10535
.pdfФункции распределения
Для характеристики частоты появления различных значений случайной величины Х в теории вероятностей пользуются указани-
ем закона распределения вероятностей различных значений этой величины.
Общим законом распределения, присущим всем случайным величинам как дис-
кретным, так и непрерывным, является функция распределения.
Функцией распределения называется: = (Х < ).
Таким образом, функция распределения задает вероятность появления опреде-
ленных значений случайной величины.
Рассмотрим наиболее применяемые на практике законы распределения случайных величин для моделирования случайных событий.
Законы распределения дискретной случайной величины
Биномиальное распределение
Случайная величина Х имеет биномиальное распределение с параметрами n и p,
где 0 ≤ p ≤ 1, если ξ принимает значения 0, 1, 2,…,n с вероятностями
х = |
= − |
|
|
Случайная величина с таким распределением определяет число успехов в n ис-
пытаниях с вероятностью успешного исхода p. Биномиальное распределение,
например, используется при определении числа отказов при испытаниях опре-
деленного объема изделий.
Примеры многоугольников распределения для n = 5 и различных вероятностей:
20
MS Excel позволяет работать с Биномиальным распределением
Гипергеометрическое распределение
Гипергеометрическое рас-
пределение применяется при решении задач контроля качества продукции. Вероятность того, что из n
лий, выбранных случайным образом из партии объемом N, ровно k изделий с дефектом, имеет гипергеометрическое распределение.
Случайная величина Х имеет гипергеометрическое распределение с параметра-
ми n, N, K, где K ≤ N, n ≤ N, если принимает целые значения от максимума
−
(0,N-K-n) до минимума (n,N) с вероятностями х = = −
Многоугольник распределения имеет вид:
Для удобства, в расчетах используют
21
Диалоговое окно функции со следующими аргумен-
тами:
1.Успех выборки (k) – количество успешных событий в выборке.
2.Размер выборки (n).
3.Успех в совокупности (K).
4.Размер совокупности (N).
Распределение Пуассона
Распределение Пуассона моделирует случайную величину, представляющую собой число событий, произошедших за фиксированное время, при условии,
что данные события происходят с некоторой фиксированной средней интен-
сивностью и независимо друг от друга.
При условии p → 0, n → ∞, np → = const закон распределения Пуассона яв-
ляется предельным случаем биномиального закона. Так как при этом вероят-
ность p события A в каждом испытании мала, то закон распределения Пуассона называют часто законом редких явлений.
Случайная величина Х имеет распределение Пуассона с параметром λ, если она принимает значения 0,1,2… с вероятностями х = = ! −
Разные многоугольники распределения при = 1; 4; 10.
22
MS Excel позволяет работать с распределением Пуассона
Законы распределения непрерывных случайных величин
Нормальное распределение
Закон нормального распределения находит большое применение в различных отраслях техники. Этому закону подчиняются многие непрерывные случайные величины, например, ошибки измерения, высота микронеровностей обработан-
ной поверхности и многие другие. Широкое применение закона нормального распределения объясняется центральной предельной теоремой. Из этой теоре-
мы следует, что если случайная величина Х представляет сумму очень большо-
го числа взаимно независимых случайных величин х1 , х2... хn, влияние каждой
23
из которых на всю сумму незначительно, то независимо от того, каким законам расселения подчиняются слагаемые х1 , х2 ... хn, сама величина Х имеет распре-
деление вероятностей, близкое к нормальному, и тем точнее, чем больше число слагаемых.
|
|
|
1 |
|
− |
|
х− 2 |
|
|
|
|
|
|
|
2 2 |
|
|||
Плотность нормального распределения: х |
= |
|
|
|
|
|
. |
||
|
2 |
|
|
|
Этому закону с некоторым приближением может подчиняться: рассеяние по-
грешностей многократных измерений; рассеяние погрешностей изготовления;
погрешности измерения линейных и угловых размеров; массы деталей; величин твердости и других механических и физических величин.
Закон нормального распределения имеет следующие свойства:
−вероятность появления положительных и отрицательных погрешностей одинакова;
−малые по величине погрешности имеют большую вероятность появления,
чем большие;
−алгебраическая сумма отклонений от среднего значения равна нулю.
Пример плотности распределения
24
Окно функции НОРМРАСП() имеет следующие параметры:
1.Х обязательный элемент. Значение, для которого строится распределение.
2.Среднее обязательный элемент. Среднее арифметическое распределения.
3.Стандартное_откл
обязательный элемент.
Стандартное отклонение распределения.
4.Интегральная обяза-
тельный элемент. Логиче-
ское значение, определяю-
щее форму функции. Если аргумент "интегральная" имеет значение 1, то функ-
ция НОРМРАСП возвращает интегральную функцию распределения (F(х)); ес-
ли этот аргумент имеет значение 0, то возвращается весовая функция распреде-
ления (f(х)).
Равномерное распределение
Закону равномерного распределения подчиняются погрешности от трения в опорах приборов, неисключенные остатки систематических погрешностей,
погрешности дискретности в цифровых приборах, погрешности параметров из-
делий, отобранных в более узких пределах, по сравнению с технологическим допуском, погрешности, возникающие за счет округления величин, полученных при измерении на приборах, в ряде задач массового обслуживания, при стати-
25
стическом моделировании наблюдений, подчинѐнных заданному распределе-
нию.
Плотность распределения:
|
0, |
|
х ≤ |
|
х = |
1 |
, |
≤ х ≤ |
|
− |
||||
|
|
|
||
|
0, |
|
х > |
Проверка статистических гипотез
Полученные в результате эксперимента на какой-либо выборке данные служат основанием для суждения о генеральной совокупности. Однако в силу действия случайных вероятностных причин оценка параметров генеральной со-
вокупности, сделанная на основании экспериментальных (выборочных) дан-
ных, всегда будет сопровождаться погрешностью, и поэтому подобного рода оценки должны рассматриваться как предположительные, а не как окончатель-
ные утверждения. Подобные предположения о свойствах и параметрах гене-
ральной совокупности получили название статистических гипотез.
Под статистической гипотезой понимают всякое высказывание о гене-
ральной совокупности, которое можно проверить статистически, то есть опира-
ясь на результаты наблюдений в случайной выборке. Рассматривают два вида статистических гипотез: гипотезы о законах распределения генеральной сово-
купности и гипотезы о параметрах известных распределений.
Гипотезы о средних величинах – это гипотезы относительно оценки средней величины генеральной совокупности на основе выборочных данных. Соответ-
ствующая статистическая проверка осуществляется с помощью Z-критерия, ли-
бо с помощью t- критерия.
Пусть Х и Y –генеральные совокупности, математические ожидания которых не известны. Проверяем гипотезу:
26
H0: M(X) = M(Y) |
либо |
H0: M(X) - M(Y) = a |
H1: M(X) ≠ M(Y) |
|
H1: M(X) - M(Y) ≠ a |
Microsoft Excel располагает встроенной функцией Двухвыборочный Zтест
для средних, которая используется для проверки гипотезы о различии между средними двух нормальных распределений с известными дисперсиями.
[Данные → Анализ данных →Двухвыборочный z–тест для средних]
В раскрывшемся диалоговом окне, задаются следующие параметры:
1. Интервал переменной 1: вводится диапазон ячеек, содержащий результаты
наблюдений случайной величины 1.
2. Интервал переменной 2: вводится диапазон ячеек, содержащий результаты наблюдений случайной величины 2.
Замечание: диапазон данных должен состоять из одного столбца или одной строки.
3. Гипотетическая средняя разность: вводится число предполагаемой разности средних изучаемых генеральных совокупностей. Значение 0 указывает на то,
что проверяется гипотеза о равенстве.
4.Дисперсия переменной 1 (известная)
5.Дисперсия переменной 2 (известная)
6.Альфа. Вводится уровень значимости.
7.Переключатель в группе Режим вывода.
Результат анализа:
27
Так как выборочное значение z меньше zкр (0,309326457 < 1,959963985), то ос-
новная гипотеза не отвергается. Следовательно, можно считать, что показания приборов в среднем совпадают.
Парный двухвыборочный t- тест для средних
Используется для проверки гипотезы о равен-
стве средних двух выборок из одной гене-
ральной совокупности, при этом равенство дисперсий не предполагается.
Основная гипотеза: Значимо ли различаются статистические оценки, вычис-
ленные по выборкам объемом n из одной генеральной совокупности.
[Данные → Анализ данных → Парный двухвыборочный t-тест для средних]
Результат
28
Двухвыборочные t –
тесты
Режимы работы «Двухвыборочный t-тест с одинаковыми дисперсия-
ми» (гомоскедастический тест) и «Двухвыборочный t-тест с различными дис-
персиями» (гетероскедастический тест) служат для проверки гипотез о раз-
личии между средними (математическими ожиданиями) двух нормальных рас-
пределений соответственно с неизвестными, но равными дисперсиями
(S2X = S2Y) и с неизвестными дисперсиями, равенство которых не предполагает-
ся (S2X S2Y). В диалоговых окнах данных режимов задаются параметры, ана-
логичные параметрам, задаваемым в диалоговом окне Двухвыборочный z-тест для средних, только отсутствуют поля Дисперсия переменной 1 (известная) и
Дисперсия переменной 2 (известная).
29