ORETERVER (675862), страница 4

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 4)

Подсчитаем вероятность того, что при n испытаниях событие А появится m раз. Это может произойти, например, в последовательности

Ясно, что вероятность равна р^mq^n-m. Но m событий А может быть и в другом сочетании. Число всех возможных сочетаний из n элементов по m (количество событий А) равно числу сочетаний . Используя теорему сложения вероятностей получаем общую вероятность Р_m,n наступления m событий А из n испытаний

P_m,n =

= .

Из этой формулы видно, что вероятности Р_m,n для различного исхода испытаний (появление или не появление определенного результата А) определяется

pⁿ + np^n-1q + .

Коэффициенты перед вероятностями р, q являются биноминальными коэффициентами, а общая вероятность представляет слагаемые в разложении бинома ( р + q )ⁿ. Поэтому закон распределения случайной величины Х, в котором вероятность наступления событий А определяется коэффициентами бинома, называется биноминальным распределением дискретной случайной величины. Этот закон может быть задан в виде таблицы 1.

Таблица 1

Биноминальный закон распределения

Биномиальные коэффициенты удобно получать с помощью треугольника Паскаля.

1 n = 0

1 1 n = 1

1 2 1 n = 2

1 3 3 1 n = 3

1 4 6 4 1 n = 4

1 5 10 10 5 1 n = 5

Все строки треугольника ( начинающегося с единицы ) начинаются и заканчиваются единицей. Промежуточные числа получаются сложением соседних чисел вышестоящей строки. Числа, стоящие в одной строке, являются биноминальными коэффициентами соответствующей степени.

Из описания биномиального распределения становится ясно, что область его действия там, где возможно многократное проведение испытаний с известной вероятностью.

На рис. 7 представлен биномиальный закон распределения.

Рис. 7. Биномиальный закон распределения

Определим основные характеристики этого распределения.

Математическое ожидание

М (Х) =

+

+

= np (q + p)^n-1 = np.

Дисперсия распределения может быть определена из общего выражения

,

но это приводит к громоздким вычислениям. В то же время случайная величина Х принимает в каждом опыте только два значения: 1, если событие А произошло и 0, если оно не произошло с вероятностями, соответственно, р или q. Тогда математическое ожидание одного опыта определится

М (Х₁) = 0×q + 1×р = р = х

и соответственно дисперсия одного опыта

D (Х₁) = (0 - р)²×q + (1 - р)²×р = р²q + q²р = рq (р + q) = рq.

Тогда дисперсия всех n опытов составит

D (X) = n×p×q.

1. Закон Пуассона

В случае малых р ( или, наоборот, близких к 1 ) биноминальный закон распределения можно преобразовать следующим образом

,

где .

.

Определим предел Р_m,n при n ® ¥ и постоянном m. Тогда пределы

равны единице, а .

Окончательно имеем

.

Это распределение называется законом Пуассона, где l - интенсивность распределения. Используется в задачах с редкими событиями. На рис. 8 представлена схема вероятностей, распределенных по закону Пуассона.

Рис. 8. Закон распределения Пуассона

Определим его основные характеристики и смысл величины l.

Запишем закон распределения в виде таблицы.

M (X) =

+ .

Выражение в скобках есть разложение функции е^l в ряд Маклорена.

Поэтому

М (Х) = lе^-lе^l = l.

Не рассматривая вывод отметим, что

D (Х) = l,

т.е. дисперсия равна математическому ожиданию.

Рассмотренные виды распределений случайной величины, конечно, не исчерпывают всех существующих распределений. Можно назвать еще несколько: распределение Бернулли, экспоненциальное распределение, гамма - распределение, распределение Вейбула, гипергеометрические распределения и др. При определенных условиях и параметрах один вид распределения может переходить в другой. Поэтому при решении практических задач по законам распределения случайных величин следует обращаться к специальной литературе.

1. Понятие статистической гипотезы и статистического критерия

Статистической гипотезой называют любое утверждение о виде или свойствах распределения наблюдаемых в эксперименте случайных величин. Такие утверждения можно делать на основе теоретических соображений или статистических исследований других наблюдений. Например, при многократном измерении некоторой физической величины, точное значение Х которой не известно, но в процессе измерений оно меняется. На результат измерений влияют многие случайные факторы, поэтому результат i - го измерения можно записать в виде а_i = Х + å_i, где å_i - случайная погрешность измерения. Если å_i складывается из большого числа ошибок, каждая из которых не велика, то на основании центральной предельной теоремы можно предположить, что случайные величины а_i имеют нормальное распределение. Такое предположение является статистической гипотезой о виде распределения наблюдаемой случайной величины.

Если для исследуемого явления сформулирована та или иная гипотеза ( обычно ее называют основной или нулевой гипотезой и обозначают символом Н_о ), то задача состоит в том, чтобы сформулировать правило, которое позволяло бы по результатам наблюдений принять или отклонить эту гипотезу. Правило, согласно которому проверяемая гипотеза Н_о принимается или отвергается, называется статистическим критерием проверки гипотезы Н_о .

Наиболее распространены такие статистические гипотезы, как:

а) вида распределения;

б) однородности нескольких серий независимых результатов;

в) случайности результатов эксперимента и т.п.

Статистический критерий проверки гипотезы Н_о служит для определения возможного отклонения от основной гипотезы. Характер отклонений может быть различным. Если критерий ²улавливает² любые отклонения от Н_о, то такой критерий называют универсальным или критерием согласия. Существуют критерии, которые выявляют отклонения от заданного вида, это узко направленные критерии.

Выбор правила проверки гипотезы Н_о эквивалентен заданию критической области х₁, при попадании в которую переменной х гипотеза Н_о отвергается. Критерий, определяемый критической областью х₁ называют критерием х₁.

В процессе проверки гипотезы Н_о можно прийти к правильному решению или совершить ошибку первого рода - отклонить Н_о когда она верна, или ошибку второго рода - принять Н_о, когда она ложна. Иными словами, ошибка первого рода имеет место, если точка х попадает в критическую область х₁, в то время как верна нулевая гипотеза Н_о, а ошибка второго рода - когда х Î х_о, но гипотеза Н_о ложна.

Желательно провести проверку гипотезы так, чтобы свести к минимуму вероятности обоих ошибок. Однако при данном числе испытаний n в общем случае невозможно одновременно обе эти вероятности сделать как угодно малыми. Поэтому наиболее рационально выбирать критическую область следующим образом: при заданном числе испытаний n устанавливается граница для вероятности ошибки первого рода и при этом выбирается та критическая область х₁, для которой вероятность ошибки второго рода минимальна.

2.5. Вероятности ошибок первого и второго рода

Рассмотрим станок, который может работать только в одном из двух состояний. Если он работает в налаженном режиме, то для интересующего нас признака качества, например, длины или диаметра заготовки, имеет место нормальное распределение при работе как в налаженном так и в разлаженном режиме. Оба режима отличаются только уровнем настройки процесса по математическому ожиданию ( М(х) = 10 и 11, соответственно в налаженном и разлаженном режиме ), в то время как дисперсии в обоих случаях составляют s² = 4.

Проверить нужно нулевую гипотезу, в соответствии с которой М(х) = 10, против альтернативы ( в данном случае единственной ) М(х) = 11. Конкурирующую гипотезу обозначим Н₁. Тогда Н_о: М(х) = 10; Н₁: М(х) = 11.

Необходимо по результатам выборки определить в каком из состояний работает станок. Примем объем выборки n из потенциально бесконечной генеральной совокупности. В качестве контрольной величины возьмем выборочное среднее Х_n. На рис. 9 изображены плотности распределения Х_n для n = 25 и n = 4.

Для формулировки критерия необходимо разделить область изменения контрольной величины (х) на критическую область отклонения гипотезы Н_о ( принятия Н₁ ) и область принятия гипотезы Н_о. Для этого необходимо выбрать число К, такое, что 10 < К < 11, и интервал ( -¥; К ] рассматривать как область принятия гипотезы Н_о, а интервал [ К; ¥ ) - как область отклонения гипотезы Н_о. По рис. 9 видно, что каждая реализация Х₂₅ или Х₄ возможна при верности любой из двух гипотез, но с различной вероятностью. На рис. 9 указаны вероятности совершения ошибки первого

Рис. 9. Плотности распределения двух гипотез при различном

объеме выборки и одинаковой дисперсии

рода a ( отклонения верной гипотезы Н_о ) и второго рода b ( принятие гипотезы Н_о, когда она не верна ). По рис. 9 также видно, что увеличение n ведет к уменьшению дисперсии распределения х и тем самым - к одновременному уменьшению вероятностей a и b. В соответствии с рис. 9 можно записать:

;

.

Эти два уравнения содержат четыре величины a, b, К, n. Задав две из четырех величин, можно определить две другие.

Характеристики

Список файлов реферата