Вероятностно-статистические методы моделирования экономических систем. Вероятностные и статистические методы Оценка распределения величины

Во многих случаях в горной науке необходимо исследовать не только детерминированные, но и случайные процессы. Все геомеханические процессы протекают в непрерывно изменяющихся условиях, когда те или иные события могут произойти, а могут и не произойти. При этом возникает необходимость анализировать случайные связи.

Несмотря на случайный характер событий, они подчиняются определенным закономерностям, рассматриваемым в теории вероятностей , которая изучает теоретические распределения случайных величин и их характеристики. Способами обработки и анализа случайных эмпирических событий занимается другая наука, так называемая математическая статистика. Эти две родственные науки составляют единую математическую теорию массовых случайных процессов, широко применяемую в научных исследованиях.

Элементы теории вероятностей и матстатистики. Под совокупностью понимают множество однородных событий случайной величины х , которая составляет первичный статистический материал. Совокупность может быть генеральной (большая выборка N ), содержащей самые различные варианты массового явления, и выборочной (малая выборка N 1), представляющей собой лишь часть генеральной совокупности.

Вероятностью Р (х ) события х называют отношение числа случаев N (х ), которые приводят к наступлению события х , к общему числу возможных случаев N :

В математической статистике аналогом вероятности является понятие частости события , представляющей собой отношение числа случаев , при которых имело место событие, к общему числу событий:

При неограниченном возрастании числа событий частость стремится к вероятности Р (х ).

Допустим, имеются какие-то статистические данные, представленные в виде ряда распределения (гистограммы) на рис. 4.11, тогда частость характеризует вероятность появления случайной величины в интервале і , а плавная кривая носит название функции распределения.

Вероятность случайной величины – это количественная оценка возможности ее появления. Достоверное событие имеет Р =1, невозможное событие – Р =0. Следовательно, для случайного события , а сумма вероятностей всех возможных значений .

В исследованиях недостаточно иметь кривую распределения , а необходимо знать и ее характеристики:

а) среднеарифметическое – ; (4.53)

б) размах – R = x max – x min , который можно использовать для ориентировочной оценки вариации событий, где x max и x min – экстремальные значения измеренной величины;

в) математическое ожидание – . (4.54)

Для непрерывных случайных величин математическое ожидание записывается в виде

, (4.55)

т.е. равно действительному значению наблюдаемых событий х , а соответствующая матожиданию абсцисса называется центром распределения.

г) дисперсия – , (4.56)

которая характеризует рассеяние случайной величины по отношению к математическому ожиданию. Дисперсию случайной величины иначе еще называют центральным моментом второго порядка.

Для непрерывной случайной величины дисперсия равна

; (4.57)

д) среднеквадратичное отклонение или стандарт –

е) коэффициент вариации (относительное рассеяние) –

, (4.59)

который характеризует интенсивность рассеяния в различных совокупностях и применяется для их сравнения.

Площадь, расположенная под кривой распределения , соответствует единице, это означает, что кривая охватывает все значения случайных величин. Однако таких кривых, которые будут иметь площадь, равную единице, можно построить большое количество, т.е. они могут иметь различное рассеяние. Мерой рассеяния и является дисперсия или среднеквадратичное отклонение (рис. 4.12).

Выше мы рассмотрели основные характеристики теоретической кривой распределения, которые анализирует теория вероятностей. В статистике оперируют эмпирическими распределениями, а основной задачей статистики является подбор теоретических кривых по имеющемуся эмпирическому закону распределения.

Пусть в результате n измерений случайной величины получен вариационный ряд х 1 , х 2 , х 3 , … х n . Обработка таких рядов сводится к следующим операциям:

– группируют х і в интервале и устанавливают для каждого из них абсолютную и относительные частости ;

– по значениям строят ступенчатую гистограмму (рис. 4.11);

– вычисляют характеристики эмпирической кривой распределения: среднеарифметическое дисперсию Д = ; среднеквадратичное отклонение .

Значениям , Д и s эмпирического распределения соответствуют величины , Д (х ) и s (х ) теоретического распределения.

Рассмотрим основные теоретические кривые распределения. Наиболее часто в исследованиях применяют закон нормального распределения (рис. 4.13), уравнение которого при имеет вид:

(4.60)

Если совместить ось координат с точкой m , т.е. принять m (x )=0 и принять , закон нормального распределения будет описываться более простым уравнением:

Для оценки рассеяния обычно пользуются величиной . Чем меньше s ,тем меньше рассеяние, т.е. наблюдения мало отличается друг от друга. С увеличением s рассеяние возрастает, вероятность погрешностей увеличивается, а максимум кривой (ордината), равный , уменьшается. Поэтому значение у =1/ при 1 называют мерой точности. Среднеквадратичные отклонения и соответствуют точкам перегиба (заштрихованная область на рис. 4.12) кривой распределения.

При анализе многих случайных дискретных процессов используют распределение Пуассона (краткосрочные события, протекающие в единицу времени). Вероятность появления чисел редких событий х =1, 2, … за данный отрезок времени выражается законом Пуассона (см. рис. 4.14):

, (4.62)

где х – число событий за данный отрезок времени t ;

λ – плотность, т.е. среднее число событий за единицу времени;

– среднее число событий за время t ;

Для закона Пуассона дисперсия равна математическому ожиданию числа наступления событий за время t , т.е. .

Для исследования количественных характеристик некоторых процессов (времени отказов машин и т.д.) применяют показательный закон распределения (рис. 4.15), плотность распределения которого выражается зависимостью

где λ – интенсивность (среднее число) событий в единицу времени.

В показательном распределении интенсивность λ является величиной, обратной математическому ожиданию λ = 1/m (x ). Кроме того, справедливо соотношение .

В различных областях исследований широко применяется закон распределения Вейбулла (рис. 4.16):

, (4.64)

где n , μ , – параметры закона; х – аргумент, чаще всего время.

Исследуя процессы, связанные с постепенным снижением параметров (снижением прочности пород во времени и т.д.), применяют закон гамма-распределения (рис. 4.17):

, (4.65)

где λ , a – параметры. Если a =1, гамма функции превращается в показательный закон.

Кроме приведенных выше законов применяют и другие виды распределений: Пирсона, Рэлея, бета – распределение и пр.

Дисперсионный анализ. В исследованиях часто возникает вопрос: В какой мере влияет тот или иной случайный фактор на исследуемый процесс? Методы установления основных факторов и их влияние на исследуемый процесс рассматриваются в специальном разделе теории вероятностей и математической статистики – дисперсионном анализе. Различают одно – и многофакторный анализ. Дисперсионный анализ основывается на использовании нормального закона распределения и на гипотезе, что центры нормальных распределений случайных величин равны. Следовательно, все измерения можно рассматривать как выборку из одной и той же нормальной совокупности.

Теория надежности. Методы теории вероятностей и математической статистики часто применяют в теории надежности, которая широко используется в различных отраслях науки и техники. Под надежностью понимают свойство объекта выполнять заданные функции (сохранять установленные эксплуатационные показатели) в течение требуемого периода времени. В теории надежности отказы рассматриваются как случайные события. Для количественного описания отказов применяют математические модели – функции распределения интервалов времени (нормальное и экспоненциальное распределение, Вейбулла, гамма-распределения). Задача состоит в нахождении вероятностей различных показателей.

Метод Монте-Карло. Для исследования сложных процессов вероятностного характера применяют метод Монте-Карло.С помощью этого метода решают задачи по нахождению наилучшего решения из множества рассматриваемых вариантов.

Метод Монте-Карло иначе еще называют методом статистического моделирования. Это численный метод, он основан на использовании случайных чисел, моделирующих вероятностные процессы. Математической основой метода является закон больших чисел, который формулируется следующим образом: при большом числе статистических испытаний вероятность того, что среднеарифметическое значение случайной величины стремится к ее математическому ожиданию , равна 1:

, (4.64)

где ε – любое малое положительное число.

Последовательность решения задач методом Монте-Карло:

– сбор, обработка и анализ статистических наблюдений;

– отбор главных и отбрасывание второстепенных факторов и составление математической модели;

– составление алгоритмов и решение задач на ЭВМ.

Для решения задач методом Монте-Карло необходимо иметь статистический ряд, знать закон его распределения, среднее значение , математическое ожидание и среднеквадратичное отклонение. Решение эффективно лишь с использованием ЭВМ.

Явления жизни, как и вообще все явления материального мира, имеют две неразрывно связанные стороны: качественную, воспринимаемую непосредственно органами чувств, и количественную, выражаемую числами при помощи счета и меры.

При исследовании различных явлений природы применяют одновременно и качественные и количественные показатели. Несомненно, что только в единстве качественной и количественной сторон наиболее полно раскрывается сущность изучаемых явлений. Однако в действительности приходится пользоваться либо теми, либо другими показателями.

Несомненно, что количественные методы как более объективные и точные имеют преимущество перед качественной характеристикой предметов.

Сами по себе результаты измерений, хотя и имеют известное значение, еще недостаточны для того, чтобы сделать из них необходимые выводы. Цифровые данные, собранные в процессе массовых испытаний – это всего лишь сырой фактический материал, который нуждается в соответствующей математической обработке. Без обработки – упорядочения и систематизации цифровых данных не удается извлечь заключенную в них информацию, оценить надежность отдельных суммарных показателей, убедиться в достоверности наблюдаемых между ними различий. Эта работа требует от специалистов определенных знаний, умения правильно обобщать и анализировать собранные в опыте данные. Система этих знаний и составляет содержание статистики – науки, занимающейся главным образом вопросами анализа результатов исследований в теоретической и прикладной областях науки.

Следует иметь ввиду, что математическая статистика и теория вероятностей являются науками сугубо теоретическими, абстрактными; они изучают статистические совокупности безотносительно к специфике входящих в их состав элементов. Методы математической статистики и лежащей в ее основе теории вероятностей приложимы к самым различным областям знания, включая и гуманитарные науки.

Изучение явлений проводятся не по отдельным наблюдениям, которые могут оказаться случайными, нетипичными, неполно выражающими сущность данного явления, а на множестве однородных наблюдений, что дает более полную информацию об изучаемом объекте. Некоторое множество относительно однородных предметов, объединяемых по тому или иному признаку для совместного изучения, называют статистической

совокупностью. Совокупность объединяет какое-то число однородных наблюдений или регистраций.

Элементы, входящие в состав совокупности, называются ее членами, или вариантами. Варианты – это отдельные наблюдения или числовые значения признака. Так, если обозначить признак через Х (большое), то его значения или варианты будут обозначаться через х (малое), т.е. х 1 , х 2 , и т.д.

Общее число вариантов, входящих в состав данной совокупности называется ее объемом и обозначается буквой n (малое).

Когда обследованию подвергается вся совокупность однородных объектов в целом, ее называют общей, генеральной, совокупностью Примером такого рода сплошного описания совокупности могут служить общегосударственные переписи населения, поголовный статистический учет животных в стране. Разумеется, полное обследование генеральной совокупности дает наиболее полноценную информацию о ее состоянии и свойствах. Поэтому естественно стремление исследователей к тому, чтобы в в совокупность объединялось как можно большее число наблюдений.

Однако в действительности редко приходится прибегать к обследованию всех членов генеральной совокупности. Во-первых, потому, что эта работа требует большой затраты времени и труда, а во-вторых, она не всегда осуществима по целому ряду причин и различных обстоятельств. Так что вместо сплошного обследования генеральной совокупности изучению подвергается обычно какая-то ее часть, получившая название выборочной совокупности, или выборки. Она представляет собой тот образец, по которому судят о всей генеральной совокупности в целом. Например, чтобы узнать средний рост призывного населения некоторой области или района, вовсе не обязательно измерять всех призывников, проживающих в данной местности, а достаточно измерить какую-то часть их.

1. Выборка должна быть вполне представительной, или типичной, т.е. чтобы в ее состав входили преимущественно те варианты, которые наиболее полно отражают генеральную совокупность. Поэтому, чтобы приступить к обработке выборочных данных, их внимательно просматривают и удаляют явно нетипичные варианты. Например, при анализе стоимости продукции, выпускаемой предприятием, должна быть исключена стоимость в те периоды, когда предприятие не было в полной мере обеспечено комплектующими или сырьем.

2. Выборка должна быть объективной. При образовании выборки нельзя поступать по произволу, включать в ее состав только те варианты, которые кажутся типичными, а все остальные браковать. Доброкачественная выборка производится без предвзятых мнений, по методу жеребьевки или лотерии, когда ни один из вариантов генеральной совокупности не имеет никаких преимуществ перед остальными – попасть или не попасть в состав выборочной совокупности. Иными словами, выборка должна производиться по принципу случайного отбора, без влияний на ее состав.

3. Выборка должна быть качественно однородной. Нельзя включать в состав одной и той же выборки данные, полученные в разных условиях, например, стоимость изделий, полученных при разной численности работников.

6.2. Группировка результатов наблюдений

Обычно результаты опытов и наблюдений заносятся в виде цифр в учетные карточки или журнал, а иногда просто на листы бумаги – получается ведомость или реестр. Такие первоначальные документы, как правило содержат сведения не об одном, а о нескольких признаках, по которым проводились наблюдения. Эти документы служат основным источником образования выборочной совокупности. Делается это обычно так: на отдельный лист бумаги из первичного документа, т.е. картотеки, журнала или ведомости, выписываются числовые значения того признака, по которому образуется совокупность. Варианты в такой совокупности представлены обычно в виде беспорядочной массы цифр. Поэтому первым шагом на пути обработки такого материала является упорядочение, систематизация его – группировка вариант в статистические таблицы или ряды.

Одной из наиболее распространенных форм группировок выборочных данных служат статистические таблицы. Они имеют иллюстративное значение, показывая какие-то общие итоги, положение отдельных элементов в общей серии наблюдений.

К другой форме первичной группировки выборочных данных относится способ ранжирования, т.е. расположение вариант в определенном порядке – по возрастающими или убывающим значениям признака. В результате получается так называемый ранжированный ряд, который показывает в каких пределах и каким образом варьирует данный признак. Например, имеется выборка следующего состава:

5,2,1,5,7,9,3,5,4,10,4,5,7,3,5, 9,4,12,7,7

Видно, что признак изменяется от 1 до 12 каких-то единиц. Располагаем варианты в возрастающем порядке:

1,2,3,3,4,4,4,5,5,5,5,7,7,7,7,9,9,10,12.,

В результате получился ранжированный ряд значений варьирующего признака.

Совершенно очевидно, что способ ранжирования в том виде, как он здесь показан, применим лишь к выборкам малого объема. При большом числе наблюдений ранжирование затрудняется, т.к. ряд получается настолько длинным, что теряет свое значение.

При большом числе наблюдений ранжировать выборочную совокупность принято в виде двойного ряда, т.е. с указанием частоты или повторяемости отдельных вариант ранжированного ряда. Такой двойной ряд ранжированных значений признака называется вариационным рядом или рядом распределения. Простейшим примером вариационного ряда могут служить ранжированные выше данные, если их расположить следующим образом:

Значения признака

(варианты) 1 2 3 4 5 7 9 10 12

повторяемость

(вариант) частоты 1 1 2 3 5 4 2 1 1

Вариационный ряд показывает, с какой частотой отдельные варианты встречаются в данной совокупности, как они распределяются, что имеет большое значение, позволяя судить о закономерности варьирования и диапазоне вариации количественных признаков. Построение вариационных рядов облегчает вычисление суммарных показателей – средней арифметической и дисперсии или рассеивания вариант около их среднего значения – показателей, которыми характеризуется любая статистическая совокупность.

Вариационные ряды бывают двух видов: прерывистые и непрерывные. Прерывистый вариационный ряд получается при распределении дискретных величин, к которым относятся счетные признаки. Если же признак варьирует непрерывно, т.е. может принимать любые значения в пределах от минимальной до максимальной вариант совокупности, то последняя распределяется в непрерывный вариационный ряд.

Для построения вариационного ряда дискретно варьирующего признака достаточно всю совокупность наблюдений расположить в виде ранжированного ряда, указав частоты отдельных вариантов. В качестве примера приводим данные, показывающие распределение по размеру 267 деталей (табл.5.4)

Таблица 6.1. Распределение деталей по размеру.

Чтобы построить вариационный ряд непрерывно варьирующих признаков, нужно всю вариацию от минимального до максимального варианта разбить на отдельные группы или промежутки (от-до), называемые классами, а затем распределить все варианты совокупности по этим классам. В результате получится двойной вариационный ряд, в котором частоты относятся уже не к отдельным конкретным вариантам, а ко всему интервалу, т.е. оказываются частотами не вариант, а классов.

Разбивка общей вариации на классы производится в масштабе классового интервала, который должен быть одинаковым для всех классов вариационного ряда. Величина классового интервала обозначается через i (от слова intervalum – промежуток, расстояние); она определяется по следующей формуле

, (6.1)

где: i – классовый интервал, который берется целым числом;

- максимальная и минимальная варианты выборки;

lg.n – логарифм числа классов, на которые разбивается выборочная совокупность.

Число классов устанавливается произвольно, но с учетом того обстоятельства, что число классов находится в некоторой зависимости от объема выборки: чем больший объем имеет выборочная совокупность, тем больше должно быть классов, и наоборот – при меньших объемах выборки следует брать и меньшее число классов. Опыт показал, что и на малых выборках, когда приходится группировать варианты в виде вариационного ряда, не следует устанавливать меньше 5-6 классов. При наличии же 100-150 вариант число классов можно довести до 12-15. Если же совокупность состоит из 200-300 вариант, то ее разбивают на 15-18 классов и т.д. Разумеется, эти рекомендации весьма условны и их нельзя принимать как установленное правило.

При разбивке на классы в каждом конкретном случаев приходится считаться с целым рядом различных обстоятельств, добиваясь того, чтобы обработка статистического материала давала наиболее точные результаты.

После того, как установлен классовый интервал и выборочная совокупность разбита на классы, производится разноска вариант по классам и определяются число вариаций (частоты) каждого класса. В результате получается вариационный ряд, в котором частоты относятся не к отдельным вариантам, а к определенным классам. Сумма всех частот вариационного ряда должна равняться объему выборки, то есть

(6.2)

где:
-знак суммирования;

р – частота.

n – объем выборки.

Если такого равенства не оказалось, значит при разноске вариант по классам допущена ошибка, которую необходимо устранить.

Обычно для разноски вариант по классам составляется вспомогательная таблица, в которой имеются четыре графы: 1) классы по данному признаку (от – до); 2) – среднее значение классов, 3) разноски вариант по классам, 4) частоты классов (см. табл. 6.2.)

Разноска вариант по классам требует большого внимания. Нельзя допускать, чтобы одна и та же варианта была отмечена дважды или одинаковые варианты попадали в разные классы. Чтобы избежать ошибок при распределении вариант по классам, рекомендуется не искать одинаковые варианты и в совокупности, а разносить их по классам, что не одно и то же. Игнорирование этого правила, что бывает в работе неопытных исследователей, отнимает много времени при разноске вариант, а главное, приводит к ошибкам.

Таблица 6.2. Разноска вариант по классам

Границы классов	Средние значения классов (х)	Частоты классов (р), %
		абсолютные	относительные

Закончив разноску вариант и подсчитав их число для каждого класса, получаем непрерывный вариационный ряд. Его надо превратить в прерывистый вариационный ряд. Для этого, как уже отмечалось, берем полусуммы крайних значений классов. Так, например, срединное значение первого класса, равное 8,8 получено следующим образом:

(8,6+9,0):2=8,8.

Второе значение (9,3) этой графы вычислено аналогичным способом:

(9,01+9,59):2=9,3 и т.д.

В результате получается прерывистый вариационный ряд, показывающий распределение по изучаемому признаку (табл.6.3.)

Таблица 6.3. Вариационный ряд

Группировка выборочных данных в виде вариационного ряда имеет двоякое назначение: во-первых, как вспомогательная операция она необходима при вычислении суммарных показателей, а во-вторых, ряды распределения показывают закономерность варьирования признаков, что очень важно. Чтобы выразить эту закономерность более наглядно, принято изображать вариационные ряды графически в виде гистрограммы (рис.6.1.)

Рис.6.1.Распределение предприятий по числу работников

Гистограмма изображает распределение вариант при непрерывном варьировании признака. Прямоугольники соответствуют классам, а их высота – количеству вариант, заключенных в каждом классе. Если из срединных точек вершин прямоугольников гистограммы опустить перпендикуляры на ось абцисс, а затем эти точки соединить между собой, получится график непрерывного варьирования, называемый полигоном или плотностью распределения.

Статистические методы

Статисти́ческие ме́тоды - методы анализа статистических данных. Выделяют методы прикладной статистики , которые могут применяться во всех областях научных исследований и любых отраслях народного хозяйства, и другие статистические методы, применимость которых ограничена той или иной сферой. Имеются в виду такие методы, как статистический приемочный контроль, статистическое регулирование технологических процессов, надежность и испытания, планирование экспериментов.

Классификация статистических методов

Статистические методы анализа данных применяются практически во всех областях деятельности человека. Их используют всегда, когда необходимо получить и обосновать какие-либо суждения о группе (объектов или субъектов) с некоторой внутренней неоднородностью.

Целесообразно выделить три вида научной и прикладной деятельности в области статистических методов анализа данных (по степени специфичности методов, сопряженной с погруженностью в конкретные проблемы):

а) разработка и исследование методов общего назначения, без учета специфики области применения;

б) разработка и исследование статистических моделей реальных явлений и процессов в соответствии с потребностями той или иной области деятельности;

в) применение статистических методов и моделей для статистического анализа конкретных данных.

Прикладная статистика

Описание вида данных и механизма их порождения - начало любого статистического исследования. Для описания данных применяют как детерминированные, так и вероятностные методы. С помощью детерминированных методов можно проанализировать только те данные, которые имеются в распоряжении исследователя. Например, с их помощью получены таблицы, рассчитанные органами официальной государственной статистики на основе представленных предприятиями и организациями статистических отчетов. Перенести полученные результаты на более широкую совокупность, использовать их для предсказания и управления можно лишь на основе вероятностно-статистического моделирования. Поэтому в математическую статистику часто включают лишь методы, опирающиеся на теорию вероятностей.

Мы не считаем возможным противопоставлять детерминированные и вероятностно-статистические методы. Мы рассматриваем их как последовательные этапы статистического анализа. На первом этапе необходимо проанализировать имеющие данные, представить их в удобном для восприятия виде с помощью таблиц и диаграмм. Затем статистические данные целесообразно проанализировать на основе тех или иных вероятностно-статистических моделей. Отметим, что возможность более глубокого проникновения в суть реального явления или процесса обеспечивается разработкой адекватной математической модели.

В простейшей ситуации статистические данные - это значения некоторого признака, свойственного изучаемым объектам. Значения могут быть количественными или представлять собой указание на категорию, к которой можно отнести объект. Во втором случае говорят о качественном признаке.

При измерении по нескольким количественным или качественным признакам в качестве статистических данных об объекте получаем вектор. Его можно рассматривать как новый вид данных. В таком случае выборка состоит из набора векторов. Есть часть координат - числа, а часть - качественные (категоризованные) данные, то говорим о векторе разнотипных данных.

Одним элементом выборки, то есть одним измерением, может быть и функция в целом. Например, описывающая динамику показателя, то есть его изменение во времени, - электрокардиограмма больного или амплитуда биений вала двигателя. Или временной ряд, описывающий динамику показателей определенной фирмы. Тогда выборка состоит из набора функций.

Элементами выборки могут быть и иные математические объекты. Например, бинарные отношения. Так, при опросах экспертов часто используют упорядочения (ранжировки) объектов экспертизы - образцов продукции, инвестиционных проектов, вариантов управленческих решений. В зависимости от регламента экспертного исследования элементами выборки могут быть различные виды бинарных отношений (упорядочения, разбиения, толерантности), множества, нечеткие множества и т. д.

Итак, математическая природа элементов выборки в различных задачах прикладной статистики может быть самой разной. Однако можно выделить два класса статистических данных - числовые и нечисловые. Соответственно прикладная статистика разбивается на две части - числовую статистику и нечисловую статистику.

Числовые статистические данные - это числа, вектора, функции. Их можно складывать, умножать на коэффициенты. Поэтому в числовой статистике большое значение имеют разнообразные суммы. Математический аппарат анализа сумм случайных элементов выборки - это (классические) законы больших чисел и центральные предельные теоремы.

Нечисловые статистические данные - это категоризованные данные, вектора разнотипных признаков, бинарные отношения, множества, нечеткие множества и др. Их нельзя складывать и умножать на коэффициенты. Поэтому не имеет смысла говорить о суммах нечисловых статистических данных. Они являются элементами нечисловых математических пространств (множеств). Математический аппарат анализа нечисловых статистических данных основан на использовании расстояний между элементами (а также мер близости, показателей различия) в таких пространствах. С помощью расстояний определяются эмпирические и теоретические средние, доказываются законы больших чисел, строятся непараметрические оценки плотности распределения вероятностей, решаются задачи диагностики и кластерного анализа, и т. д. (см. ).

В прикладных исследованиях используют статистические данные различных видов. Это связано, в частности, со способами их получения. Например, если испытания некоторых технических устройств продолжаются до определенного момента времени, то получаем т. н. цензурированные данные, состоящие из набора чисел - продолжительности работы ряда устройств до отказа, и информации о том, что остальные устройства продолжали работать в момент окончания испытания. Цензурированные данные часто используются при оценке и контроле надежности технических устройств.

Обычно отдельно рассматривают статистические методы анализа данных первых трех типов. Это ограничение вызвано тем отмеченным выше обстоятельством, что математический аппарат для анализа данных нечисловой природы - существенно иной, чем для данных в виде чисел, векторов и функций.

Вероятностно-статистическое моделирование

При применении статистических методов в конкретных областях знаний и отраслях народного хозяйства получаем научно-практические дисциплины типа «статистические методы в промышленности», «статистические методы в медицине» и др. С этой точки зрения эконометрика - это «статистические методы в экономике». Эти дисциплины группы б) обычно опираются на вероятностно-статистические модели, построенные в соответствии с особенностями области применения. Весьма поучительно сопоставить вероятностно-статистические модели, применяемые в различных областях, обнаружить их близость и вместе с тем констатировать некоторые различия. Так, видна близость постановок задач и применяемых для их решения статистических методов в таких областях, как научные медицинские исследования, конкретные социологические исследования и маркетинговые исследования, или, короче, в медицине , социологии и маркетинге . Они часто объединяются вместе под названием «выборочные исследования».

Отличие выборочных исследований от экспертных проявляется, прежде всего, в числе обследованных объектов или субъектов - в выборочных исследованиях речь обычно идет о сотнях, а в экспертных - о десятках. Зато технологии экспертных исследований гораздо изощреннее. Еще более выражена специфика в демографических или логистических моделях, при обработке нарративной (текстовой, летописной) информации или при изучении взаимовлияния факторов.

Вопросы надежности и безопасности технических устройств и технологий, теории массового обслуживания подробно рассмотрены, в большом количестве научных работ.

Статистический анализ конкретных данных

Применение статистических методов и моделей для статистического анализа конкретных данных тесно привязано к проблемам соответствующей области. Результаты третьего из выделенных видов научной и прикладной деятельности находятся на стыке дисциплин. Их можно рассматривать как примеры практического применения статистических методов. Но не меньше оснований относить их к соответствующей области деятельности человека.

Например, результаты опроса потребителей растворимого кофе естественно отнести к маркетингу (что и делают, читая лекции по маркетинговым исследованиям). Исследование динамики роста цен с помощью индексов инфляции, рассчитанных по независимо собранной информации, представляет интерес прежде всего с точки зрения экономики и управления народным хозяйством (как на макроуровне, так и на уровне отдельных организаций).

Перспективы развития

Теория статистических методов нацелена на решение реальных задач. Поэтому в ней постоянно возникают новые постановки математических задач анализа статистических данных, развиваются и обосновываются новые методы. Обоснование часто проводится математическими средствами, то есть путем доказательства теорем. Большую роль играет методологическая составляющая - как именно ставить задачи, какие предположения принять с целью дальнейшего математического изучения. Велика роль современных информационных технологий, в частности, компьютерного эксперимента.

Актуальной является задача анализа истории статистических методов с целью выявления тенденций развития и применения их для прогнозирования.

Литература

2. Нейлор Т. Машинные имитационные эксперименты с моделями экономических систем. - М.: Мир, 1975. - 500 с.

3. Крамер Г. Математические методы статистики. - М.: Мир, 1948 (1-е изд.), 1975 (2-е изд.). - 648 с.

4. Большев Л. Н., Смирнов Н. В. Таблицы математической статистики. - М.: Наука, 1965 (1-е изд.), 1968 (2-е изд.), 1983 (3-е изд.).

5. Смирнов Н. В., Дунин-Барковский И. В. Курс теории вероятностей и математической статистики для технических приложений. Изд. 3-е, стереотипное. - М.: Наука, 1969. - 512 с.

6. Норман Дрейпер, Гарри Смит Прикладной регрессионный анализ. Множественная регрессия = Applied Regression Analysis. - 3-е изд. - М.: «Диалектика» , 2007. - С. 912. - ISBN 0-471-17082-8

Смотри также

Wikimedia Foundation . 2010 .

• Yat-Kha
• Амальгама (значения)

Смотреть что такое "Статистические методы" в других словарях:

СТАТИСТИЧЕСКИЕ МЕТОДЫ - СТАТИСТИЧЕСКИЕ МЕТОДЫ научные методы описания и изучения массовых явлений, допускающих количественное (численное) выражение. Слово “статистика” (от игал. stato государство) имеет общий корень со словом “государство”. Первоначально оно… … Философская энциклопедия

СТАТИСТИЧЕСКИЕ МЕТОДЫ – - научные методы описания и изучения массовых явлений, допускающих количественное (численное) выражение. Слово «статистика» (от итал. stato – государство) имеет общий корень со словом «государство». Первоначально оно относилось к науке управления и … Философская энциклопедия

Статистические методы - (в экологии и биоценологии) методы вариационной статистики, позволяющие исследовать целое (напр., фитоценоз, популяцию, продуктивность) по его частным совокупностям (напр., по данным, полученным на учетных площадках) и оценить степень точности… … Экологический словарь

статистические методы - (в психологии) (от лат. status состояние) нек рые методы прикладной математической статистики, используемые в психологии в основном для обработки экспериментальных результатов. Основная цель применения С. м. повышение обоснованности выводов в… … Большая психологическая энциклопедия

Статистические методы - 20.2. Статистические методы Конкретные статистические методы, используемые для организации, регулирования и проверки деятельности, включают, но не ограничиваются следующими: а) планированием экспериментов и факторный анализ; b) анализ дисперсии и … Словарь-справочник терминов нормативно-технической документации

СТАТИСТИЧЕСКИЕ МЕТОДЫ - методы исследования количеств. стороны массовых обществ. явлений и процессов. С. м. дают возможность в цифровом выражении характеризовать происходящие изменения в обществ. процессах, изучать разл. формы социально экономич. закономерностей, смену… … Сельско-хозяйственный энциклопедический словарь

СТАТИСТИЧЕСКИЕ МЕТОДЫ - некоторые методы прикладной математической статистики, используемые для обработки экспериментальных результатов. Ряд статистических методов был разработан специально для проверки качества психологических тестов, для применения в профессиональном… … Профессиональное образование. Словарь

СТАТИСТИЧЕСКИЕ МЕТОДЫ - (в инженерной психологии) (от лат. status состояние) некоторые методы прикладной статистики, используемые в инженерной психологии для обработки экспериментальных результатов. Основная цель применения С. м. повышение обоснованности выводов в… … Энциклопедический словарь по психологии и педагогике

Вероятностно-статистические методы моделирования экономических систем

Введение

Под задачей идентификации закона распределения наблюдаемой случайной величины (структурно-параметрической идентификации), как правило, понимают задачу выбора такой параметрической модели закона распределения вероятностей, которая наилучшим образом соответствует результатам экспериментальных наблюдений. Случайные ошибки средств измерений не так уж часто подчиняются нормальному закону, точнее, не так часто хорошо описываются моделью нормального закона. В основе измерительных приборов и систем лежат различные физические принципы, различные методы измерений и различные преобразования измерительных сигналов. Погрешности измерений как величины являются следствием влияния множества факторов, случайного и неслучайного характера, действующих постоянно или эпизодически. Поэтому понятно, что только при выполнении определенных предпосылок (теоретических и технических) погрешности измерений достаточно хорошо описываются моделью нормального закона.

Вообще говоря, следует понимать, что истинный закон распределения (если он, конечно, существует), описывающий погрешности конкретной измерительной системы, остается (останется) неизвестным, не смотря на все наши попытки его идентифицировать. На основании данных измерений и теоретических соображений мы можем только подобрать вероятностную модель, которая в некотором смысле наилучшим образом приближает этот истинный закон. Если построенная модель адекватна, то есть применяемые критерии не дают оснований для ее отклонения, то на основе данной модели можно вычислить все интересующие нас вероятностные характеристики случайной составляющей погрешности измерительного средства, которые будут отличаться от истинных значений только за счет не исключенной систематической (ненаблюдаемой или нерегистрируемой) составляющей погрешности измерений. Ее малость и характеризует правильность измерений. Множество возможных законов распределения вероятностей, которые можно использовать для описания наблюдаемых случайных величин, не ограничено. Бессмысленно ставить целью задачи идентификации нахождение истинного закона распределения наблюдаемой величины. Мы можем лишь решать задачу выбора наилучшей модели из некоторого множества. Например, из того множества параметрических законов и семейств распределений, которые используются в приложениях, и упоминание о которых можно найти в литературных источниках.

Классический подход к структурно-параметрической идентификации закона распределения. Под классическим подходом будем понимать алгоритм выбора закона распределения, целиком базирующийся на аппарате математической статистики.

1. Элементарные понятия о случайных событиях, величинах и функциях

Мы уже видели, что для многих экспериментов нет никаких различий в подсчёте вероятностей событий, тогда как элементарные исходы в этих экспериментах очень различаются. Но нас и должны интересовать именно вероятности событий, а не структура пространства элементарных исходов. Поэтому пора во всех таких «похожих» экспериментах вместо самых разных элементарных исходов использовать, например, числа. Иначе говоря, каждому элементарному исходу поставить в соответствие некоторое вещественное число, и работать только с числами.

Пусть задано вероятностное пространство .

Определение 26. Функция называется случайной величиной , если для любого борелевского множества множество является событием, т.е. принадлежит - алгебре .

Множество , состоящее из тех элементарных исходов , для которых принадлежит , называется полным прообразом множества .

Замечание 9. Вообще, пусть функция действует из множества в множество , и заданы -алгебры и подмножеств и соответственно. Функция называется измеримой , если для любого множества его полный прообраз принадлежит .

Замечание 10.Читатель, не желающий забивать себе голову абстракциями, связанными с -алгебрами событий и с измеримостью, может смело считать, что любое множество элементарных исходов есть событие, и, следовательно, случайная величина есть произвольная функция из в . Неприятностей на практике это не влечёт, так что всё дальнейшее в этом параграфе можно пропустить.

Теперь, избавившись от нелюбопытных читателей, попробуем понять, зачем случайной величине нужна измеримость.

Если задана случайная величина , нам может потребоваться вычислить вероятности вида , , , (и вообще самые разные вероятности попадания в борелевские множества на прямой). Это возможно лишь если множества, стоящие под знаком вероятности, являются событиями - ведь вероятность есть функция, определённая только на -алгебре событий. Требование измеримости равносильно тому, что для любого борелевского множества определена вероятность .

Можно потребовать в определении 26 чего-нибудь другого. Например, чтобы событием было попадание в любой интервал: , или в любой полуинтервал: .

Убедимся, например, что эквивалентны определения 26 и 27:

Определение 27.Функция называется случайной величиной, если для любых вещественных множество принадлежит -алгебре .

Доказательствоэквивалентности определений 26, 27.

Если - случайная величина в смысле определения 26, то она будет случайной величиной и в смысле определения 27, поскольку любой интервал является борелевским множеством.

Докажем, что верно и обратное. Пусть для любого интервала выполнено . Мы должны доказать, что то же самое верно и для любых борелевских множеств.

Соберём в множестве все подмножества вещественной прямой, прообразы которых являются событиями. Множество уже содержит все интервалы . Покажем теперь, что множество является -алгеброй. По определению, тогда и только тогда, когда множество принадлежит .

1. Убедимся, что . Но и, следовательно, .

2. Убедимся, что для любого . Пусть . Тогда , так как - -алгебра.

3. Убедимся, что для любых . Пусть для всех . Но - -алгебра, поэтому

Мы доказали, что - -алгебра и содержит все интервалы на прямой. Но - наименьшая из -алгебр, содержащих все интервалы на прямой. Следовательно, содержит : .

Приведём примеры измеримых и неизмеримых функций.

Пример 25.Подбрасываем кубик. Пусть , и две функции из в заданы так: , . Пока не задана -алгебра , нельзя говорить об измеримости. Функция, измеримая относительно какой-то -алгебры , может не быть таковой для другой .

Если есть множество всех подмножеств , то и являются случайными величинами, поскольку любое множество элементарных исходов принадлежит , в том числе и или . Можно записать соответствие между значениями случайных величин и и вероятностями принимать эти значения в виде «таблицы распределения вероятностей» или, коротко, «таблицы распределения»:

Здесь .

2. Пусть -алгебра событий состоит из четырёх множеств:

т.е. событием является, кроме достоверного и невозможного событий, выпадение чётного или нечётного числа очков. Убедимся, что при такой сравнительно бедной -алгебре ни , ни не являются случайными величинами, поскольку они неизмеримы. Возьмём, скажем, . Видим, что и

2. Числовые характеристики случайных величин

Математическое ожидание. Математическим ожиданием дискретной случайной величины Х, принимающей конечное число значений хi с вероятностями рi, называется сумма:

(6а)

Математическим ожиданием непрерывной случайной величины Х называется интеграл от произведения ее значений х на плотность распределения вероятностей f(x):

(6б)

Несобственный интеграл (6б) предполагается абсолютно сходящимся (в противном случае говорят, что математическое ожидание М (Х) не существует). Математическое ожидание характеризует среднее значение случайной величины Х. Его размерность совпадает с размерностью случайной величины. Свойства математического ожидания:

Дисперсия. Дисперсией случайной величины Х называется число:

Дисперсия является характеристикой рассеяния значений случайной величины Х относительно ее среднего значения М (Х). Размерность дисперсии равна размерности случайной величины в квадрате. Исходя из определений дисперсии (8) и математического ожидания (5) для дискретной случайной величины и (6) для непрерывной случайной величины получим аналогичные выражения для дисперсии:

Здесь m = М (Х).

Свойства дисперсии:

(10)

Среднее квадратичное отклонение:

(11)

Так как размерность среднего квадратичного отклонения та же, что и у случайной величины, оно чаще, чем дисперсия, используется как мера рассеяния.

Моменты распределения. Понятия математического ожидания и дисперсии являются частными случаями более общего понятия для числовых характеристик случайных величин - моментов распределения. Моменты распределения случайной величины вводятся как математические ожидания некоторых простейших функций от случайной величины. Так, моментом порядка k относительно точки х0называется математическое ожидание М (Х - х0) k. Моменты относительно начала координат х = 0 называются начальными моментами и обозначаются:

(12)

Начальный момент первого порядка есть центр распределения рассматриваемой случайной величины:

(13)

Моменты относительно центра распределения х = m называются центральными моментами и обозначаются:

(14)

Из (7) следует, что центральный момент первого порядка всегда равен нулю:

(15)

Центральные моменты не зависят от начала отсчета значений случайной величины, так как при сдвиге на постоянное значение С ее центр распределения сдвигается на то же значение С, а отклонение от центра не меняется:

Х - m = (Х - С) - (m - С).

Теперь очевидно, что дисперсия - это центральный момент второго порядка:

(16)

Асимметрия. Центральный момент третьего порядка:

(17)

служит для оценки асимметрии распределения. Если распределение симметрично относительно точки х = m, то центральный момент третьего порядка будет равен нулю (как и все центральные моменты нечетных порядков). Поэтому, если центральный момент третьего порядка отличен от нуля, то распределение не может быть симметричным. Величину асимметрии оценивают с помощью безразмерного коэффициента асимметрии:

(18)

Знак коэффициента асимметрии (18) указывает на правостороннюю или левостороннюю асимметрию (рис. 2).

Рис. 1. Виды асимметрии распределений

Эксцесс. Центральный момент четвертого порядка:

(19)

служит для оценки так называемого эксцесса, определяющего степень крутости (островершинности) кривой распределения вблизи центра распределения по отношению к кривой нормального распределения. Так как для нормального распределения, то в качестве эксцесса принимается величина:

(20)

На рис. 3 приведены примеры кривых распределения с различными значениями эксцесса. Для нормального распределения Е = 0. Кривые, более островершинные, чем нормальная, имеют положительный эксцесс, более плосковершинные - отрицательный.

Рис. 2. Кривые распределения с различной степенью крутости (эксцессом)

Моменты более высоких порядков в инженерных приложениях математической статистики обычно не применяются.

Мода дискретной случайной величины - это ее наиболее вероятное значение. Модой непрерывной случайной величины называется ее значение, при котором плотность вероятности максимальна (рис. 2). Если кривая распределения имеет один максимум, то распределение называется унимодальным. Если кривая распределения имеет более одного максимума, то распределение называется полимодальным. Иногда встречаются распределения, кривые которых имеют не максимум, а минимум. Такие распределения называются антимодальными. В общем случае мода и математическое ожидание случайной величины не совпадают. В частном случае, для модального, т.е. имеющего моду, симметричного распределения и при условии, что существует математическое ожидание, последнее совпадает с модой и центром симметрии распределения.

Медиана случайной величины Х - это ее значение Ме, для которого имеет место равенство: т.е. равновероятно, что случайная величина Х окажется меньше или больше Ме. Геометрически медиана - это абсцисса точки, в которой площадь под кривой распределения делится пополам. В случае симметричного модального распределения медиана, мода и математическое ожидание совпадают.

. Статистическая оценка законов распределения случайных величин

Генеральной совокупностью - называется совокупность всех подлежащих изучению объектов или возможных результатов всех наблюдений, производимых в одинаковых условиях над одним объектом.

Выборочной совокупностью или выборкой называется совокупность объектов или результатов наблюдения над объектом, отобранных случайным образом из генеральной совокупности.

Объемом выборки называется число объектов или наблюдений в выборке.

Конкретные значения выборки называются наблюдаемыми значениями случайной величины Х. Наблюдаемые значения заносятся в протокол. Протокол представляет собой таблицу. Составленный протокол является первичной формой записи обработки полученного материала. Для получения достоверных, надежных выводов выборка должна быть достаточно представительной по объему. Большая выборка - это неупорядоченное множество чисел. Для исследования выборку приводят к наглядному упорядоченному виду. Для этого в протоколе находят наибольшее и наименьшее значения случайной величины. Выборка, отсортированная по возрастанию, приведена в таблице 1.

Таблица 1. Протокол

8,66-5,49-4,11-3,48-2,9-2,32-1,82-1,09-0,440,64-8,31-4,71-3,92-3,41-2,85-2,31-1,82-1,01-0,430,71-8,23-4,68-3,85-3,33-2,83-2,29-1,8-0,99-0,430,73-7,67-4,6-3,85-3,25-2,77-2,27-1,77-0,95-0,310,99-6,64-4,43-3,81-3,08-2,72-2,25-1,73-0,89-0,31,03-6,6-4,38-3,8-3,07-2,67-2,19-1,38-0,70,041,05-6,22-4,38-3,77-3,01-2,6-2,15-1,32-0,560,081,13-5,87-4,25-3,73-3,01-2,49-2,09-1,3-0,510,151,76-5,74-4,18-3,59-2,99-2,37-2,01-1,28-0,490,262,95-5,68-4,14-3,49-2,98-2,33-1,91-1,24-0,480,534,42

Размахом выборки называется разность между наибольшим и наименьшим значением случайной величины Х:

Размах выборки разбивают на k интервалов - разрядов. Число разрядов устанавливают в зависимости от величины размаха выборки от 8 до 25, в этой курсовой работе примем k = 10.

Тогда длина интервала будет равна:

В протоколе подсчитаем число наблюдаемых значений, попавших в каждый интервал, обозначим их m1, m2,…, m10. .

Назовем mi частотой попадания случайной величины в i интервал. Если какое-либо наблюдаемое значение случайной величины совпадает с концом интервала, то это значение случайной величины по договоренности относят в один из интервалов.

После того как определили частоты mi, определим частости случайной величины, т.е. найдем отношение частот mi к общему числу наблюдаемых значений n.

Частость, условие полноты -

Найдем середину каждого интервала: .

Составим таблицу 2

Таблица значений границ интервалов и соответствующих частостей , где i = 1, 2, 3, …, k, называется статистическим рядом. Графическим изображением статистического ряда называется гистограмма. Она строится следующим образом: по оси абсцисс откладывают интервалы и на каждом таком интервале, как на основании, строится прямоугольник, площадь которого равна соответствующей частости.

, - высота прямоугольника, .

Таблица 2

Номер интервалаЛевая граница интервалаПравая граница интервалаИнтервалСередина интервалаЧастота интервалаЧастость интервалаВысота прямо-угольника1-8,66-7,352(-8,66; -7,352)-8,00640,040,03062-7,352-6,044(-7,352; -6,044)-6,69830,030,02293-6,044-4,736(-6,044; -4,736)-5,3940,040,03064-4,736-3,428(-4,736; -3,428)-4,082200,20,15295-3,428-2,12(-3,428; -2,12)-2,774260,260,19886-2,12-0,812(-2,12; -0,812)-1,466180,180,13767-0,8120,496(-0,812; 0,496)-0,158140,140,107080,4961,804(0,496; 1,804)1,1590,090,068891,8043,112(1,804; 3,112)2,45810,010,0076103,1124,42(3,112; 4,42)3,76610,010,0076Сумма1001

Рисунок 3

Статистической функцией распределения называется частость случайной величины, не превосходящая заданного значения Х:

Для дискретной случайной величины Х статистическая функция распределения находится по формуле:

Запишем статистическую функцию распределения в развернутом виде:

где - это середина интервала i, а - это соответствующие частости, где i=1, 2,…, k.

График статистической функции распределения есть ступенчатая линия, точками разрыва которой являются середины интервалов, а конечные скачки равны соответствующим частотам.

Рисунок 3

Вычисление числовых характеристик статистического ряда

Статистическое математическое ожидание,

Статистическая дисперсия,

Статистическое среднеквадратическое отклонение.

Статистическим математическим ожиданием или статистическим средним называется среднеарифметическое наблюдаемых значений случайной величины Х.

Статистической дисперсией называется среднеарифметическое значение величиныили

При большом объеме выборки вычисления по формулам и приводят к громоздким выкладкам. Для упрощения расчетов используют статистический ряд с границами и частостями , где i = 1, 2, 3, …, k, находят середины интервалов , а затем все элементы выборки, которые попали в интервал, заменяют единственным значением, тогда таких значений будетв каждом интервале .

где - среднее значение соответствующего интервала; - частость интервала

Таблица 4. Числовые характеристики

Частость PiXiPi(Xi-m)^2(Xi-m)^2*Pi1-8,0060,04-0,320231,486911,25952-6,6980,03-0,200918,518560,55563-5,390,04-0,21568,971940,35894-4,0820,20-0,81642,847050,56945-2,7740,26-0,72120,143880,03746-1,4660,18-0,26390,862450,15527-0,1580,14-0,02215,002740,700481,150,090,103512,564761,130892,4580,010,024623,548500,2355103,7660,010,037737,953980,3795Статистическое математическое ожидание-2,3947Статистическая дисперсия5,3822Статистическое среднее квадратическое отклонение2,3200

Определяет положение центра группировки наблюдаемых значений случайной величины.

, характеризуют рассеяние наблюдаемых значений случайной величины вокруг

Во всяком статистическом распределении неизбежно присутствуют элементы случайности. Однако при очень большом числе наблюдений эти случайности сглаживаются, и случайные явления обнаруживают присущую ему закономерность.

При обработке статистического материала приходится решать вопрос о том, как подобрать для данного статистического ряда теоретическую кривую. Эта теоретическая кривая распределения должна выражать существенные черты статистического распределения - эта задача называется задачей сглаживания или выравнивания статистического ряда.

Иногда общий вид распределения случайной величины Х вытекает из самой природы этой случайной величины.

Пусть случайная величина Х - это результат измерения некоторой физической величины прибора.

Х = точное значение физической величины + ошибка прибора.

Случайная ошибка прибора при измерении имеет суммарную природу и распределена по нормальному закону. Следовательно такое же распределение имеет случайная величина Х, т.е. нормальное распределение с плотностью вероятности:

Где , , .

Параметры и определяются так, чтобы числовые характеристики теоретического распределения были равны соответствующим числовым характеристикам статистического распределения. При нормальном распределении полагают, что ,,, тогда функция нормального распределения примет вид:

Таблица 5. Выравнивающая кривая

Номер интервалаСередина интервала XiТабулированная функцияНормальная кривая 1-8,0060-2,41870,02140,00922-6,6980-1,85490,07140,03083-5,3900-1,29110,17340,07474-4,0820-0,72730,30620,13205-2,7740-0,16350,39360,1697M-2,394700,39890,17206-1,46600,40030,36820,15877-0,15800,96410,25070,108081,15001,52790,12420,053592,45802,09170,04480,0193103,76602,65550,01170,0051

Теоретическую нормальную кривую строим по точкам на одном графике с гистограммой статистического ряда (Ошибка! Источник ссылки не найден).

Рисунок 6

Выравнивание статистической функции распределения

Статистическую функцию распределения выравниваем функцией распределения нормального закона:

где,, - функция Лапласа.

Таблица 7. Функция распределения

Номер интервалаСередина интервала XiФункция Лапласа Функция распределения1-8,0060-2,4187-0,49220,00782-6,6980-1,8549-0,46820,03183-5,3900-1,2911-0,40170,09834-4,0820-0,7273-0,26650,23355-2,7740-0,1635-0,06490,4351m-2,3947000,50006-1,46600,40030,15550,65557-0,15800,96410,33250,832581,15001,52790,43670,936792,45802,09170,48180,9818103,76602,65550,49600,9960

Строим график теоретической функции распределения по точкам / вместе с графиком статистической функции распределения.

Рисунок 6

Пусть изучается случайная величина Х с математическим ожиданием и дисперсией, оба параметра неизвестны.

Пусть х1, х2, х3, …, хn - выборка, полученная в результате проведения n независимых наблюдений случайной величины Х. Чтобы подчеркнуть случайный характер величин х1, х2, х3, …, хn перепишем их в виде:

Х1, Х2, Х3, …, Хn, где Хi - значение случайной величины Х в i-ом опыте.

Требуется на основании этих опытных данных оценить математическое ожидание и дисперсию случайной величины. Такие оценки называются точечными, в качестве оценки m и D можно принять статистическое математическое ожидание и статистическую дисперсию , где

До проведения опыта выборка Х1, Х2, Х3, …, Хn есть совокупность независимых случайных величин, которые имеют математическое ожидание и дисперсию, а значит распределение вероятности такие же как и сама случайная величина Х. Таким образом:

Где i = 1, 2, 3, …, n.

Исходя из этого, найдем математическое ожидание и дисперсию случайной величины (пользуясь свойствами математического ожидания).

Таким образом математическое ожидание статистического среднего равно точному значению математического ожидания m измеряемой величины, а дисперсия статистического среднего в n раз меньше дисперсии отдельных результатов измерений.

при

Это значит, что при большом объеме выборки N статистическое средние является величиной почти неслучайной, оно лишь незначительно отклоняется от точного значения случайной величины m. Этот закон называется законом больших чисел Чебышева.

Точечные оценки неизвестных значений математического ожидания и дисперсии имеют большое значение на первоначальном этапе обработки статических данных. Их недостаток в том, что неизвестно с кокой точностью они дают оцениваемый параметр.

Пусть по данной выборке Х1, Х2, Х3, …, Хn получены точные статистические оценки и, тогда числовые характеристики случайной величины Х будут приближенно равны . Для выборки небольшого объема вопрос поточности оценки существенен, т.к. между m и, D и будут недостаточно большие отклонения. Кроме того при решении практических задач требуется не только найти приближенные значения m и D, но и оценить их точность и надежность. Пусть , т.е. является точечной оценкой для m. Очевидно, чтотем точнее определяет m, чем меньше модуль разности . Пусть , где ?>0, тогда, чем меньше ?, тем точнее оценка m. Таким образом, ?>0 характеризует точность оценки параметра. Однако статистические методы не позволяют категорически утверждать, что оценка истинного значения m удовлетворяет, можно лишь говорить о вероятности ?, с которой это неравенство выполняется:

Таким образом, ? - это доверительная вероятность или надежность оценки , значение ? выбираются заранее в зависимости от решаемой задачи. Надежность ? принято выбирать 0.9; 0.95; 0.99; 0.999. События с такой вероятностью являются практически достоверными. По заданной доверительной вероятности можно найти число ?>0 из .

Тогда получим интервал, который накрывает с вероятностью ? истинное значение математического ожидания m, длина этого интервала равна 2?. Этот интервал называется доверительным интервалом . А такой способ оценки неизвестного параметра m - интервальным .

Пусть дана выборка Х1, Х2, Х3, …, Хn, и пусть по этой выборке найдено ,,.

Требуется найти доверительный интервал для математического ожидания m с доверительной вероятностью ?. Величина есть величина случайная с математическим ожиданием,.

Случайная величина имеет суммарную природу, при большом объеме выборки она распределена по закону близкому к нормальному. Тогда вероятность попадания случайной величины в интервал будет равна:

Где

Где - функция Лапласа.

Из формулы (3) и таблиц функции Лапласа находим число ?>0 и записываем доверительный интервал для точного значения случайной величины Х с надежностью ?.

В этой курсовой работе значение ? заменим, и тогда формула (3) примет вид:

Найдем доверительный интервал , в котором находится математическое ожидание. При ? = 0.99, n = 100, ,.

по таблицам Лапласа находим:

Отсюда ? = 0,5986.

Доверительный интервал, в котором с вероятностью 99% находится точное значение математического ожидания.

Заключение

случайный величина распределение экономический

Решение задач структурно-параметрической идентификации при ограниченных объемах выборок, которыми, как правило, обладают метрологи, обостряет проблему. В этом случае еще более важными оказываются корректность применения статистических методов анализа, использование оценок, обладающих наилучшими статистическими свойствами, и критериев, обладающих наибольшей мощностью.

При решении задач идентификации предпочтительнее опираться на классический подход. При идентификации рекомендуется рассматривать более широкое множество законов распределения, в том числе модели в виде смесей законов. В этом случае для любого эмпирического распределения мы всегда сможем построить адекватную, статистически существенно более обоснованную математическую модель.

Следует ориентироваться на использование и разработку программных систем, обеспечивающих решение задач структурно-параметрической идентификации законов распределений при любой форме регистрируемых наблюдений (измерений), включающих современные методы статистического анализа, ориентироваться на широкое, но корректное использование в исследованиях методов компьютерного моделирования. Мы уже видели, что для многих экспериментов нет никаких различий в подсчёте вероятностей событий, тогда как элементарные исходы в этих экспериментах очень различаются. Но нас и должны интересовать именно вероятности событий, а не структура пространства элементарных исходов. Поэтому пора во всех таких «похожих» экспериментах вместо самых разных элементарных исходов использовать, например, числа. Иначе говоря, каждому элементарному исходу поставить в соответствие некоторое вещественное число, и работать только с числами.