
|
|
|
||
- его значение по модулю не превышает единицы 1 ХУ |
1. |
||||||
- для независимых величин X и Y |
ХУ 0 , |
|
|||||
- для линейно зависимых величин |
|
ХУ 1 . |
|
Это позволяет использовать коэффициент корреляции в качестве меры статистической зависимости случайных величин. Говорят, что величины коррелируют между собой, если коэффициент корреляции не равен нулю.
15
2. Основные задачи и методы математической статистики
Для установления закономерностей, которым подчинены случайные события и случайные величины, теория вероятности, как и любая другая наука, обращается к опыту – наблюдениям, измерениям, экспериментам. Результаты наблюдений за случайными величинами объединяются в наборы статистических данных. Задачей математической статистики, раздела современной теории вероятностей, является разработка методов сбора и обработки статистических данных, а также их анализа с целью установления законов распределения наблюдаемых случайных величин [2].
2.1. Выборочный метод
Генеральной совокупностью является набор всех мыслимых статистических данных, при наблюдениях случайной величины:
хГ {х1 , х2 , х3 ,......, хN } {xi ; i 1, N} .
Наблюдаемая случайная величина Х называется признаком или фактором выборки. Генеральная совокупность есть статистический аналог случайной величины, еѐ объем N обычно велик, поэтому из неѐ выбирается часть данных, называемая выборочной совокупностью или просто выборкой
хB {х1 , х2 , х3 ,......, хn } {xi ; i 1, n} , |
хВ хГ , n N . |
Использование выборки для построения закономерностей, которым подчинена наблюдаемая случайная величина, позволяет избежать еѐ сплошного (массового) наблюдения, что часто бывает ресурсоѐмким процессом, а то и просто невозможным. Однако выборка должна удовлетворять следующим основным требованиям:
- выборка должна быть представительной, т.е. сохранять в себе пропорции генеральной совокупности,
-объѐм выборки должен быть небольшим, но достаточным для того, чтобы полученные результаты еѐ анализа обладали необходимой степенью надѐжности,
-данные в выборке не должны бать «засорены» грубыми измерениями, содержащими нетипично большие ошибки измерений.
Отметим, что в более строгом смысле выборку можно представить как
случайную многомерную величину Х B {Х1 , Х 2 , Х 3 ,......, Х n } {Х i ; i 1, n} , у которой все компоненты Х i распределены одинаково и по закону распределения наблюдаемой случайной величины. В этом смысле выборочные значения хB есть одна из реализаций величины Х В .
Возможные значения элементов выборки хB {xi ; i 1, n}, называются вариантами x j выборки, причѐм число вариант m меньше, чем объѐм выбор-
16
ки n . Варианта может повторяться в выборке несколько раз, число повторения варианты x j в выборке называется частотой варианты n j . Причѐм,
n1 n2 ..... nm n . Величина wj nj / n называется относительной частотой варианты x j .
Упорядоченный по возрастанию значений набор вариант совместно с соответствующими им частотами называется вариационно-частотным рядом выборки:
Vxn {x j , n j ; j 1, m} ; Vxw {x j , j ; j 1, m}.
Ломаная линия, соединяющая точки вариационно-частотного ряда на плоскости (x, n) или (x, ) называется полигоном частот. Вариационно-частотный ряд имеет существенный недостаток, а именно, ненаглядность полигона в случае малой повторяемости вариант, например, при наблюдении непрерывного признака его повторяемость в выборке маловеро-
ятна. Более |
общей |
формой описания элементов выборки является гисто- |
||
грамма выборки. |
|
|
||
Для |
построения гистограммы разобьѐм интервал значений выборки |
|||
R xmax |
xmin на m интервалов h j (x j , x j 1 ) |
длины h R / m с границами |
||
x j xmin |
h ( j 1) . |
Число элементов выборки |
хB , попадающих в интервал, |
h j называется частотой n j интервала, кроме того вводятся следующие величины:
j nj / n ~ относительная частота интервала,
w j j / h j ~ плотность относительной частоты интервала.
Совокупность интервалов, наблюдаемой в выборке случайной величины и соответствующих им частот, называется гистограммой выборки. Различаются гистограммы частот, относительных частот и плотности частоты и обозначаются соответственно:
H xn {h j , n j ; j 1, m}, H x {h j , j ; j 1, m}, Hxw {hj , wj ; j 1, m} .
Для частот гистограммы выполнены следующие условия нормировки:
m |
m |
m |
|
n j n , |
|||
j 1 , |
w j h 1 |
||
j 1 |
j 1 |
j 1 |
Число интервалов гистограммы m должно быть оптимальным, чтобы, с одной стороны, была достаточной повторяемость интервалов, а с другой стороны не должны сглаживаться особенности выборочной статистики. Рекомендуется значение m 1 3,2 lg( n) . На плоскости (x, n) гистограмма представляется ступенчатой фигурой.
17
Помимо полигона и гистограммы выборка характеризуется следующи-
ми основными числовыми характеристиками:
|
1 |
|
|
n |
|
|
|
|
|
|
|
||||
хВ |
xi |
|
|
|
~ |
выборочное среднее; |
|||||||||
|
|
|
|
|
|
||||||||||
|
n |
i 1 |
|
|
|
|
|
|
|
||||||
|
1 |
n |
|
|
|
|
|
|
|
||||||
DВ |
(xi |
xB )2 |
|
~ |
выборочная дисперсия; |
||||||||||
|
|
|
|
|
|
||||||||||
|
|
|
n i 1 |
|
|
|
|
|
|
|
|||||
В |
|
|
|
|
|
DB |
|
|
|
|
|
~ выборочное среднеквадратическое отклонение; |
|||
|
1 |
|
|
|
n |
|
|
|
|
|
|||||
S 2 |
|
|
(xi |
xB ) 2 |
~ |
исправленная выборочная дисперсия; |
|||||||||
|
|
|
|
|
|
|
|
||||||||
|
|
n 1 i 1 |
|
|
|
|
|
||||||||
S |
|
|
S 2 |
|
|
|
|
|
~ исправленное выборочное среднеквадратическое |
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
отклонение (выборочный стандарт). |
Пусть, например, дана выборка полуденных температур месяца Май своим вариационно-частотным рядом с объѐмом n 31 .
хj |
0 |
2 |
3 |
7 |
8 |
12 |
14 |
16 |
19 |
23 |
25 |
27 |
30 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
nj |
2 |
1 |
1 |
2 |
3 |
4 |
2 |
3 |
6 |
2 |
1 |
3 |
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Полигон и гистограмма данной выборки приводятся ниже на рис.2.1.
Рис. 2.1. Полигон и гистограмма частот выборки
Расчѐт основных выборочных характеристик может быть легко проведен с помощью статистических функций приложения Excel-13 :
18
|
1 |
|
|
n |
|
|
|
|||||
õÂ |
xi |
ÑÐÇÍ À× (x B ) 14,87 ; |
||||||||||
|
|
|
||||||||||
|
n i 1 |
|
|
|
||||||||
|
1 |
|
n |
|
|
|
||||||
DÂ |
(xi xB )2 ÄÈÑÏ .Ã(õÂ ) 60,31 ; |
|||||||||||
|
|
|
|
|||||||||
|
|
n i 1 |
|
|
|
|||||||
ζ |
|
|
|
|
|
|
ÑÒÀÍ ÄÎ ÒÊËÎ Í .Ã(õÂ ) 7.77 ; |
|||||
|
DB |
|
|
|||||||||
S 2 |
|
|
|
|
n |
DB ÄÈ ÑÏ .Â(õÂ ) 62.32 ; |
||||||
|
|
|
|
|
|
|
|
|||||
|
n 1 |
|||||||||||
|
|
|
|
|
||||||||
|
|
|
|
|
||||||||
S |
|
|
S 2 ÑÒÀÍ ÄÎ ÒÊËÎ Í .Â(õ ) 7.89 . |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
 |
Отметим, что все числовые характеристики выборки являются случайными величинами, поскольку получены по случайно взятой выборке. На элементах другой выборки наблюдений над той же случайной величиной Х числовые характеристики в общем случае изменят свое значение.
Рассмотрим выборочные распределения нормальных выборок. Если наблюдаемая случайная величина Х является нормальной, т.е Õ N(m, ζ) , где m - математическое ожидание, - среднеквадратическое отклонение, то случай-
|
|
|
|
|
|
1 |
n |
|
|
ная величина среднего выборочного |
|
|
|
Х i |
так же является нормальной |
||||
Х |
В |
||||||||
n |
|||||||||
|
|
|
|
|
|
i 1 |
|
||
ÕÂ N(m, ζ / |
|
) . Здесь Õi N(m, ζ) нормальные случайные величины, совпа- |
|||||||
n |
дающие с наблюдаемой величиной. Рассмотрим стандартные нормальные величины ξ N(0;1) в виде:
0 |
|
Х |
В a |
, |
i |
|
Х i a |
|||
|
|
|
|
|
||||||
/ n |
||||||||||
|
|
|
|
|
и построим из них случайные величины Пирсона 2n и Стьюдента t n [4,8]:
|
|
|
n |
|
|
|
1 |
n |
|
|
|
|
|
|
nDВ |
|
n 1 |
|
|
||||||||
2 |
|
|
|
2 |
|
|
( X |
|
a)2 |
|
S 2 |
, |
|||||||||||||||
|
2 |
|
2 |
2 |
|||||||||||||||||||||||
n 1 |
|
|
i |
|
|
|
i |
|
|
|
|
|
|
||||||||||||||
|
|
|
i 1 |
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
tn 1 |
|
|
|
|
0 |
|
|
|
|
|
X B |
a |
|
|
|
|
X B a |
. |
|
|||||||
|
|
|
|
|
|
|
|
B / |
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
n2 /(n 1) |
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
n 1 |
S / n |
|
|
Отсюда видно, что случайная величина выборочной дисперсии DВ распределена пропорционально «Хи-квадрат» случайной величине с n-1 степенью свободы, а отклонение выборочного среднего от математического ожидания распределено пропорционально t-величине Стьюдента с n-1 степенью свободы. При сравнении двух выборок объѐмов n1 и n2 часто используется случайная величина Фишера [8] со степенями свободы n1 и n2 :
|
2 |
/ n |
|
Fn1 ,n2 |
n |
1 |
|
1 |
|
. |
|
2 |
/ n |
||
|
n |
2 |
|
|
2 |
|
|
Распределения этих величин, как функций от стандартных нормальных величин, хорошо изучены и построены их функции распределения, обратного
19