Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь FAQ Написать работу КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Допустимое отклонение исходной величины составитСодержание книги
Поиск на нашем сайте
ε= t0,9(5)(m*2 /n) 0,5 =2,015 (658,6/6)0,5 = 21,11. Границы интервала: θ 0 =55–21,11=33,89 и θ 1 =55+21,11= 76,11. В данном пришмере использование нормального распределения вместо распределения Стьюдента приведет к неоправданному сужению интервала в 2,015/1,64 = 1,3 раза.
Доверительный интервал для дисперсии
По выборке достаточно большого объема (n >30) и при заданной надежности 1– a необходимо определить доверительный интервал для дисперсии m2, оценка которой . Если стандартизовать оценку дисперсии, то величина (n –1) S 2/ m2 имеет распределение хи-квадрат с (n –1) степенями свободы. Из этого вытекает вероятностное утверждение относительно выборочной дисперсии
P[(n–1)S2 / μ2 >c2a(n–1)] = a. (3.3)
Функция хи-квадрат несимметричная, поэтому границы интервала c21(n–1) и c22(n–1) выбирают из условия равной вероятности выхода за их пределы P[(n–1)S2/ μ2 <c21(n–1)] = P[(n–1)S2/ μ2 >c22(n–1)] = a/2 или (3.4) P[(n–1)S2/c21(n–1) < m2] = P[(n–1)S2/c22(n–1) > m2] = a/2.
Значения границ соответствуют квантилям распределения хи-квадрат с значениями уровней a /2 и 1– a /2, количество степеней свободы равно n –1. Нижняя граница c21(n–1) равна квантили c2a/2(n–1), а верхняя – квантили c21- a/2(n–1). Если воспользоваться критическими точками распределения, то следует записать c21(n–1) = c2(1– a/2; n–1), c22(n–1) = c2(a/2; n–1). Пример 3.4. Определить с надежностью 0,9 доверительный интервал для дисперсии случайной величины (n =44, S2= 0,91) Решение. Количество степеней свободы 44–1=43. Вероятности выхода за нижнюю и верхнюю границы (1–0,9)/2 =0,05. По распределению хи-квадрат находим квантили c20,05(43)=28,96, c20,95(43) =59,30.
Следовательно, НДГ для дисперсии θ 0=(n–1)S2/c20,95(43)= 43×0,91/59,30= 0,66, и ВДГ θ 1=(n–1)S2/c20,05(43)= 43×0,91/28,96 = 1,36.
Доверительный интервал для вероятности
Пусть случайная величина Х имеет только два возможных значения: 0 и 1. В результате проведения достаточно большого количества наблюдений эта случайная величина приняла единичное значение n раз. Необходимо при заданной надежности 1– a определить доверительный интервал для вероятности р, оценка которой соответствует частоте w* = m*/n. Оценка w* вероятности р является состоятельной, эффективной и несмещенной. Если оцениваемая вероятность не слишком мала и не слишком велика (0,05< p <0,95), то можно считать, что распределение случайной величины w* близко к нормальному. Этим допущением можно пользоваться, если пр и п(1–р) больше четырех. Параметры нормального распределения частоты m*x = р, S2 = р( 1 –р) / п (дисперсия S2 (m) количества успехов m составляет величину пр( 1 –р), а дисперсия частоты S2 (m)/ п2. Тогда по аналогии с определением доверительного интервала для математического ожидания нормально распределенной величины w* можно записать
ε = |w*– p| = u1– a/2(S2 (т))0,5 =u1– a/2(р(1–р)/п)0,5,
где u1– a/2 – квантиль стандартизованного нормального распределения. Чтобы связать доверительный интервал с исходными параметрами n, w* и u1– a/2, возведем выражение для ε в квадрат, т. е. преобразуем равенство к виду
(w*–p)2=u21– a/2(1–p)p/п.
Доверительные границы можно получить, решив это уравнение второй степени
p2,1 = { nw* + 0,5u21– a/2 ± u1– a/2 [ nw*( 1 –w*) + 0,25u21– a/2 ] 0,5 } /(п + u21– a/2). (3.5)
С увеличением объема выборки (пц* >200, nw*( 1 –w*) >200) такими слагаемыми как u21– a/2, 0,5 u21– a/2 и 0,25 u21– a/ 2 можно пренебречь, тогда приближенно p1 =w*– u1– a/2 [w*(1–w*)/n]0,5, p2 =w* + u1– a/2 [w*(1–w*)/n]0,5. (3.6)
Более общие результаты получены с учетом того, что случайная величина w* распределена по биномиальному закону (3.7) где Cnk – число сочетаний из n по k. Исходя из этого положения, для практического применения получены значения нижней р1 и верхней р2 доверительных границ (3.8)
. (3.9)
где – квантиль распределения хи-квадрат уровня X с числом степеней свободы k. Формулы (3.8) и (3.9) можно применять и в тех случаях, когда частость w* события близка (равна) нулю или близка (равна) количеству экспериментов п соответственно. В первом случае НДГ р1 принимается равной нулю и рассчитывается только ВДГ р2. Во втором случае рассчитывается НДГ р1, а верхняя граница р2 =1. Пример 3.5. В результате наблюдения за 58 изделиями не было зафиксировано ни одного отказа. Определить доверительный интервал для вероятности отказа с надежностью 0,9. Решение. Нижнюю доверительную границу р1 следует принять равной нулю, ВДГ Таким образом, доверительный интервал с нижней границей 0 и верхней границей 0,05 с вероятностью 0,9 накрывает истинное значение вероятности отказа изделий.
АППРОКСИМАЦИЯ ЗАКОНА РАСПРЕДЕЛЕНИЯ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ
Задачи аппроксимации
Конкретное содержание обработки одномерных ЭД зависит от поставленных целей исследования. В простейшем случае достаточно определить первый момент распределения, например, среднее время обработки запросов к распределенной базе данных. В других случаях требуется установить вероятностно-временные характеристики распределения, например, оценить вероятность своевременной обработки запросов или вероятность безотказной работы системы в течение заданного периода времени. Для нахождения таких значений требуется знание закона распределения как наиболее полной характеристики соответствующей случайной величины. В классической математической статистике предполагается известным вид закона распределения и производится оценка значений его параметров по результатам наблюдений. Но обычно заранее вид закона распределения неизвестен, а теоретические предположения не позволяют его однозначно установить. Обработка ЭД также не позволит точно вычислить истинный закон распределения показателя. В таком случае следует говорить только об аппроксимации (приближенном описании) реального закона некоторым другим, который не противоречит ЭД и в каком-то смысле похож на этот неизвестный истинный закон. В соответствии с этими положениями постановка задачи аппроксимации закона распределения ЭД формулируется следующим образом. Имеется выборка наблюдений (x1, x2, …, xn) за случайной величиной Х. Объем выборки п фиксирован. Необходимо подобрать закон распределения (вид и параметры), который бы в статистическом смысле соответствовал имеющимся наблюдениям. Ограничения: выборка представительная, ее объем достаточен для оценки параметров и проверки согласованности выбранного закона распределения и ЭД; плотность распределения унимодальная. Наличие в функции плотности распределения нескольких мод может быть следствием различных причин, например существованием различных по длине маршрутов прохождения запросов в системе обработки. Выборку с несколькими модами разделяют на составные части так, чтобы каждая из них имела одну моду. В последнем случае функция распределения исходной выборки представляет собой взвешенную сумму соответствующих функций отдельных выборок: , где s – количество выборок, выбранное исходя из требований унимодальности распределения; pi – вероятность принадлежности элемента выборки к выборке i; Fi(x) – функция распределения выборки i. Решение поставленной задачи аппроксимации осуществляется на основе применения "типовых" распределений, специальных рядов или семейств универсальных распределений.
|
||||
Последнее изменение этой страницы: 2016-09-19; просмотров: 358; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 3.144.89.42 (0.007 с.) |