Основы вероятностно-статистических методов описания неопределенностей

Дисперсия случайной величины. Математическое ожидание показывает, вокруг какой точки группируются значения случайной величины. Необходимо также уметь измерить изменчивость случайной величины относительно математического ожидания. Выше показано, что $$M[(X-a)^2]$$ достигает минимума по $$a$$ при $$a=M(X)$$. Поэтому за показатель изменчивости случайной величины естественно взять именно $$M[(X-M(X))^2]$$.

Определение 5. Дисперсией случайной величины $$X$$ называется число $$\sigma^2=D(X)=M\left[(X-M(X))^2\right]$$.

Установим ряд свойств дисперсии случайной величины, постоянно используемых в вероятностно-статистических методах принятия решений.

Утверждение 8. Пусть $$X$$ - случайная величина, $$a$$ и $$b$$ - некоторые числа, $$Y = aX + b$$. Тогда $$D(Y) = a^2D(X)$$.

Как следует из утверждений 3 и 5, $$M(Y) = aM(X) + b$$. Следовательно, $$D(Y)=M[(Y-M(Y))^2] = M[(aX + b - aM(X) - b)^2] = M[a^2(X - M(X))^2]$$. Поскольку постоянный множитель можно выносить за знак суммы, то $$M[a^2(X - M(X))^2] = a^2 M[(X - M(X))^2] = a^2 D(X)$$.

Утверждение 8 показывает, в частности, как меняется дисперсия результата наблюдений при изменении начала отсчета и единицы измерения. Оно дает правило преобразования расчетных формул при переходе к другим значениям параметров сдвига и масштаба.

Утверждение 9. Если случайные величины $$X$$ и $$Y$$ независимы, то дисперсия их суммы $$X+Y$$ равна сумме дисперсий: $$D(X+Y)=D(X)+D(Y)$$.

Для доказательства воспользуемся тождеством

$$(X+Y- (M(X)+M(Y))^2 = (X-M(X))^2 + 2(X-M(X))(Y-M(Y)) + (Y-M(Y))^2,$$

которое вытекает из известной формулы элементарной алгебры $$(a+b)^2 = a^2 + 2ab + b^2$$ при подстановке $$a = X-M(X)$$ и $$b=Y-M(Y)$$. Из утверждений 3 и 5 и определения дисперсии следует, что

$$D(X+Y)=D(X)+D(Y)+2M\{(X-M(X))(Y-M(Y))\}.$$

Согласно утверждению 6 из независимости $$X$$ и $$Y$$ вытекает независимость $$X-M(X)$$ и $$Y-M(Y)$$. Из утверждения 7 следует, что

$$M\{(X-M(X))(Y-M(Y))\}= M(X-M(X))M(Y-M(Y)).$$

Поскольку $$M(X-M(X))=0$$ (см. утверждение 3), то правая часть последнего равенства равна 0, откуда с учетом двух предыдущих равенств и следует заключение утверждения 9.

Утверждение 10. Пусть $$X_1, X_2,..., X_k$$ - попарно независимые случайные величины (т.е. $$X_i$$ и $$X_j$$ независимы, если $$i\ne j$$ ). Пусть $$Y_k$$ - их сумма, $$Y_k = X_1+X_2+...+X_k$$. Тогда математическое ожидание суммы равно сумме математических ожиданий слагаемых - $$M(Y_k)=M(X_1)+M(X_2)+...+M(X_k)$$. Дисперсия суммы равна сумме дисперсий слагаемых, $$D(Y_k)=D(X_1)+D(X_2)+...+D(X_k)$$.

Соотношения, сформулированные в утверждении 10, являются основными при изучении выборочных характеристик, поскольку результаты наблюдений или измерений, включенные в выборку, обычно рассматриваются в математической статистике, теории принятия решений и эконометрике как реализации независимых случайных величин.

Для любого набора числовых случайных величин (не только независимых) математическое ожидание их суммы равно сумме их математических ожиданий. Это утверждение является обобщением утверждения 5. Строгое доказательство легко проводится методом математической индукции.

При выводе формулы для дисперсии $$D(Y_k)$$ воспользуемся следующим свойством символа суммирования:

$$\left(\sum_{1\le i\le k} a_i\right)^2= \left(\sum_{1\le i\le k} a_i\right)\left(\sum_{1\le j\le k} a_i\right)= \sum_{1\le i\le k,1\le j\le k}a_i a_j.$$

Положим $$a_i = X_i - M(X_i)$$, получим

$$\begin{gathered} (X_1+X_2+...+X_k-M(X_1)-M(X_2)-...-M(X_k))^2=\\ =\sum_{1\le i\le k,1\le j\le k}(X_i-M(X_i))(X_j-M(X_j)). \end{gathered}$$

Воспользуемся теперь тем, что математическое ожидание суммы равно сумме математических ожиданий:

$$D(Y_k)=\sum_{1\le i\le k,1\le j\le k}M\{(X_i)-M(X_i)(X_j-M(X_j))\}.$$

Как показано при доказательстве утверждения 9, из попарной независимости рассматриваемых случайных величин следует, что $$M\{(X_i - M(X_i))(X_i - M(X_i))\}=0$$ при $$i\ne j$$. Следовательно, в сумме (8) остаются только члены с $$i=j$$, а они равны как раз $$D(X_i)$$.

Полученные в утверждениях 8-10 фундаментальные свойства таких характеристик случайных величин, как математическое ожидание и дисперсия, постоянно используются практически во всех вероятностно-статистических моделях реальных явлений и процессов.

Пример 9. Рассмотрим событие $$A$$ и случайную величину $$X$$ такую, что $$X(\omega)=1$$, если $$\omega\in A$$, и $$X(\omega)=0$$ в противном случае, т.е. если $$\omega\in\Omega\backslash A$$. Покажем, что $$M(X) = P(A), D(X)=P(A)(1 - P(A))$$.

Воспользуемся формулой (5) для математического ожидания. Случайная величина $$X$$ принимает два значения - 0 и 1, значение 1 с вероятностью $$P(A)$$ и значение 0 с вероятностью $$1 - P(A)$$, а потому $$M(X)=1\times P(A)+0\times(1-P(A))=P(A)$$. Аналогично $$(X-M(X))^2=(1-P(A))^2$$ с вероятностью $$P(A)$$ и $$(X-M(X))^2=(0-P(A))^2$$ с вероятностью $$1-P(A)$$, а потому $$D(A)=(1-P(A))^2 P(A)+(P(A))(1-P(A))$$. Вынося общий множитель, получаем, что $$D(A)=P(A)(1-P(A))$$.

Пример 10. Рассмотрим $$k$$ независимых испытаний, в каждом из которых некоторое событие $$A$$ может наступить, а может и не наступить. Введем случайные величины $$X_1, X_2,..,X_k$$ следующим образом: $$X_i(\omega)=1$$, если в $$i$$ -ом испытании событие $$A$$ наступило, и $$X_i(\omega)=0$$ - в противном случае. Тогда случайные величины $$X_1, X_2, ..., X_k$$ попарно независимы (см. пример 7). Как показано в примере 9, $$M(X_i)=p, D(X_i)=p(1–p)$$, где $$p=P(A)$$. Иногда $$p$$ называют "вероятностью успеха" - в случае, если наступление события $$A$$ рассматривается как "успех".

Случайная величина $$B=X_1+X_2+...+X_k$$ называется биномиальной. Ясно, что $$0\le B\le k$$ при всех возможных исходах опытов. Чтобы найти распределение $$B$$, т.е. вероятности $$P(B=a)$$ при $$a=0,1,...,k$$, достаточно знать $$p$$ - вероятность наступления рассматриваемого события в каждом из опытов. Действительно, случайное событие $$B=a$$ осуществляется тогда и только тогда, когда событие $$A$$ наступает ровно при $$a$$ испытаниях. Если известны номера всех этих испытаний (т.е. номера в последовательности испытаний), то вероятность одновременного осуществления в $$a$$ опытах события $$A$$ и в $$k-a$$ опытах противоположного ему - это вероятность произведения $$k$$ независимых событий. Вероятность произведения равна произведению вероятностей, т.е. $$p^a(1–p)^{k-a}$$. Сколькими способами можно задать номера $$a$$ испытаний из $$k$$? Это $${k\choose a}$$ - число сочетаний из $$k$$ элементов по $$a$$, рассматриваемое в комбинаторике. Как известно,

$${k\choose a}= \frac{k!}{a!(k-a)!},$$

где символом $$k$$! обозначено произведение всех натуральных чисел от 1 до $$k$$, т.е. $$k!=1\cdot 2\cdot ...\cdot k$$ (дополнительно принимают, что 0! = 1). Из сказанного следует, что биномиальное распределение, т.е. распределение биномиальной случайной величины, имеет вид

$$P(B=a)={k\choose a}p^a(1-p)^{k-a}.$$

Название "биномиальное распределение" основано на том, что $$P(B=a)$$ является членом с номером $$(а+1)$$ в разложении по биному Ньютона

$$(A+C)^k=\sum_{0\le j\le k} {k\choose j} A^{k-j}C^j,$$

если положить $$A=1–p,C=p$$. Тогда при $$j=a$$ получим

$${k\choose j} A^{k-j}C^j=P(B=a).$$

Для числа сочетаний из $$k$$ элементов по $$a$$, кроме $$\left(\begin{gathered}k\\a\end{gathered}\right)$$, используют обозначение $$C_k^a$$.

Из утверждения 10 и расчетов примера 9 следует, что для случайной величины $$B$$, имеющей биномиальное распределение, математическое ожидание и дисперсия выражаются формулами

$$M(B)=kp,D(B)=kp(1-p),$$

поскольку $$B$$ является суммой $$k$$ независимых случайных величин с одинаковыми математическими ожиданиями и дисперсиями, найденными в примере 9.

Неравенства Чебышева. Выше обсуждалась задача проверки того, что доля дефектной продукции в партии равна определенному числу. Для демонстрации вероятностно-статистического подхода к проверке подобных утверждений являются полезными неравенства, впервые примененные в теории вероятностей великим русским математиком Пафнутием Львовичем Чебышевым (1821–1894) и потому носящие его имя. Эти неравенства широко используются в теории математической статистики, а также непосредственно применяются в ряде практических задач принятия решений. Например, в задачах статистического анализа технологических процессов и качества продукции в случаях, когда явный вид функции распределения результатов наблюдений неизвестен (см. ниже, где, в частности, они применяются в задаче исключения резко отклоняющихся результатов наблюдений).

Первое неравенство Чебышева. Пусть $$X$$ - неотрицательная случайная величина (т.е. $$X(\omega)\ge 0$$ для любого $$\omega\in\Omega$$ ). Тогда для любого положительного числа $$a$$ справедливо неравенство

$$P(X\ge a)\le\frac{M(X)}{a}.$$

Доказательство. Все слагаемые в правой части формулы (4), определяющей математическое ожидание, в рассматриваемом случае неотрицательны. Поэтому при отбрасывании некоторых слагаемых сумма не увеличивается. Оставим в сумме только те члены, для которых $$X(\omega)\ge a$$. Получим, что

$$M(X)\ge\sum_{\omega:X(\omega)\ge a}X(\omega)P(\omega).$$

Для всех слагаемых в правой части (9) – $$X(\omega)\ge a$$, поэтому

$$\sum_{\omega:X(\omega)\ge a}X(\omega)P(\omega)\ge a \sum_{\omega:X(\omega)\ge a}P(\omega)=aP(X\ge a).$$

Из (9) и (10) следует требуемое.

Второе неравенство Чебышева. Пусть $$X$$ – случайная величина. Для любого положительного числа $$a$$ справедливо неравенство

$$P(|X-M(X)|\ge a)\le\frac{D(X)}{a^2}.$$

Это неравенство содержалось в работе П.Л.Чебышева "О средних величинах", доложенной Российской академии наук 17 декабря 1866 г. и опубликованной в следующем году.

Для доказательства второго неравенства Чебышева рассмотрим случайную величину $$Y=(X–M(X))^2$$. Она неотрицательна, и потому для любого положительного числа $$b$$, как следует из первого неравенства Чебышева, справедливо неравенство

$$P(Y\ge b)\le\frac{M(Y)}{b}=\frac{D(X)}{b}.$$

Положим $$b=a^2$$. Событие $$\{Y\ge b\}$$ совпадает с событием $$\{|X-M(X)|\ge a\}$$, а потому

$$P(|X-M(X)|\ge a)=P(Y\gea^2)\le\frac{D(X)}{a^2},$$

что и требовалось доказать.

Пример 11. Можно указать неотрицательную случайную величину $$X$$ и положительное число $$a$$ такие, что первое неравенство Чебышева обращается в равенство.

Достаточно рассмотреть $$X(\omega)=a$$. Тогда $$M(X)=a, M(X)/a=1$$ и $$P(a\ge a)=1$$, т.е. $$P(X\ge a)=M(X)/a=1$$.

Следовательно, первое неравенство Чебышева в его общей формулировке не может быть усилено. Однако для подавляющего большинства случайных величин, используемых при вероятностно-статистическом моделировании процессов принятия решений, левые части неравенств Чебышева много меньше соответствующих правых частей.

Пример 12. Может ли первое неравенство Чебышева обращаться в равенство при всех $$a$$? Оказывается, нет. Покажем, что для любой неотрицательной случайной величины с ненулевым математическим ожиданием можно найти такое положительное число $$a$$, что первое неравенство Чебышева является строгим.

Действительно, математическое ожидание неотрицательной случайной величины либо положительно, либо равно 0. В первом случае возьмем положительное $$a$$, меньшее положительного числа $$M(X)$$, например, положим $$a=M(X)/2$$. Тогда $$M(X)/a$$ больше 1, в то время как вероятность события не может превышать 1, а потому первое неравенство Чебышева является для этого $$a$$ строгим. Второй случай исключается условиями примера 11.

Отметим, что во втором случае равенство 0 математического ожидания влечет тождественное равенство 0 случайной величины. А для такой случайной величины при любом положительном $$a$$ и левая и правая части первого неравенства Чебышева равны 0.

Можно ли в формулировке первого неравенства Чебышева отбросить требование неотрицательности случайной величины $$X$$? А требование положительности $$a$$? Легко видеть, что ни одно из двух требований не может быть отброшено, поскольку иначе правая часть первого неравенства Чебышева может стать отрицательной.

Закон больших чисел. Неравенство Чебышева позволяет доказать замечательный результат, лежащий в основе математической статистики – закон больших чисел. Из него вытекает, что выборочные характеристики при возрастании числа опытов приближаются к теоретическим, а это дает возможность оценивать параметры вероятностных моделей по опытным данным. Без закона больших чисел не было бы большей части прикладной математической статистики.

Теорема Чебышева. Пусть случайные величины $$X_1, X_2,..., X_k$$ попарно независимы и существует число $$C$$ такое, что $$D(X_i)\le C$$ при всех $$i = 1, 2, ..., k$$. Тогда для любого положительного $$\varepsilon$$ выполнено неравенство

$$P \left\{ \left| \frac{X_1+X_2+...+X_k}{k}-\frac{M(X_1)+M(X_2)+...+M(X_k)}{k} \right| \ge\varepsilon \right\} \le\frac{C}{k\varepsilon^2}.$$

Доказательство. Рассмотрим случайные величины $$Y_k=X_1+X_2+...+Х_k$$ и $$Z_k = Y_k/k$$. Тогда согласно утверждению 10

$$M(Y_k)=М(X_1)+M(X_2)+...+M(X_k), D(Y_k)=D(X_1)+D(X_2)+...+D(X_k).$$

Из свойств математического ожидания следует, что $$M(Z_k)=M(Y_k)/k$$, а из свойств дисперсии – $$D(Z_k)=D(Y_k)/k^2$$. Таким образом,

$$\begin{gathered} M(Z_k)=\{M(X_1)+M(X_2)+...+M(X_k)\}/k, \\ D(Z-k)=\{D(X_1)+D(X_2)+...+D(X_k)\}/k^2. \end{gathered}$$

Из условия теоремы Чебышева следует, что

$$D(Z_k)\le\frac{Ck}{k^2}=\frac{C}{k}.$$

Применим к $$Z_k$$ второе неравенство Чебышева. Получим для стоящей в левой части неравенства (11) вероятности оценку

$$P\{|Z_k-M(Z_k)|\ge\varepsilon\}\le\frac{D(Z_k)}{\varepsilon^2}\le\frac{C}{k\varepsilon^2},$$

что и требовалось доказать.

Эта теорема была получена П.Л.Чебышевым в той же работе 1867 г. "О средних величинах", что и неравенства Чебышева.

Пример 13. Пусть $$C=1, \varepsilon=0,1$$. При каких $$k$$ правая часть неравенства (11) не превосходит 0,1? 0,05? 0,00001?

В рассматриваемом случае правая часть неравенства (11) равна $$100/k$$. Она не превосходит 0,1, если $$k$$ не меньше 1000, не превосходит 0,05, если $$k$$ не меньше 2000, не превосходит 0,00001, если $$k$$ не меньше 10 000 000.

Правая часть неравенства (11), а вместе с ней и левая, при возрастании $$k$$ и фиксированных $$C$$ и $$\varepsilon$$ убывает, приближаясь к 0. Следовательно, вероятность того, что среднее арифметическое независимых случайных величин отличается от своего математического ожидания менее чем на $$\varepsilon$$, приближается к 1 при возрастании числа случайных величин, причем при любом $$\varepsilon$$. Это утверждение называют ЗАКОНОМ БОЛЬШИХ ЧИСЕЛ.

Наиболее важен для вероятностно-статистических методов принятия решений (и для математической статистики в целом) случай, когда все $$X_i, i=1,2,..$$., имеют одно и то же математическое ожидание $$M(X_1)$$ и одну и ту же дисперсию $$\sigma^2=D(X_1)$$. В качестве замены (оценки) неизвестного исследователю математического ожидания используют выборочное среднее арифметическое

$$\overline{X}=\frac{X_1+X_2+...+X_k}{k}.$$

Из закона больших чисел следует, что $$\overline{X}$$ при увеличении числа опытов (испытаний, измерений) сколь угодно близко приближается к $$M(X_1)$$, что записывают так:

$$\overline{X}\stackrel{P}{\longrightarrow} M(X_1)$$

Здесь знак $$\stackrel{P}{\longrightarrow}$$ означает "сходимость по вероятности". Обратим внимание, что понятие "сходимость по вероятности" отличается от понятия "переход к пределу" в математическом анализе. Напомним, что последовательность $$b_n$$ имеет предел $$b$$ при $$n\rightarrow\infty$$, если для любого сколь угодно малого $$\delta>0$$ существует число $$n(\delta)$$ такое, что при любом $$n>n(\delta)$$ справедливо утверждение: $$b_n\in(b-\delta;b+\delta)$$. При использовании понятия "сходимость по вероятности" элементы последовательности предполагаются случайными, вводится еще одно сколь угодно малое число $$\varepsilon>0$$ и утверждение $$b_n\in(b-\delta;b+\delta)$$ предполагается выполненным не наверняка, а с вероятностью не менее $$1-\varepsilon$$.

В начале лекции отмечалось, что с точки зрения ряда естествоиспытателей вероятность события $$A$$ – это число, к которому приближается отношение количества осуществлений события $$A$$ к количеству всех опытов при безграничном увеличении числа опытов. Известный математик Якоб Бернулли (1654–1705), живший в городе Базель в Швейцарии, в самом конце XVII века доказал это утверждение в рамках математической модели (опубликовано доказательство было лишь после его смерти в 1713 году). Современная формулировка теоремы Бернулли такова.

Теорема Бернулли. Пусть $$m$$ – число наступлений события $$A$$ в $$k$$ независимых (попарно) испытаниях и $$p$$ есть вероятность наступления события $$A$$ в каждом из испытаний. Тогда при любом $$\varepsilon>0$$ справедливо неравенство

$$P \left\{ \left| \frac{m}{k}-p \right| \ge\varepsilon \right\} \le\frac{p(1-p)}{k\varepsilon^2}$$

Доказательство. Как показано в примере 10, случайная величина $$m$$ имеет биномиальное распределение с вероятностью успеха $$p$$ и является суммой $$k$$ независимых случайных величин $$X_i, i=1,2...,k$$, каждое из которых равно 1 с вероятностью $$p$$ и 0 с вероятностью $$1–р$$, т.е. $$m=X_1+X_2+...+X_k$$. Применим к $$X_1,X_2,...,X_k$$ теорему Чебышева с $$C=p(1–p)$$ и получим требуемое неравенство (12).

Теорема Бернулли дает возможность связать математическое определение вероятности (по А.Н. Колмогорову) с определением ряда естествоиспытателей (по Р. Мизесу (1883–1953), согласно которому вероятность есть предел частоты в бесконечной последовательности испытаний). Продемонстрируем эту связь. Для этого сначала отметим, что

$$p(1-p)\le\frac14$$

при всех $$p$$. Действительно,

$$\frac14-p(1-p)= \left( p-\frac12 \right)^2 \ge 0.$$

Следовательно, в теореме Чебышева можно использовать $$C = 1/4$$. Тогда при любом $$p$$ и фиксированном $$\varepsilon$$ правая часть неравенства (12) при возрастании $$k$$ приближается к 0, что и доказывает согласие математического определения в рамках вероятностной модели с мнением естествоиспытателей.

Есть и прямые экспериментальные подтверждения того, что частота осуществления определенных событий близка к вероятности, определенной из теоретических соображений. Рассмотрим бросания монеты. Поскольку и герб, и решетка имеют одинаковые шансы оказаться сверху, то вероятность выпадения герба равна 1/2 из соображений равновозможности. Французский естествоиспытатель XVIII века Бюффон бросил монету 4040 раз, герб выпал при этом 2048 раз. Частота появления герба в опыте Бюффона равна 0,507. Английский статистик К. Пирсон бросил монету 12000 раз и при этом наблюдал 6019 выпадений герба – частота 0,5016. В другой раз он бросил монету 24000 раз, герб выпал 12012 раз – частота 0,5005. Как видим, во всех этих случаях частоты лишь незначительно отличаются от теоретической вероятности 0,5 [, с.148].

О проверке статистических гипотез. С помощью неравенства (12) можно кое-что сказать по поводу проверки соответствия качества продукции заданным требованиям.

Пусть из 100000 единиц продукции 30000 оказались дефектными. Согласуется ли это с гипотезой о том, что вероятность дефектности равна 0,23? Прежде всего, какую вероятностную модель целесообразно использовать? Принимаем, что проводится сложный опыт, состоящий из 100000 испытаний 100000 единиц продукции на годность. Считаем, что испытания (попарно) независимы и что в каждом испытании вероятность того, что единица продукции является дефектной, равна $$p$$. В реальном опыте получено, что событие "единица продукции не является годной" осуществилось 30000 раз при 100000 испытаниях. Согласуется ли это с гипотезой о том, что вероятность дефектности $$p$$ =0,23?

Для проверки гипотезы воспользуемся неравенством (12). В рассматриваемом случае $$k = 100000, m = 30000, m/k = 0,3, p = 0,23, m/k – p = 0,07$$. Для проверки гипотезы поступим так. Оценим вероятность того, что $$m/k$$ отличается от $$p$$ так же, как в рассматриваемом случае, или больше, т.е. оценим вероятность выполнения неравенства $$|m/k – 0,23| \ge 0,07$$. Положим в неравенстве (12) $$р = 0,23, \varepsilon= 0,07$$. Тогда

$$P \left\{ \left| \frac{m}{k}-0,23 \right| \ge 0,07 \right\}\le \frac{0,23\cdot 0,77}{0,0049k}\approx\frac{36,11}{k}.$$

При $$k$$ = 100000 правая часть (13) меньше 1/2500. Значит, вероятность того, что отклонение будет не меньше наблюдаемого, весьма мала. Следовательно, если исходная гипотеза верна, то в рассматриваемом опыте осуществилось событие, вероятность которого меньше 1/2500. Поскольку 1/2500 – очень маленькое число, то исходную гипотезу надо отвергнуть.

Подробнее методы проверки статистических гипотез будут рассмотрены ниже. Здесь отметим, что одна из основных характеристик метода проверки гипотезы – уровень значимости, т.е. вероятность отвергнуть проверяемую гипотезу (ее в математической статистике называют нулевой и обозначают $$H_0$$ ), когда она верна. Для проверки статистической гипотезы часто поступают так. Выбирают уровень значимости – малое число $$\alpha$$. Если описанная в предыдущем абзаце вероятность меньше $$\alpha$$, то гипотезу отвергают, как говорят, на уровне значимости $$\alpha$$. Если эта вероятность больше или равна $$\alpha$$, то гипотезу принимают. Обычно в вероятностно-статистических методах принятия решений выбирают $$\alpha$$ =0,05, значительно реже $$\alpha$$ =0,01 или $$\alpha$$ =0,1, в зависимости от конкретной практической ситуации. В рассматриваемом случае $$\alpha$$, напомним, та доля опытов (т.е. проверок партий по 100000 единиц продукции), в которой мы отвергаем гипотезу $$H_0:p=0,23$$, хотя она верна.

Насколько результат проверки гипотезы $$H_0$$ зависит от числа испытаний $$k$$? Пусть при $$k = 100, k = 1000, k = 10000$$ оказалось, что $$m = 30, m = 300, m = 3000$$ соответственно, так что во всех случаях $$m/k = 0,3$$. Какие значения принимает вероятность

$$P_k=P \left\{ \left| \frac{m}{k}-0,23 \right|\ge 0,07 \right\}$$

и ее оценка – правая часть формулы (13)?

При $$k$$ = 100 правая часть (13) равна приблизительно 0,36, что не дает оснований отвергнуть гипотезу. При $$k$$ = 1000 правая часть (13) равна примерно 0,036. Гипотеза отвергается на уровне значимости $$\alpha$$ = 0,05 (и $$\alpha$$ = 0,1), но на основе оценки вероятности с помощью правой части формулы (13) не удается отвергнуть гипотезу на уровне значимости $$\alpha$$ = 0,01. При $$k$$ = 10000 правая часть (13) меньше 1/250, и гипотеза отвергается на всех обычно используемых уровнях значимости.

Более точные расчеты, основанные на применении центральной предельной теоремы теории вероятностей (см. ниже), дают $$Р_{100}$$ = 0,095, $$Р_{1000}$$ = 0,0000005, так что оценка (13) является в рассматриваемом случае весьма завышенной. Причина в том, что получена она из наиболее общих соображений, применительно ко всем возможным случайным величинам улучшить ее нельзя (см. пример 11 выше), но применительно к биномиальному распределению – можно.

Ясно, что без введения уровня значимости не обойтись, ибо даже очень большие отклонения $$m/k$$ от $$р$$ имеют положительную вероятность осуществления. Так, при справедливости гипотезы $$H_0$$ событие "все 100000 единиц продукции являются дефектными" отнюдь не является невозможным с математической точки зрения, оно имеет положительную вероятность осуществления, равную 0,23¹⁰⁰⁰⁰⁰, хотя эта вероятность и невообразимо мала.

Аналогично разберем проверку гипотезы о симметричности монеты.

Пример 14. Если монета симметрична, то $$p$$ = 1/2, где $$p$$ – вероятность выпадения герба. Согласуется ли с этой гипотезой результат эксперимента, в котором при 10000 бросаниях выпало 4000 гербов?

В рассматриваемом случае $$m/k = 0,4$$. Положим в неравенстве (12) $$р = 0,5, \varepsilon = 0,1$$:

$$P \left\{ \left| \frac{m}{k}-0,5 \right|\ge 0,1 \right\} \le\frac{0,5\cdot 0,5}{0,01k}=\frac{25}{k}.$$

При $$k$$ = 10000 правая часть последнего неравенства равна 1/400. Значит, если исходная гипотеза верна, то в нашем единственном эксперименте осуществилось событие, вероятность которого весьма мала – меньше 1/400. Поэтому исходную гипотезу необходимо отвергнуть.

Если из 1000 бросаний монеты гербы выпали в 400 случаях, то правая часть выписанного выше неравенства равна 1/40. Гипотеза симметричности отклоняется на уровне значимости 0,05 (и 0,1), но рассматриваемые методы не дают возможности отвергнуть ее на уровне значимости 0,01.

Если $$k$$ = 100, а $$m$$ = 40, то правая часть неравенства равна 1/4. Оснований для отклонения гипотезы нет. С помощью более тонких методов, основанных на центральной предельной теореме теории вероятностей, можно показать, что левая часть неравенства равна приблизительно 0,05. Это показывает, как важно правильно выбрать метод проверки гипотезы или оценивания параметров. Следовательно, целесообразна стандартизация подобных методов, позволяющая сэкономить усилия, необходимые для сравнения и выбора наилучшего метода, а также избежать устаревших, неверных или неэффективных методов.

Ясно, что даже по нескольким сотням опытов нельзя достоверно отличить абсолютно симметричную монету ( $$p$$ = 1/2) от несколько несимметричной (для которой, скажем, $$p$$ = 0,49). Более того, любая реальная монета несколько несимметрична, так что монета с $$p$$ = 1/2 - математическая абстракция. Между тем в ряде управленческих и производственных ситуаций необходимо осуществить справедливую жеребьевку, а для этого требуется абсолютно симметричная монета. Например, речь может идти об очередности рассмотрения инвестиционных проектов комиссией экспертов, о порядке вызова для собеседования кандидатов на должность, об отборе единиц продукции из партии в выборку для контроля и т.п.

Пример 15. Можно ли с помощью несимметричной монеты получить последовательность испытаний с двумя исходами, каждый из которых имеет вероятность 1/2?

Ответ: да, можно. Приведем способ, предложенный видным польским математиком Гуго Штейнгаузом (1887–1972).

Будем бросать монету два раза подряд и записывать исходы бросаний так (Г – герб, Р – решетка, на первом месте стоит результат первого бросания, на втором – второго): ГР запишем как Г, в то время РГ запишем как Р, а ГГ и РР вообще не станем записывать. Например, если исходы бросаний окажутся такими –

ГР, РГ, ГР, РР, ГР, РГ, ГГ, РГ, РР, РГ,

то запишем их в виде:

Г, Р, Г, Г, Р, Р, Р.

Сконструированная таким образом последовательность обладает теми же свойствами, что и полученная при бросании идеально симметричной монеты, поскольку даже у несимметричной монеты последовательность ГР встречается столь же часто, как и последовательность РГ.

Применим теорему Бернулли и неравенство (12) к обработке реальных данных.

Пример 16. С 1871 г. по 1900 г. в Швейцарии родились 1359671 мальчиков и 1285086 девочек. Совместимы ли эти данные с предположением о том, что вероятность рождения мальчика равна 0,5? А с предположением, что она равна 0,515? Другими словами, требуется проверить нулевые гипотезы $$H_0:р=0,5$$ и $$H_0:р=0,515$$ с помощью неравенства (12).

Число испытаний равно общему числу рождений, т.е. 1359671 + 1285086 = 2644757. Есть все основания считать испытания независимыми. Число рождений мальчиков составляет приблизительно 0,514 всех рождений. В случае $$р=1/2$$ имеем $$\varepsilon= 0,014$$, и правая часть неравенства (12) имеет вид

$$\frac{0,5\times 0,5}{0,014\times 0,014\times 2644757}\approx 0,00001.$$

Таким образом, гипотезу $$p=0,5$$ следует считать несовместимой с приведенными в условии данными. В случае $$р=0,515$$ имеем $$\varepsilon=0,001$$, и правая часть (12) равна приблизительно 0,1, так что с помощью неравенства (12) отклонить гипотезу $$H_0:p=0,515$$ нельзя.

Итак, здесь на основе элементарной теории вероятностей (с конечным пространством элементарных событий) мы сумели построить вероятностные модели для описания проверки качества деталей (единиц продукции) и бросания монет и предложить методы проверки гипотез, относящихся к этим явлениям. В математической статистике есть более тонкие и сложные методы проверки описанных выше гипотез, которыми и пользуются в практических расчетах.

Можно спросить: "В рассмотренных выше моделях вероятности были известны заранее – со слов Струкова или же из-за того, что мы предположили симметричность монеты. А как строить модели, если вероятности неизвестны? Как оценить неизвестные вероятности?" Теорема Бернулли – результат, с помощью которого дается ответ на этот вопрос. Именно, оценкой неизвестной вероятности $$p$$ является число $$m/k$$, поскольку доказано, что при возрастании $$k$$ вероятность того, что $$m/k$$ отличается от $$p$$ более чем на какое-либо фиксированное число, приближается к 0. Оценка будет тем точнее, чем больше $$k$$. Более того, можно доказать, что с некоторой точки зрения (см. далее) оценка $$m/k$$ для вероятности $$p$$ является наилучшей из возможных (в терминах математической статистики – состоятельной, несмещенной и эффективной).

2.3. Суть вероятностно-статистических методов

Как подходы, идеи и результаты теории вероятностей и математической статистики используются при принятии решений?

Базой является вероятностная модель реального явления или процесса, т.е. математическая модель, в которой объективные соотношения выражены в терминах теории вероятностей. Вероятности используются прежде всего для описания неопределенностей, которые необходимо учитывать при принятии решений. Имеются в виду как нежелательные возможности (риски), так и привлекательные ("счастливый случай"). Иногда случайность вносится в ситуацию сознательно, например, при жеребьевке, случайном отборе единиц для контроля, проведении лотерей или опросов потребителей.

Теория вероятностей позволяет по одним вероятностям рассчитать другие, интересующие исследователя. Например, по вероятности выпадения герба можно рассчитать вероятность того, что при 10 бросаниях монет выпадет не менее 3 гербов. Подобный расчет опирается на вероятностную модель, согласно которой бросания монет описываются схемой независимых испытаний, кроме того, выпадения герба и решетки равновозможны, а потому вероятность каждого из этих событий равна 1/2. Более сложной является модель, в которой вместо бросания монеты рассматривается проверка качества единицы продукции. Соответствующая вероятностная модель опирается на предположение о том, что контроль качества различных единиц продукции описывается схемой независимых испытаний. В отличие от модели с бросанием монет необходимо ввести новый параметр – вероятность $$p$$ того, что единица продукции является дефектной. Модель будет полностью описана, если принять, что все единицы продукции имеют одинаковую вероятность оказаться дефектными. Если последнее предположение неверно, то число параметров модели возрастает. Например, можно принять, что каждая единица продукции имеет свою вероятность оказаться дефектной.

Обсудим модель контроля качества с общей для всех единиц продукции вероятностью дефектности $$p$$. Чтобы при анализе модели "дойти до числа", необходимо заменить $$p$$ на некоторое конкретное значение. Для этого нужно выйти из рамок вероятностной модели и обратиться к данным, полученным при контроле качества. Математическая статистика решает обратную задачу по отношению к теории вероятностей. Ее цель – на основе результатов наблюдений (измерений, анализов, испытаний, опытов) получить выводы о вероятностях, лежащих в основе вероятностной модели. Например, на основе частоты появления дефектных изделий при контроле можно сделать выводы о вероятности дефектности (см. теорему Бернулли, приведенную выше). На основе неравенства Чебышева выше делались выводы о соответствии частоты появления дефектных изделий гипотезе о том, что вероятность дефектности принимает определенное значение.

Таким образом, применение математической статистики опирается на вероятностную модель явления или процесса. Используются два параллельных ряда понятий – относящиеся к теории (вероятностной модели) и относящиеся к практике (выборке результатов наблюдений). Например, теоретической вероятности соответствует частота, найденная по выборке. Математическому ожиданию (теоретический ряд) соответствует выборочное среднее арифметическое (практический ряд). Как правило, выборочные характеристики являются оценками теоретических. При этом величины, относящиеся к теоретическому ряду, "находятся в головах исследователей", относятся к миру идей (по древнегреческому философу Платону), недоступны для непосредственного измерения. Исследователи располагают лишь выборочными данными, с помощью которых они стараются установить интересующие их свойства теоретической вероятностной модели.

Зачем же нужна вероятностная модель? Дело в том, что только с ее помощью можно перенести свойства, установленные по результатам анализа конкретной выборки, на другие выборки, а также на всю так называемую генеральную совокупность. Термин "генеральная совокупность" используется, когда речь идет о большой, но конечной совокупности изучаемых единиц. Например, о совокупности всех жителей России или совокупности всех потребителей растворимого кофе в Москве. Цель маркетинговых или социологических опросов состоит в том, чтобы утверждения, полученные по выборке из сотен или тысяч человек, перенести на генеральные совокупности в несколько миллионов человек. При контроле качества в роли генеральной совокупности выступает партия продукции.

Чтобы перенести выводы с выборки на более обширную совокупность, необходимы те или иные предположения о связи выборочных характеристик с характеристиками этой более обширной совокупности. Эти предположения основаны на соответствующей вероятностной модели.

Конечно, можно обрабатывать выборочные данные, не используя ту или иную вероятностную модель. Например, можно рассчитывать выборочное среднее арифметическое, подсчитывать частоту выполнения тех или иных условий и т.п. Однако результаты расчетов будут относиться только к конкретной выборке, перенос полученных с их помощью выводов на какую-либо иную совокупность некорректен. Иногда подобную деятельность называют "анализ данных". По сравнению с вероятностно-статистическими методами анализ данных имеет ограниченную познавательную ценность.

Итак, использование вероятностных моделей на основе оценивания и проверки гипотез с помощью выборочных характеристик – вот суть вероятностно-статистических методов принятия решений.

Подчеркнем, что логика использования выборочных характеристик для принятия решений на основе теоретических моделей предполагает одновременное использование двух параллельных рядов понятий, один из которых соответствует вероятностным моделям, а второй – выборочным данным. К сожалению, в ряде литературных источников, обычно устаревших, либо написанных в рецептурном духе, не делается различия между выборочными и теоретическими характеристиками, что приводит читателей к недоумениям и ошибкам при практическом использовании статистических методов.

2.4. Случайные величины и их распределения

Распределения случайных величин и функции распределения. Распределение числовой случайной величины – это функция, которая однозначно определяет вероятность того, что случайная величина принимает заданное значение или принадлежит к некоторому заданному интервалу.

Первое – если случайная величина принимает конечное число значений. Тогда распределение задается функцией $$P(X = x)$$, ставящей в соответствие каждому возможному значению $$x$$ случайной величины $$X$$ вероятность того, что $$X=x$$.

Второе – если случайная величина принимает бесконечно много значений. Это возможно лишь тогда, когда вероятностное пространство, на котором определена случайная величина, состоит из бесконечного числа элементарных событий. Тогда распределение задается набором вероятностей $$P(a \le X<b)$$ для всех пар чисел $$a, b$$ таких, что $$a<b$$. Распределение может быть задано с помощью так называемой функции распределения $$F(x)=P(X<x)$$, определяющей для всех действительных х вероятность того, что случайная величина $$X$$ принимает значения, меньшие $$x$$. Ясно, что

$$P(a\le X < b)=F(b)-F(a)$$

Это соотношение показывает, что как распределение может быть рассчитано по функции распределения, так и наоборот, функция распределения – по распределению.

Используемые в вероятностно-статистических методах принятия решений и других прикладных исследованиях функции распределения бывают либо дискретными, либо непрерывными, либо их комбинациями.

Дискретные функции распределения соответствуют дискретным случайным величинам, принимающим конечное число значений или же значения из множества, элементы которого можно перенумеровать натуральными числами (такие множества в математике называют счетными). Их график имеет вид ступенчатой лестницы (рис 2.1).

.

(рис 2.1) График функции распределения числа дефектных изделий

Непрерывные функции распределения не имеют скачков. Они монотонно возрастаютВ некоторых случаях, например, при изучении цен, объемов выпуска или суммарной наработки на отказ в задачах надежности, функции распределения постоянны на некоторых интервалах, в которые значения исследуемых случайных величин не могут попасть. при увеличении аргумента – от 0 при $$x\rightarrow -\infty$$ до 1 при $$x\rightarrow +\infty$$. Случайные величины, имеющие непрерывные функции распределения, называют непрерывными.

Непрерывные функции распределения, используемые в вероятностно-статистических методах принятия решений, имеют производные. Первая производная $$f(x)$$ функции распределения $$F(x)$$ называется плотностью вероятности,

$$f(x)=\frac{dF(x)}{dx}.$$

По плотности вероятности можно определить функцию распределения:

$$F(x)=\int\limits_{-\infty}^x f(y)dy$$

Для любой функции распределения

$$\lim_{x\rightarrow -\infty} F(x)=0,\;\lim_{x\rightarrow +\infty}F(x)=1,$$

а потому

$$\int\limits_{+\infty}f(x)dx=1$$

Перечисленные свойства функций распределения постоянно используются в вероятностно-статистических методах принятия решений. В частности, из последнего равенства вытекает конкретный вид констант в формулах для плотностей вероятностей, рассматриваемых ниже.

Пример 2. Часто используется следующая функция распределения:

$$F(x)= \left\{ \begin{gathered} 0, x<a, \\ \frac{x-a}{b-a}, a\le x\le b, \\ 1, x>b. \end{gathered} \right.$$

где $$a$$ и $$b$$ – некоторые числа, $$a<b$$. Найдем плотность вероятности этой функции распределения:

$$f(x)= \left\{ \begin{gathered} 0, x<a, \\ \frac{1}{b-a}, a<x<b, \\ 0, x>b. \end{gathered} \right.$$

(в точках $$x = a$$ и $$x = b$$ производная функции $$F(x)$$ не существует).

Случайная величина с функцией распределения (1) называется "равномерно распределенной на отрезке $$[a; b]$$ ".

Смешанные функции распределения встречаются, в частности, тогда, когда наблюдения в какой-то момент прекращаются. Например, при анализе статистических данных, полученных при использовании планов испытаний на надежность, предусматривающих прекращение испытаний по истечении некоторого срока. Или при анализе данных о технических изделиях, потребовавших гарантийного ремонта.

Пример 3. Пусть, например, срок службы электрической лампочки – случайная величина с функцией распределения $$F(t)$$, а испытание проводится до выхода лампочки из строя, если это произойдет менее чем за 100 часов от начала испытаний, или до момента $$t_0$$ = 100 часов. Пусть $$G(t)$$ – функция распределения времени эксплуатации лампочки в исправном состоянии при этом испытании. Тогда

$$G(t)= \left\{ F(t), t\le 100 \\ 1, t>100. \right.$$

Функция $$G(t)$$ имеет скачок в точке $$t_0$$, поскольку соответствующая случайная величина принимает значение $$t_0$$ с вероятностью $$1-F(t_0)>0$$.

Характеристики случайных величин. В вероятностно-статистических методах принятия решений используется ряд характеристик случайных величин, выражающихся через функции распределения и плотности вероятностей.

При описании дифференциации доходов, при нахождении доверительных границ для параметров распределений случайных величин и во многих иных случаях используется такое понятие, как "квантиль порядка $$p$$ ", где $$0<p<1$$ (обозначается $$x_p$$ ). Квантиль порядка $$p$$ – значение случайной величины, для которого функция распределения принимает значение $$p$$ или имеет место "скачок" со значения меньше $$p$$ до значения больше $$p$$ (рис 2.2). Может случиться, что это условие выполняется для всех значений $$x$$, принадлежащих этому интервалу (т.е. функция распределения постоянна на этом интервале и равна $$p$$ ). Тогда каждое такое значение называется "квантилью порядка $$p$$ ". Для непрерывных функций распределения, как правило, существует единственная квантиль $$x_p$$ порядка $$p$$ (рис 2.2), причем

$$F(x_p)=p.$$ (рис 2.2)

Пример 4. Найдем квантиль $$x_p$$ порядка $$p$$ для функции распределения $$F(x)$$ из (1).

При $$0<p<1$$ квантиль $$x_p$$ находится из уравнения

$$\frac{x-a}{b-a}=p,$$

т.е. $$x_p=a+p(b–a)=a(1–p)+bp$$. При $$p=0$$ любое $$x<a$$ является квантилью порядка $$p=0$$. Квантилью порядка $$p=1$$ является любое число $$x^gt;b$$.

Для дискретных распределений, как правило, не существует $$x_p$$, удовлетворяющих уравнению (2). Точнее, если распределение случайной величины задается табл.2.2, где $$x_1<x_2^lt;...<x_k$$, то равенство (2), рассматриваемое как уравнение относительно $$x_p$$, имеет решения только для $$k$$ значений $$p$$, а именно,

$$\begin{aligned} p=p_1, \\ p=p_1+p_2, \\ p=p_1+p_2+p_3, \\ ... \\ p=p_1+p_2+...+p_m, \; 3<m<k, \\ ... \\ p=p_1+p_2+...+p_k. \end{aligned}$$

Распределение дискретной случайной величины

Значения $$x$$ случайной величины $$X$$	$$x_1$$	$$x_2$$	...	$$x_k$$
Вероятности $$P(X=x)$$	$$p_1$$	$$p_2$$	...	$$p_k$$

Для перечисленных $$k$$ значений вероятности $$p$$ решение $$x_p$$ уравнения (2) неединственно, а именно,

$$F(x)=p_1+p_2+...+p_m$$

для всех $$x$$ таких, что $$x_m<x\le x_m+1$$. То есть $$x_p$$ – любое число из интервала $$(x_m; x_m+1]$$. Для всех остальных $$p$$ из промежутка (0;1), не входящих в перечень (3), имеет место "скачок" со значения меньше $$p$$ до значения больше $$p$$. А именно, если

$$p_1+p_2+...+p_m<p<p_1+p_2+...+p_m+p_{m+1},$$

то $$x_p=x_{m+1}$$.

Рассмотренное свойство дискретных распределений создает значительные трудности при табулировании и использовании подобных распределений, поскольку невозможно точно выдержать типовые численные значения характеристик распределения. В частности, это так для критических значений и уровней значимости непараметрических статистических критериев (см. ниже), поскольку распределения статистик этих критериев дискретны.

Большое значение в статистике имеет квантиль порядка $$p = 1/2$$. Он называется медианой (случайной величины $$X$$ или ее функции распределения $$F(x)$$ ) и обозначается $$Me(X)$$. В геометрии есть понятие "медиана" – прямая, проходящая через вершину треугольника и делящая противоположную его сторону пополам. В математической статистике медиана делит пополам не сторону треугольника, а распределение случайной величины: равенство $$F(x_{0,5}) = 0,5$$ означает, что вероятность попасть левее $$x_{0,5}$$ и вероятность попасть правее $$x_{0,5}$$ (или непосредственно в $$x_{0,5}$$ ) равны между собой и равны 1/2, т.е.

$$P(X<x_{0,5})=P(X\ge x_{0,5})=1/2.$$

Медиана указывает "центр" распределения. С точки зрения одной из современных концепций – теории устойчивых статистических процедур – медиана является более хорошей характеристикой случайной величины, чем математическое ожидание [,]. При обработке результатов измерений в порядковой шкале (см. лекцию о теории измерений) медианой можно пользоваться, а математическим ожиданием – нет.

Ясный смысл имеет такая характеристика случайной величины, как мода – значение (или значения) случайной величины, соответствующее локальному максимуму плотности вероятности для непрерывной случайной величины или локальному максимуму вероятности для дискретной случайной величины.

Если $$x_0$$ – мода случайной величины с плотностью $$f(x)$$, то, как известно из дифференциального исчисления, $$\frac{df(x_0)}{dx}=0$$.

У случайной величины может быть много мод. Так, для равномерного распределения (1) каждая точка $$x$$ такая, что $$a<x<b$$, является модой. Однако это исключение. Большинство случайных величин, используемых в вероятностно-статистических методах принятия решений и других прикладных исследованиях, имеют одну моду. Случайные величины, плотности, распределения, имеющие одну моду, называются унимодальными.

Математическое ожидание для дискретных случайных величин с конечным числом значений рассмотрено в 2.2. Для непрерывной случайной величины $$X$$ математическое ожидание $$M(X)$$ удовлетворяет равенству

$$M(X)=\int\limits_{-\infty}^{+\infty}xf(x)dx$$

являющемуся аналогом формулы (5) из утверждения 2 $$\S$$ 2.2.

Пример 5. Математическое ожидание для равномерно распределенной случайной величины $$X$$ равно

$$M(X)= \left. \int\limits_a^b\frac{x}{b-a}dx=\frac{1}{b-a}\frac{x^2}{2} \right|_a^b =\frac{1}{b-a} \left( \frac{b^2}{2}-\frac{a^2}{2}=\frac{a+b}{2}. \right)$$

Для рассматриваемых в настоящем параграфе случайных величин верны все те свойства математических ожиданий и дисперсий, которые были рассмотрены ранее в 2.2 для дискретных случайных величин с конечным числом значений. Однако доказательства этих свойств не приводим, поскольку они требуют углубления в математические тонкости, не являющиеся необходимыми для понимания и квалифицированного применения вероятностно-статистических методов принятия решений.

].

Каждая из трех характеристик – математическое ожидание, медиана, мода – описывает "центр" распределения вероятностей. Понятие "центр" можно определять разными способами – отсюда три разные характеристики. Однако для важного класса распределений – симметричных унимодальных – все три характеристики совпадают.

Плотность распределения $$f(x)$$ – плотность симметричного распределения, если найдется число $$x_0$$ такое, что

$$f(x)=f(2x_0 -x).$$

Равенство (3) означает, что график функции $$y = f(x)$$ симметричен относительно вертикальной прямой, проходящей через центр симметрии $$x = x_0$$. Из (3) следует, что функция симметричного распределения удовлетворяет соотношению

$$F(x)=1-F(1x_0 -x).$$

Для симметричного распределения с одной модой математическое ожидание, медиана и мода совпадают и равны $$x_0$$.

Наиболее важен случай симметрии относительно 0, т.е. $$x_0=0$$. Тогда (3) и (4) переходят в равенства

$$f(x)=f(-x)$$

и

$$F(x)=1-F(-x)$$

соответственно. Приведенные соотношения показывают, что симметричные распределения нет необходимости табулировать при всех $$x$$, достаточно иметь таблицы при $$x>x_0$$.

Отметим еще одно свойство симметричных распределений, постоянно используемое в вероятностно-статистических методах принятия решений и других прикладных исследованиях. Для непрерывной функции распределения

$$P(|X|\le a)=P(-a\le X\le a)=F(a)-F(-a),$$

где $$F$$ – функция распределения случайной величины $$Х$$. Если функция распределения $$F$$ симметрична относительно 0, т.е. для нее справедлива формула (6), то

$$P(|X|\le a)=2F(a)-1.$$

Часто используют другую формулировку рассматриваемого утверждения: если

$$1-F(a)=\alpha,\;\text{то}\;P(|X|>a)=2\alpha.$$

Если $$x_{\alpha}$$ и $$x_{1-\alpha}$$ – квантили порядка $$\alpha$$ и $$1-\alpha$$ соответственно (см. (2)) функции распределения, симметричной относительно 0, то из (6) следует, что

$$x_{\alpha}=-x_{1-\alpha}.$$

От характеристик положения – математического ожидания, медианы, моды – перейдем к характеристикам разброса случайной величины $$X$$: дисперсии $$D(X)=\sigma^2$$, среднему квадратическому отклонению $$\sigma$$ и коэффициенту вариации $$\nu$$. Определение и свойства дисперсии для дискретных случайных величин рассмотрены в предыдущей лекции. Для непрерывных случайных величин

$$D(X)=M[(X-M(X))^2]=\int\limits_{-\infty}^{+\infty}(x-M(X))^2 f(x)dx.$$

Среднее квадратическое отклонение – это неотрицательное значение квадратного корня из дисперсии:

$$\sigma=+\sqrt{D(X)}.$$

Коэффициент вариации – это отношение среднего квадратического отклонения к математическому ожиданию:

$$\nu=\frac{\sigma}{M(X)}.$$

Коэффициент вариации применяется при $$M(X)>0$$. Он измеряет разброс в относительных единицах, в то время как среднее квадратическое отклонение – в абсолютных.

Пример 6. Для равномерно распределенной случайной величины Х найдем дисперсию, среднеквадратическое отклонение и коэффициент вариации. Дисперсия равна:

$$D(X)=\int\limits_a^b\frac{1}{b-a} \left( x-\frac{a+b}{2} \right)^2 dx$$

Замена переменной $$y=x-\frac{a+b}{2}$$ дает возможность записать:

$$D(X)= \left. \frac{1}{b-a}\int\limits_{-c}^c y^2 dy=\frac{1}{b-a}\frac{y^3}{3} \right|_{-c}^c =\frac{2c^3}{3(b-a)}=\frac{(b-a)^2}{12},$$

где $$c=(b–a)/2$$. Следовательно, среднее квадратическое отклонение равно $$\sigma=\frac{b-a}{2\sqrt{3}}$$, а коэффициент вариации таков: $$\nu=\frac{b-a}{\sqrt{3}(a+b)}$$.

По каждой случайной величине $$X$$ определяют еще три величины – центрированную $$Y$$, нормированную $$V$$ и приведенную $$U$$. Центрированная случайная величина $$Y$$ – это разность между данной случайной величиной $$X$$ и ее математическим ожиданием $$M(X)$$, т.е. $$Y=X–M(X)$$. Математическое ожидание центрированной случайной величины $$Y$$ равно 0, а дисперсия – дисперсии данной случайной величины: $$M(Y)=0,D(Y)=D(X)$$. Функция распределения $$F_Y(x)$$ центрированной случайной величины $$Y$$ связана с функцией распределения $$F(x)$$ исходной случайной величины $$X$$ соотношением:

$$FF_Y(x)=F(x+M(X)).$$

Для плотностей этих случайных величин справедливо равенство

$$f_Y(x)=f(x+M(X)).$$

Нормированная случайная величина $$V$$ – это отношение данной случайной величины $$X$$ к ее среднему квадратическому отклонению $$\sigma$$, т.е. $$V=X/\sigma$$. Математическое ожидание и дисперсия нормированной случайной величины $$V$$ выражаются через характеристики $$X$$ так:

$$M(V)=\frac{M(X)}{\sigma}=\frac{1}{\nu},D(V)=1,$$

где $$\nu$$ – коэффициент вариации исходной случайной величины $$X$$. Для функции распределения $$F_V(x)$$ и плотности $$f_V(x)$$ нормированной случайной величины $$V$$ имеем:

$$F_V(x)=F(\sigma x), f_V(x)=\sigma f(\sigma x),$$

где $$F(x)$$ – функция распределения исходной случайной величины $$X$$, а $$f(x)$$ – ее плотность вероятности.

Приведенная случайная величина $$U$$ – это центрированная и нормированная случайная величина:

$$U=\frac{X-M(X)}{\sigma}$$

Для приведенной случайной величины

$$M(U)=0,D(U)=1,F_U(x)=F(\sigma x+M(X)), f_U(x)=\sigma f(\sigma x+M(X)).$$

Нормированные, центрированные и приведенные случайные величины постоянно используются как в теоретических исследованиях, так и в алгоритмах, программных продуктах, нормативно-технической и инструктивно-методической документации. В частности потому, что равенства $$M(U)=0,D(U)=1$$ позволяют упростить обоснования методов, формулировки теорем и расчетные формулы.

Используются преобразования случайных величин и более общего плана. Так, если $$Y=aX+b$$, где $$a$$ и $$b$$ – некоторые числа, то

$$M(Y)=aM(X)+b,D(Y)=\sigma^2 D(X),F_Y(x)=F \left(\frac{x-b}{a}\right), f_Y(x)=\frac{1}{a}f \left(\frac{x-b}{a}\right).$$

Пример 7. Если $$a=1/\sigma,b=-M(X)/\sigma$$ то $$Y$$ – приведенная случайная величина, и формулы (8) переходят в формулы (7).

С каждой случайной величиной $$X$$ можно связать множество случайных величин $$Y$$, заданных формулой $$Y=aX+b$$ при различных $$a>0$$ и $$b$$. Это множество называют масштабно-сдвиговым семейством, порожденным случайной величиной $$X$$. Функции распределения $$F_Y(x)$$ составляют масштабно-сдвиговое семейство распределений, порожденное функцией распределения $$F(x)$$. Вместо $$Y=aX+b$$ часто используют запись

$$Y=\frac{X-c}{d},$$

где

$$d=\frac{1}{a}>0,c=-\frac{b}{a}.$$

Число $$c$$ называют параметром сдвига, а число $$d$$ – параметром масштаба. Формула (9) показывает, что $$X$$ – результат измерения некоторой величины – переходит в $$Y$$ – результат измерения той же величины, если начало измерения перенести в точку $$c$$, а затем использовать новую единицу измерения, в $$d$$ раз большую старой.

Для масштабно-сдвигового семейства (9) распределение $$X$$ называют стандартным. В вероятностно-статистических методах принятия решений и других прикладных исследованиях используют стандартное нормальное распределение, стандартное распределение Вейбулла-Гнеденко, стандартное гамма-распределение и др. (см. ниже).

Применяют и другие преобразования случайных величин. Например, для положительной случайной величины $$X$$ рассматривают $$Y=\lg X$$, где $$\lg X$$ – десятичный логарифм числа $$X$$. Цепочка равенств

$$FY(x)=P(\lg X < x)=P(X<10^x)=F(10^x)$$

связывает функции распределения $$X$$ и $$Y$$.

При обработке данных используют такие характеристики случайной величины $$X$$ как моменты порядка $$q$$, т.е. математические ожидания случайной величины $$X^q, q = 1, 2, ..$$. Так, само математическое ожидание – это момент порядка 1. Для дискретной случайной величины момент порядка $$q$$ может быть рассчитан как

$$m_q=M(X^q)=\sum_i x_i^q P(X=x_i).$$

Для непрерывной случайной величины

$$m_q=M(X^q)=\int\limits_{-\infty}^{+\infty} x^q f(x)dx.$$

Моменты порядка $$q$$ называют также начальными моментами порядка $$q$$, в отличие от родственных характеристик – центральных моментов порядка $$q$$, задаваемых формулой

$$\mu_q=M[(X-M(X))^q],\;q=2,3,...$$

Так, дисперсия – это центральный момент порядка 2.

Нормальное распределение и центральная предельная теорема. В вероятностно-статистических методах принятия решений часто идет речь о нормальном распределении. Иногда его пытаются использовать для моделирования распределения исходных данных (эти попытки не всегда являются обоснованными – см. ниже). Более существенно, что многие методы обработки данных основаны на том, что расчетные величины имеют распределения, близкие к нормальному.

Пусть $$X_1, X_2,..., X_n, ..$$. – независимые одинаково распределенные случайные величины с математическими ожиданиями $$M(X_i)=m$$ и дисперсиями $$D(X_i)=\sigma^2, i=1,2,...,n,..$$. Как следует из результатов 2.2,

$$M(X_1+X_2+...+X_n)=nm,\;D(X_1+X_2+...+X_n)=n\sigma^2.$$

Рассмотрим приведенную случайную величину $$U_n$$ для суммы $$X_1+X_2+...+X_n$$, а именно,

$$U_n=\frac{X_1+X_2+...+X_n-nm}{\sigma\sqrt{n}}.$$

Как следует из формул (7), $$M(U_n)=0, D(U_n)=1$$.

Центральная предельная теорема (для одинаково распределенных слагаемых). Пусть $$X_1, X_2,..., X_n, ..$$. – независимые одинаково распределенные случайные величины с математическими ожиданиями M(X_i)=m и дисперсиями $$D(X_i)=\sigma^2,i=1,2,...,n,..$$. Тогда для любого $$x$$ существует предел

$$\lim_{n\rightarrow\infty}P \left( \frac{X_1+X_2+...+X_n-nm}{\sigma\sqrt{n}}<x \right) =\Phi(x),$$

где $$\Phi(x)$$ – функция стандартного нормального распределения.

Подробнее о функции $$\Phi(x)$$ – см. ниже (читается "фи от икс", поскольку $$\Phi$$ – греческая прописная буква "фи").

Центральная предельная теорема (ЦПТ) носит свое название по той причине, что она является центральным, наиболее часто применяющимся математическим результатом теории вероятностей и математической статистики. История ЦПТ занимает около 200 лет – с 1730 г., когда английский математик А.Муавр (1667–1754) опубликовал первый результат, относящийся к ЦПТ (о теореме Муавра-Лапласа см. ниже), по двадцатые – тридцатые годы ХХ в., когда финн Дж. У. Линдеберг, француз Поль Леви (1886–1971), югослав В. Феллер (1906–1970), русский А.Я. Хинчин (1894–1959) и другие ученые получили необходимые и достаточные условия справедливости классической центральной предельной теоремы.

Развитие рассматриваемой тематики на этом отнюдь не прекратилось – изучали случайные величины, не имеющие дисперсии, т.е. те, для которых

$$\int\limits_{-\infty}^{+\infty}x^2 f(x)dx=+\infty$$

(академик Б.В.Гнеденко и др.), ситуацию, когда суммируются случайные величины (точнее, случайные элементы) более сложной природы, чем числа (академики Ю.В.Прохоров, А.А.Боровков и их соратники), и т.д.

Функция распределения $$\Phi(x)$$ задается равенством

$$\Phi(x)=\int\limits_{-\infty}^{x}\varphi(y)dy,$$

где $$\varphi(y)$$ – плотность стандартного нормального распределения, имеющая довольно сложное выражение:

$$\varphi(y)=\frac{1}{\sqrt{2\pi}}e^{-\frac{y^2}{2}}.$$

Здесь $$\pi=3,1415925..$$. – известное в геометрии число, равное отношению длины окружности к диаметру, $$e = 2,718281828..$$. – основание натуральных логарифмов (для запоминания этого числа обратите внимание, что 1828 – год рождения писателя Л.Н.Толстого). Как известно из математического анализа,

$$e=\lim_{n\rightarrow\infty} \left( 1+\frac{1}{n} \right)^n.$$

При обработке результатов наблюдений функцию нормального распределения не вычисляют по приведенным формулам, а находят с помощью специальных таблиц или компьютерных программ. Лучшие на русском языке "Таблицы математической статистики" составлены членами-корреспондентами АН СССР Л.Н. Большевым и Н.В.Смирновым [].

Вид плотности стандартного нормального распределения $$\varphi(y)$$ вытекает из математической теории, которую не имеем возможности здесь рассматривать, равно как и доказательство ЦПТ.

Для иллюстрации приводим небольшие таблицы функции распределения $$\Phi(х)$$ (табл.2.3) и ее квантилей (табл.2.4). Функция $$\Phi(х)$$ симметрична относительно 0, что отражается в табл.2.3–2.4.

Функция стандартного нормального распределения

$$x$$	$$\Phi(x)$$	$$x$$	$$\Phi(x)$$	$$x$$	$$\Phi(x)$$
-5,0	0,00000029	-1,0	0,158655	2,0	0,9772499
-4,0	0,00003167	-0,5	0,308538	2,5	0,99379033
-3,0	0,00134990	0,0	0,500000	3,0	0,99865010
-2,5	0,00620967	0,5	0,691462	4,0	0,99996833
-2,0	0,0227501	1,0	0,841345	5,0	0,99999971
-1,5	0,0668072	1,5	0,9331928

Квантили стандартного нормального распределения

$$p$$	Квантиль порядка $$p$$	$$p$$	Квантиль порядка $$p$$
0,01	-2,326348	0,60	0,253347
0,025	-1,959964	0,70	0,524401
0,05	-1,644854	0,80	0,841621
0,10	-1,281552	0,90	1,281552
0,30	-0,524401	0,95	1,644854
0,40	-0,253347	0,975	1,959964
0,50	0,000000	0,99	2,326348

Если случайная величина $$X$$ имеет функцию распределения $$\Phi(x)$$, то $$M(X)=0,D(X)=1$$. Это утверждение доказывается в теории вероятностей, исходя из вида плотности вероятностей $$\varphi(y)$$. Оно согласуется с аналогичным утверждением для характеристик приведенной случайной величины $$U_n$$, что вполне естественно, поскольку ЦПТ утверждает, что при безграничном возрастании числа слагаемых функция распределения $$U_n$$ стремится к функции стандартного нормального распределения $$\Phi(x)$$, причем при любом $$x$$.

Введем понятие семейства нормальных распределений. По определению нормальным распределением называется распределение случайной величины $$X$$, для которой распределение приведенной случайной величины есть $$\Phi(x)$$. Как следует из общих свойств масштабно-сдвиговых семейств распределений (см. выше), нормальное распределение – это распределение случайной величины

$$Y=\sigma X+m,$$

где $$X$$ – случайная величина с распределением $$\Phi(x)$$, причем $$m=M(Y), \sigma^2=D(Y)$$. Нормальное распределение с параметрами $$m$$ и $$\sigma$$ обычно обозначается $$N(m,\sigma)$$ (иногда используется обозначение $$N(m,\sigma^2)$$ ).

Как следует из (8), плотность вероятности нормального распределения $$N(m,\sigma)$$ есть

$$f(x)=\frac{1}{\sigma\sqrt{2\pi}}\exp \left\{ -\frac{(x-m)^2}{2\sigma^2} \right\}.$$

Нормальные распределения образуют масштабно-сдвиговое семейство. При этом параметром масштаба является $$d=1/\sigma$$, а параметром сдвига $$c=–m/\sigma$$.

Для центральных моментов третьего и четвертого порядка нормального распределения справедливы равенства

$$\mu_3=0,\mu_4=3\sigma^4.$$

Эти равенства лежат в основе классических методов проверки того, что результаты наблюдений подчиняются нормальному распределению. В настоящее время нормальность обычно рекомендуется проверять по критерию $$W$$ Шапиро – Уилка. Проблема проверки нормальности обсуждается ниже.

Если случайные величины $$X_1$$ и $$X_2$$ имеют функции распределения $$N(m_1,\sigma_1)$$ и $$N(m_2,\sigma_2)$$ соответственно, то $$X_1+X_2$$ имеет распределение $$N\left(m_1+m_2;\sqrt{\sigma_1^2+\sigma_2^2}\right)$$. Следовательно, если случайные величины $$X_1, X_2,...,X_n$$ независимы и имеют одно и тоже распределение $$N(m,\sigma)$$, то их среднее арифметическое

$$\overline{X}=\frac{X_1+X_2+...+X_n}{n}$$

имеет распределение $$N\left(m,\frac{\sigma}{\sqrt{n}}\right)$$.. Эти свойства нормального распределения постоянно используются в различных вероятностно-статистических методах принятия решений, в частности, при статистическом регулировании технологических процессов и в статистическом приемочном контроле по количественному признаку.

С помощью нормального распределения определяются три распределения, которые в настоящее время часто используются при статистической обработке данных.

Распределение $$\chi^2$$ (хи – квадрат) – распределение случайной величины

$$X=X_1^2+X_2^2+...+X_n^2,$$

где случайные величины $$X_1, X_2,..., X_n$$ независимы и имеют одно и тоже распределение $$N(0,1)$$. При этом число слагаемых, т.е. $$n$$, называется "числом степеней свободы" распределения хи-квадрат.

Распределение $$t$$ Стьюдента – это распределение случайной величины$$T=\frac{U\sqrt{n}}{\sqrt{X}},$$ где случайные величины $$U$$ и $$X$$ независимы, $$U$$ имеет распределение стандартное нормальное распределение $$N(0,1)$$, а $$X$$ – распределение хи-квадрат с $$n$$ степенями свободы. При этом n называется "числом степеней свободы" распределения Стьюдента. Это распределение было введено в 1908 г. английским статистиком В. Госсетом, работавшем на фабрике, выпускающей пиво. Вероятностно-статистические методы использовались для принятия экономических и технических решений на этой фабрике, поэтому ее руководство запрещало В. Госсету публиковать научные статьи под своим именем. Таким способом охранялась коммерческая тайна, "ноу-хау" в виде вероятностно-статистических методов, разработанных В. Госсетом. Однако он имел возможность публиковаться под псевдонимом "Стьюдент". История Госсета – Стьюдента показывает, что еще сто лет назад менеджерам Великобритании была очевидна большая экономическая эффективность вероятностно-статистических методов принятия решений.

Распределение Фишера – это распределение случайной величины$$F=\frac{\frac{1}{k_1}X_1}{\frac{1}{k_2}X_2}$$ где случайные величины $$X_1$$ и $$X_2$$ независимы и имеют распределения хи-квадрат с числом степеней свободы $$k_1$$ и $$k_2$$ соответственно. При этом пара $$(k_1, k_2)$$ – пара "чисел степеней свободы" распределения Фишера, а именно: $$k_1$$ – число степеней свободы числителя, а $$k_2$$ – число степеней свободы знаменателя. Распределение случайной величины $$F$$ названо в честь великого английского статистика Р.Фишера (1890–1962), активно использовавшего его в своих работах.

Выражения для функций распределения хи-квадрат, Стьюдента и Фишера, их плотностей и характеристик, а также таблицы можно найти в специальной литературе (см., например, []).

Как уже отмечалось, нормальные распределения в настоящее время часто используют в вероятностных моделях в различных прикладных областях. В чем причина такой широкой распространенности этого двухпараметрического семейства распределений? Она проясняется следующей теоремой.

Центральная предельная теорема (для разнораспределенных слагаемых). Пусть $$X_1, X_2,...,X_n,..$$. – независимые случайные величины с математическими ожиданиями $$M(X_1), M(X_2),..., M(X_n),..$$. и дисперсиями $$D(X_1),D(X_2),...,D(X_n),..$$. соответственно. Пусть$$U_n= \frac{X_1+X_2+...+X_n-M(X_1)-M(X_2)-...-M(X_n)}{\sqrt{D(X_1)+D(X_2)+...+D(X_n)}}.$$

Тогда при справедливости некоторых условий, обеспечивающих малость вклада любого из слагаемых в $$U_n$$,$$\lim_{n\rightarrow\infty}P(U_n<x)=\Phi(x)$$ для любого $$х$$.

Условия, о которых идет речь, не будем здесь формулировать. Их можно найти в специальной литературе (см., например, []). "Выяснение условий, при которых действует ЦПТ, составляет заслугу выдающихся русских ученых А.А. Маркова (1857–1922) и, в особенности, А.М.Ляпунова (1857–1918)" [, с. 197].

Центральная предельная теорема показывает, что в случае, когда результат измерения (наблюдения) складывается под действием многих причин, причем каждая из них вносит лишь малый вклад, а совокупный итог определяется аддитивно, т.е. путем сложения, то распределение результата измерения (наблюдения) близко к нормальному.

Иногда считают, что для нормальности распределения достаточно того, что результат измерения (наблюдения) $$X$$ формируется под действием многих причин, каждая из которых оказывает малое воздействие. Это не так. Важно, как эти причины действуют. Если аддитивно – то $$X$$ имеет приближенно нормальное распределение. Если мультипликативно (т.е. действия отдельных причин перемножаются, а не складываются), то распределение $$X$$ близко не к нормальному, а к так называемому логарифмически нормальному, т.е. не $$X$$, а $$\lg X$$ имеет приблизительно нормальное распределение. Если же нет оснований считать, что действует один из этих двух механизмов формирования итогового результата (или какой-либо иной вполне определенный механизм), то про распределение $$X$$ ничего определенного сказать нельзя.

Из сказанного вытекает, что в конкретной прикладной задаче нормальность результатов измерений (наблюдений), как правило, нельзя установить из общих соображений, ее следует проверять с помощью статистических критериев. Или же использовать непараметрические статистические методы, не опирающиеся на предположения о принадлежности функций распределения результатов измерений (наблюдений) к тому или иному параметрическому семейству.

Непрерывные распределения, используемые в вероятностно-статистических методах принятия решений. Кроме масштабно-сдвигового семейства нормальных распределений, широко используют ряд других семейств распределения – логарифмически нормальных, экспоненциальных, Вейбулла-Гнеденко, гамма-распределений. Рассмотрим эти семейства.

Случайная величина $$X$$ имеет логарифмически нормальное распределение, если случайная величина $$Y = \lg X$$ имеет нормальное распределение. Тогда $$Z=\ln X = 2,3026..$$. $$Y$$ также имеет нормальное распределение $$N(a_1,\gigma_1)$$, где $$\ln X$$ – натуральный логарифм $$X$$. Плотность логарифмически нормального распределения такова:$$f(x;a_1,\sigma_1)= \left\{ \begin{aligned} \frac{1}{\sigma_1\sqrt{2\pi}x}\exp\left[-\frac{(\ln x-a_1)^2}{2\sigma_1^2}\right],\quad x>0,\\ 0, x\le 0. \end{aligned} \right..$$

Из центральной предельной теоремы следует, что произведение $$X=X_1X_2...X_n$$ независимых положительных случайных величин $$X_i, i=1,2,...,n$$, при больших $$n$$ можно аппроксимировать логарифмически нормальным распределением. В частности, мультипликативная модель формирования заработной платы или дохода приводит к рекомендации приближать распределения заработной платы и дохода логарифмически нормальными законами. Для России эта рекомендация оказалась обоснованной – статистические данные подтверждают ее.

Имеются и другие вероятностные модели, приводящие к логарифмически нормальному закону. Классический пример такой модели дан А.Н. Колмогоровым [], который из физически обоснованной системы постулатов вывел заключение о том, что размеры частиц при дроблении кусков руды, угля и т.п. на шаровых мельницах имеют логарифмически нормальное распределение.

Перейдем к другому семейству распределений, широко используемому в различных вероятностно-статистических методах принятия решений и других прикладных исследованиях, – семейству экспоненциальных распределений. Начнем с вероятностной модели, приводящей к таким распределениям. Для этого рассмотрим "поток событий", т.е. последовательность событий, происходящих одно за другим в какие-то моменты времени. Примерами могут служить потоки: вызовов на телефонной станции; отказов оборудования в технологической цепочке; отказов изделий при испытаниях продукции; обращений клиентов в отделение банка; покупателей, обращающихся за товарами и услугами, и т.д. В теории потоков событий справедлива теорема, аналогичная центральной предельной теореме, но в ней речь идет не о суммировании случайных величин, а о суммировании потоков событий. Рассматривается суммарный поток, составленный из большого числа независимых потоков, ни один из которых не оказывает преобладающего влияния на суммарный поток. Например, поток вызовов, поступающих на телефонную станцию, слагается из большого числа независимых потоков вызовов, исходящих от отдельных абонентов. Доказано [], что в случае, когда характеристики потоков не зависят от времени, суммарный поток полностью описывается одним числом $$\lambda$$ – интенсивностью потока. Для суммарного потока рассмотрим случайную величину $$X$$ - длину промежутка времени между последовательными событиями. Ее функция распределения имеет вид$$F(x;\lambda)=P(X\le x)= \left\{ \begin{aligned} 1-e^{-\lambda x},x\ge 0,\\ 0, x<0. \end{aligned} \right.$$

Это распределение называется экспоненциальным распределением, так как в формуле (10) участвует экспоненциальная функция $$e^{-\lmbda x}$$. Величина $$1/\lambda$$ – масштабный параметр. Иногда вводят и параметр сдвига $$c$$, экспоненциальным называют распределение случайной величины $$X+c$$, где распределение $$X$$ задается формулой (10).

Экспоненциальные распределения – частный случай так называемых распределений Вейбулла-Гнеденко. Они названы по фамилиям инженера В. Вейбулла, введшего эти распределения в практику анализа результатов усталостных испытаний, и математика Б.В.Гнеденко (1912–1995), получившего такие распределения в качестве предельных при изучении максимального из результатов испытаний. Пусть $$X$$ – случайная величина, характеризующая длительность функционирования изделия, сложной системы, элемента (т.е. ресурс, наработку до предельного состояния и т.п.), длительность функционирования предприятия или жизни живого существа и т.д. Важную роль играет интенсивность отказа$$\lambda(x)=\frac{f(x)}{1-F(x)},$$ где $$F(x)$$ и $$f(x)$$ – функция распределения и плотность случайной величины $$X$$.

Опишем типичное поведение интенсивности отказа. Весь интервал времени можно разбить на три периода. На первом из них функция $$\lambda(x)$$ имеет высокие значения и явную тенденцию к убыванию (чаще всего она монотонно убывает). Это можно объяснить наличием в рассматриваемой партии единиц продукции с явными и скрытыми дефектами, которые приводят к относительно быстрому выходу из строя этих единиц продукции. Первый период называют "периодом приработки" (или "обкатки"). Именно на него обычно распространяется гарантийный срок.

Затем наступает период нормальной эксплуатации, характеризующийся приблизительно постоянной и сравнительно низкой интенсивностью отказов. Природа отказов в этот период носит внезапный характер (аварии, ошибки эксплуатационных работников и т.п.) и не зависит от длительности эксплуатации единицы продукции.

Наконец, последний период эксплуатации – период старения и износа. Природа отказов в этот период – в необратимых физико-механических и химических изменениях материалов, приводящих к прогрессирующему ухудшению качества единицы продукции и окончательному выходу ее из строя.

Каждому периоду соответствует свой вид функции $$\lambda(х)$$. Рассмотрим класс степенных зависимостей$$\lambda(x)=\lambda_0 bx^{b-1},$$ где $$\lambd_0>0$$ и $$b>0$$ – некоторые числовые параметры. Значения $$b<1, b=0$$ и $$b>1$$ отвечают виду интенсивности отказов в периоды приработки, нормальной эксплуатации и старения соответственно.

Соотношение (12) при заданной интенсивности отказа $$\lambda(х)$$ – дифференциальное уравнение относительно функции $$F(x)$$. Из теории дифференциальных уравнений следует, что$$F(x)=1-\exp \left\{ -\int\limits_0^x\lambda(t)dt \raght\}.$$

Подставив (12) в (13), получим, что$$F(x)= \left\{ \begin{aligned} 1-\exp[-\lambda_0 x^b], x\ge 0, \\ 0, x< 0. \end{aligned} \right.$$

Распределение, задаваемое формулой (14), называется распределением Вейбулла-Гнеденко. Поскольку$$\lambda_0 x^b= \left( \frac{x}{a} \right)^b,$$ где$$a=\lambda_0^{-\frac{1}{b}},$$ то из формулы (14) следует, что величина $$a$$, задаваемая формулой (15), является масштабным параметром. Иногда вводят и параметр сдвига, т.е. функциями распределения Вейбулла-Гнеденко называют $$F(x-c)$$, где $$F(x)$$ задается формулой (14) при некоторых $$\lambda_0$$ и $$b$$.

Плотность распределения Вейбулла-Гнеденко имеет вид$$f(a;a,b,c)= \left\{ \begin{gathered} \frac{b}{a} \left( \frac{x-c}{a} \right)^{b-1} \exp \left[ -\left( \frac{x-c}{a} \right)^b \right], x\ge c, \\ 0,\quad x<c, \end{gathered} \right.$$ где $$a>0$$ – параметр масштаба, $$b>0$$ – параметр формы, $$c$$ – параметр сдвига. При этом параметр $$a$$ из формулы (16) связан с параметром $$\lambda_0$$ из формулы (14) соотношением, указанным в формуле (15).

Экспоненциальное распределение – весьма частный случай распределения Вейбулла-Гнеденко, соответствующий значению параметра формы $$b = 1$$.

Распределение Вейбулла-Гнеденко применяется также при построении вероятностных моделей ситуаций, в которых поведение объекта определяется "наиболее слабым звеном". Подразумевается аналогия с цепью, сохранность которой определяется тем ее звеном, которое имеет наименьшую прочность. Другими словами, пусть $$X_1, X_2,..., X_n$$ – независимые одинаково распределенные случайные величины,$$X(1)=\min(X_1,X_2,...,X_n),X(n)=\max(X_1,X_2,...,X_n).$$

В ряде прикладных задач большую роль играют $$X(1)$$ и $$X(n)$$, в частности, при исследовании максимально возможных значений ("рекордов") тех или иных значений, например, страховых выплат или потерь из-за коммерческих рисков, при изучении пределов упругости и выносливости стали, ряда характеристик надежности и т.п. Показано, что при больших $$n$$ распределения $$X(1)$$ и $$X(n)$$, как правило, хорошо описываются распределениями Вейбулла-Гнеденко. Основополагающий вклад в изучение распределений $$X(1)$$ и $$X(n)$$ внес советский математик Б.В. Гнеденко. Использованию полученных результатов в экономике, менеджменте, технике и других областях посвящены труды В. Вейбулла, Э. Гумбеля, В.Б. Невзорова, Э.М. Кудлаева и других специалистов.

Перейдем к семейству гамма-распределений. Они широко применяются в экономике и менеджменте, теории и практике надежности и испытаний, в различных областях техники, метеорологии и т.д. В частности, гамма-распределению подчинены во многих ситуациях такие величины, как общий срок службы изделия, длина цепочки токопроводящих пылинок, время достижения изделием предельного состояния при коррозии, время наработки до $$k$$ -го отказа, $$k = 1, 2, ..$$., и т.д. Продолжительность жизни больных хроническими заболеваниями, время достижения определенного эффекта при лечении в ряде случаев имеют гамма-распределение. Это распределение наиболее адекватно для описания спроса в экономико-математических моделях управления запасами (логистики).

Плотность гамма-распределения имеет вид$$f(x;a,b,c)= \left\{ \begin{gathered} \frac{1}{\Gamma(a)}(x-c)^{a-1}b^{-a}\exp \left[ -\frac{x-c}{b} \right], x\ge c, \\ 0, \; x<c. \end{gathered} \right.$$

Плотность вероятности в формуле (17) определяется тремя параметрами $$a, b, c$$, где $$a>0, b>0$$. При этом $$a$$ является параметром формы, $$b$$ – параметром масштаба и $$c$$ – параметром сдвига. Множитель $$1/\Gamma(а)$$ является нормировочным, он введен, чтобы$$\int\limits_{-\infty}^{+\infty} f(x;a,b,c)dx=1.$$

Здесь $$\Gamma(а)$$ – одна из используемых в математике специальных функций, так называемая "гамма-функция", по которой названо и распределение, задаваемое формулой (17),$$\Gamma(a)=\int\limits_0^{+\infty} x^{a-1}e^{-x}dx.$$

При фиксированном $$a$$ формула (17) задает масштабно-сдвиговое семейство распределений, порождаемое распределением с плотностью$$f(x;a)= \left\{ \begin{aligned} \frac{1}{\Gamma(a)}x^{a-1}e^{-x}, x\ge 0, \\ 0, x<0. \end{aligned} \right.$$

Распределение вида (18) называется стандартным гамма-распределением. Оно получается из формулы (17) при $$b = 1$$ и $$с = 0$$.

Частным случаем гамма-распределений при $$a=1$$ являются экспоненциальные распределения (с $$\lambda=1/b$$ ). При натуральном $$a$$ и $$c=0$$ гамма-распределения называются распределениями Эрланга. С работ датского ученого К.А. Эрланга (1878–1929), сотрудника Копенгагенской телефонной компании, изучавшего в 1908–1922 гг. функционирование телефонных сетей, началось развитие теории массового обслуживания. Эта теория занимается вероятностно-статистическим моделированием систем, в которых происходит обслуживание потока заявок, с целью принятия оптимальных решений. Распределения Эрланга используют в тех же прикладных областях, в которых применяют экспоненциальные распределения. Это основано на следующем математическом факте: сумма $$k$$ независимых случайных величин, экспоненциально распределенных с одинаковыми параметрами $$\lambda$$ и $$c$$, имеет гамма-распределение с параметром формы $$a=k$$, параметром масштаба $$b=1/\lambda$$ и параметром сдвига $$kc$$. При $$c=0$$ получаем распределение Эрланга.

Если случайная величина $$X$$ имеет гамма-распределение с параметром формы $$a$$ таким, что $$d=2a$$ - целое число, $$b=1$$ и $$c=0$$, то $$2X$$ имеет распределение хи-квадрат с $$d$$ степенями свободы.

Случайная величина $$X$$ с гамма-распределением имеет следующие характеристики:

математическое ожидание $$M(X)=ab+c$$,

дисперсию $$D(X)=\sigma^2=ab^2$$,

коэффициент вариации $$\nu=\frac{b\sqrt{a}}{ab+c}$$,

асимметрию $$M[(X-M(X))^3]=\frac{2}{\sqrt{a}}$$,

эксцесс $$\frac{M[(X-M(X))^4]}{\sigma^4}-3=\frac{6}{a}$$.

Нормальное распределение – предельный случай гамма-распределения. Точнее, пусть $$Z$$ – случайная величина, имеющая стандартное гамма-распределение, заданное формулой (18). Тогда$$\lim_{a\rightarrow\infty}P \left\{ \frac{Z-a}{\sqrt{a}}<x \right\} =\Phi(x)$$ для любого действительного числа $$х$$, где $$\Phi(x)$$ – функция стандартного нормального распределения $$N(0,1)$$.

В прикладных исследованиях используются и другие параметрические семейства распределений, из которых наиболее известны система кривых Пирсона, ряды Эджворта и Шарлье. Здесь они не рассматриваются.

Дискретные распределения, используемые в вероятностно-статистических методах принятия решений. Наиболее часто используют три семейства дискретных распределений – биномиальных, гипергеометрических и Пуассона, а также некоторые другие – геометрических, отрицательных биномиальных, мультиномиальных, отрицательных гипергеометрических и т.д.

Как уже говорилось, биномиальное распределение имеет место при независимых испытаниях, в каждом из которых с вероятностью $$p$$ появляется событие $$A$$. Если общее число испытаний $$n$$ задано, то число испытаний $$Y$$, в которых появилось событие $$A$$, имеет биномиальное распределение. Для биномиального распределения вероятность принятия случайной величиной $$Y$$ значения $$y$$ определяется формулой$$P(Y=y|p,n)={n\choose y}p^y(1-p)^{n-y},\;y=0,1,2,...,n,$$ где$${n\choose y}=\frac{n!}{y!(n-y)!}=C-n^y-$$ - число сочетаний из $$n$$ элементов по $$y$$, известное из комбинаторики. Для всех $$y$$, кроме $$0, 1, 2, ..., n$$, имеем $$P(Y=y)=0$$. Биномиальное распределение при фиксированном объеме выборки $$n$$ задается параметром $$p$$, т.е. биномиальные распределения образуют однопараметрическое семейство. Они применяются при анализе данных выборочных исследований [], в частности, при изучении предпочтений потребителей, выборочном контроле качества продукции по планам одноступенчатого контроля, при испытаниях совокупностей индивидуумов в демографии, социологии, медицине, биологии и др.

Если $$Y_1$$ и $$Y_2$$ - независимые биномиальные случайные величины с одним и тем же параметром $$p_0$$, определенные по выборкам с объемами $$n_1$$ и $$n_2$$ соответственно, то $$Y_1 + Y_2$$ - биномиальная случайная величина, имеющая распределение (19) с $$p = p_0$$ и $$n = n_1 + n_2$$. Это замечание расширяет область применимости биномиального распределения, позволяя объединять результаты нескольких групп испытаний, когда есть основания полагать, что всем этим группам соответствует один и тот же параметр.

Характеристики биномиального распределения вычислены ранее:$$M(Y)=np,D(Y)=np(1-p).$$

В $$\S$$ 2.2 (События и вероятности) для биномиальной случайной величины доказан закон больших чисел:$$\lim_{n\rightarrow\infty}P \left\{ \left| \frac{Y}{n}-p \right| \ge \varepsilon \right\}=0$$ для любого $$\varepsilon>0$$. С помощью центральной предельной теоремы закон больших чисел можно уточнить, указав, насколько $$Y/n$$ отличается от $$р$$.

Теорема Муавра-Лапласа. Для любых чисел $$a$$ и $$b$$, $$a<b$$, имеем$$\lim_{n\rightarrow\infty} \left\{ a\le\frac{Y-np}{\sqrt{np(1-p)}<b} \right\} =\Phi(b)-\Phi(a),$$ где $$\Phi(x)$$ - функция стандартного нормального распределения с математическим ожиданием 0 и дисперсией 1.

Для доказательства достаточно воспользоваться представлением $$Y$$ в виде суммы независимых случайных величин, соответствующих исходам отдельных испытаний, формулами для $$M(Y)$$ и $$D(Y)$$ и центральной предельной теоремой.

Эта теорема для случая $$p=1/2$$ доказана английским математиком А. Муавром (1667-1754) в 1730 г. В приведенной выше формулировке она была доказана в 1810 г. французским математиком Пьером Симоном Лапласом (1749 - 1827).

Гипергеометрическое распределение имеет место при выборочном контроле конечной совокупности объектов объема $$N$$ по альтернативному признаку. Каждый контролируемый объект классифицируется либо как обладающий признаком $$A$$, либо как не обладающий этим признаком. Гипергеометрическое распределение имеет случайная величина $$Y$$, равная числу объектов, обладающих признаком $$A$$ в случайной выборке объема $$n$$, где $$n<N$$. Например, число $$Y$$ дефектных единиц продукции в случайной выборке объема $$n$$ из партии объема $$N$$ имеет гипергеометрическое распределение, если $$n<N$$. Другой пример - лотерея. Пусть признак $$A$$ билета - это признак "быть выигрышным". Пусть всего билетов $$N$$, а некоторое лицо приобрело $$n$$ из них. Тогда число выигрышных билетов у этого лица имеет гипергеометрическое распределение.

Для гипергеометрического распределения вероятность принятия случайной величиной $$Y$$ значения y имеет вид$$P(Y=y|N,D,n)=\frac{{D\choose y}{{N-D}\choose {n-y}}}{{N\choose n}},$$ где $$D$$ - число объектов, обладающих признаком $$A$$, в рассматриваемой совокупности объема $$N$$. При этом $$y$$ принимает значения от $$\max\{0, n - (N - D)\}$$ до $$\min\{n, D\}$$, при прочих y вероятность в формуле (20) равна 0. Таким образом, гипергеометрическое распределение определяется тремя параметрами - объемом генеральной совокупности $$N$$, числом объектов $$D$$ в ней, обладающих рассматриваемым признаком $$A$$, и объемом выборки $$n$$.

Простой случайной выборкой объема $$n$$ из совокупности объема $$N$$ называется выборка, полученная в результате случайного отбора, при котором любой из $${N\choose n}$$ наборов из $$n$$ объектов имеет одну и ту же вероятность быть отобранным. Методы случайного отбора выборок респондентов (опрашиваемых) или единиц штучной продукции рассматриваются в инструктивно-методических и нормативно-технических документах. Один из методов отбора таков: объекты отбирают один из другим, причем на каждом шаге каждый из оставшихся в совокупности объектов имеет одинаковые шансы быть отобранным. В литературе для рассматриваемого типа выборок используются также термины "случайная выборка", "случайная выборка без возвращения".

Поскольку объемы генеральной совокупности (партии) $$N$$ и выборки $$n$$ обычно известны, то подлежащим оцениванию параметром гипергеометрического распределения является $$D$$. В статистических методах управления качеством продукции $$D$$ - обычно число дефектных единиц продукции в партии. Представляет интерес также характеристика распределения $$D/N$$ - уровень дефектности.

Для гипергеометрического распределения$$M(Y)=n\frac{D}{N},D(Y)=n\frac{D}{N} \left( 1-\frac{D}{N} \right) \left( 1-\frac{n-1}{N-1} \right).$$

Последний множитель в выражении для дисперсии близок к 1, если $$N>10n$$. Если при этом сделать замену $$p=D/N$$, то выражения для математического ожидания и дисперсии гипергеометрического распределения перейдут в выражения для математического ожидания и дисперсии биномиального распределения. Это не случайно. Можно показать, что$$P(Y=y|N,D,n)=\frac{{D\choose y}{{N-D}\choose {n-y}}}{{N\choose n}} \approx P(Y=y|p,n)={n\choose y}p^y(1-p)^{n-y}, y=0,1,2,...,n,$$ при $$N>10n$$, где $$p=D/N$$. Справедливо предельное соотношение$$\lim_{N\rightarrow\infty,\frac{D}{N}\rightarrow p} P(Y=y|N,D,n)=P(Y=y|p,n),y=0,1,2,...,n,$$ и этим предельным соотношением можно пользоваться при $$N>10n$$.

Третье широко используемое дискретное распределение - распределение Пуассона. Случайная величина $$Y$$ имеет распределение Пуассона, если$$P(Y=y)=\frac{\lambda^y e^{-lambda}}{y!},\; y=0,1,2,...,$$ где $$\lambda$$ - параметр распределения Пуассона, и $$P(Y=y)=0$$ для всех прочих $$y$$ (при $$y = 0$$ обозначено $$0! =1$$ ). Для распределения Пуассона$$M(Y)=\lambda, D(Y)=\lambda.$$

Это распределение названо в честь французского математика С.Д.Пуассона (1781-1840), впервые получившего его в 1837 г. Распределение Пуассона является предельным случаем биномиального распределения, когда вероятность $$p$$ осуществления события мала, но число испытаний $$n$$ велико, причем $$np = \lambda$$. Точнее, справедливо предельное соотношение$$\lim_{n\rightarrow\infty,np\rightarrow\lambda} P(Y=y|p,n)=\frac{\lambda^y r^{-y}}{y!}, \; y=0,1,2,...$$

Поэтому распределение Пуассона (в старой терминологии "закон распределения") часто называют также "законом редких событий".

Распределение Пуассона возникает в теории потоков событий (см. выше). Доказано, что для простейшего потока с постоянной интенсивностью $$\Lambda$$ число событий (вызовов), происшедших за время $$t$$, имеет распределение Пуассона с параметром $$\lambda=\Lambda t$$. Следовательно, вероятность того, что за время $$t$$ не произойдет ни одного события, равна $$e^{-\Lambda t}$$, т.е. функция распределения длины промежутка между событиями является экспоненциальной.

Распределение Пуассона используется при анализе результатов выборочных маркетинговых обследований потребителей, расчете оперативных характеристик планов статистического приемочного контроля в случае малых значений приемочного уровня дефектности, для описания числа разладок статистически управляемого технологического процесса в единицу времени, числа "требований на обслуживание", поступающих в единицу времени в систему массового обслуживания, статистических закономерностей несчастных случаев и редких заболеваний, и т.д.

Описание иных параметрических семейств дискретных распределений и возможности их практического использования рассматриваются в литературе.

2.5. Основные проблемы прикладной статистики - описание данных, оценивание и проверка гипотез

Выделяют три основные области статистических методов обработки результатов наблюдений - описание данных, оценивание (характеристик и параметров распределений, регрессионных зависимостей и др.) и проверка статистических гипотез. Рассмотрим основные понятия, применяемые в этих областях.

Основные понятия, используемые при описании данных. Описание данных - предварительный этап статистической обработки. Используемые при описании данных величины применяются при дальнейших этапах статистического анализа - оценивании и проверке гипотез, а также при решении иных задач, возникающих при применении вероятностно-статистических методов принятия решений, например, при статистическом контроле качества продукции и статистическом регулировании технологических процессов.

Статистические данные - это результаты наблюдений (измерений, испытаний, опытов, анализов). Функции результатов наблюдений, используемые, в частности, для оценки параметров распределений и (или) для проверки статистических гипотез, называют "статистиками". (Для математиков надо добавить, что речь идет об измеримых функциях.) Если в вероятностной модели результаты наблюдений рассматриваются как случайные величины (или случайные элементы), то статистики, как функции случайных величин (элементов), сами являются случайными величинами (элементами). Статистики, являющиеся выборочными аналогами характеристик случайных величин (математического ожидания, медианы, дисперсии, моментов и др.) и используемые для оценивания этих характеристик, называют статистическими характеристиками.

Основополагающее понятие в вероятностно-статистических методах принятия решений - выборка. Как уже говорилось, выборка - это: 1) набор наблюдаемых значений или 2) множество объектов, отобранных из изучаемой совокупности. Например, единицы продукции, отобранные из контролируемой партии или потока продукции для контроля и принятия решений. Наблюдаемые значения обозначим $$x_1, x_2,..., x_n$$, где $$n$$ - объем выборки, т.е. число наблюдаемых значений, составляющих выборку. О втором виде выборок уже шла речь при рассмотрении гипергеометрического распределения, когда под выборкой понимался набор единиц продукции, отобранных из партии. Там же обсуждалась вероятностная модель случайной выборки.

В вероятностной модели выборки первого вида наблюдаемые значения обычно рассматривают как реализацию независимых одинаково распределенных случайных величин $$X_1(\omega),X_2(\omega),...X_n(\omega),\omega\in\Omega$$. При этом считают, что полученные при наблюдениях конкретные значения $$x_1, x_2,...,x_n$$ соответствуют определенному элементарному событию $$\omega=\omega_0$$, т.е.$$x_1=X_1(\omega_0),x_2=X_2(\omega_0),...,x_n=X_n(\omega_0),\omega_0\in\Omega.$$

При повторных наблюдениях будут получены иные наблюдаемые значения, соответствующие другому элементарному событию $$\omega=\omega_1$$. Цель обработки статистических данных состоит в том, чтобы по результатам наблюдений, соответствующим элементарному событию $$\omega=\omega_0$$, сделать выводы о вероятностной мере $$P$$ и результатах наблюдений при различных возможных $$\omega=\omega_1$$.

Применяют и другие, более сложные вероятностные модели выборок. Например, цензурированные выборки соответствуют испытаниям, проводящимся в течение определенного промежутка времени. При этом для части изделий удается замерить время наработки на отказ, а для остальных лишь констатируется, что наработки на отказ для них больше времени испытания. Для выборок второго вида отбор объектов может проводиться в несколько этапов. Например, для входного контроля сигарет могут сначала отбираться коробки, в отобранных коробках - блоки, в выбранных блоках - пачки, а в пачках - сигареты, т.е. существуют четыре ступени отбора. Ясно, что выборка будет обладать иными свойствами, чем простая случайная выборка из совокупности сигарет.

Из приведенного выше определения математической статистики следует, что описание статистических данных дается с помощью частот. Частота - это отношение числа $$X$$ наблюдаемых единиц, которые принимают заданное значение или лежат в заданном интервале, к общему числу наблюдений $$n$$, т.е. частота - это $$Х/n$$. (В более старой литературе иногда $$Х/n$$ называется относительной частотой, а под частотой имеется в виду $$X$$. В старой терминологии можно сказать, что относительная частота - это отношение частоты к общему числу наблюдений.)

Отметим, что обсуждаемое определение приспособлено к нуждам одномерной статистики. В случае многомерного статистического анализа, статистики случайных процессов и временных рядов, статистики объектов нечисловой природы нужны несколько иные определения понятия "статистические данные". Не считая нужным давать здесь такие определения, отметим, что в подавляющем большинстве практических постановок исходные статистические данные - это выборка или несколько выборок. А выборка - это конечная совокупность соответствующих математических объектов (чисел, векторов, функций, объектов нечисловой природы).

Число $$X$$ имеет биномиальное распределение, задаваемое вероятностью $$p$$ того, что случайная величина, с помощью которойp моделируются результаты наблюдений, принимает заданное значение или лежит в заданном интервале, и общим числом наблюдений $$n$$. Из закона больших чисел (теорема Бернулли) следует, что$$\frac{X}{n}\rightarrow p$$ при $$n\rightarrow\infty$$ (сходимость по вероятности), т.е. частота сходится к вероятности. Теорема Муавра-Лапласа позволяет уточнить скорость сходимости в этом предельном соотношении.

Чтобы от отдельных событий перейти к одновременному рассмотрению многих событий, используют накопленную частоту. Так называется отношение числа единиц, для которых результаты наблюдения меньше заданного значения, к общему числу наблюдений. (Это понятие используется, если результаты наблюдения - действительные числа, а не вектора, функции или объекты нечисловой природы.) Функция, которая выражает зависимость между значениями количественного признака и накопленной частотой, называется эмпирической функцией распределения. Итак, эмпирической функцией распределения $$F_n(x)$$ называется доля элементов выборки, меньших $$x$$. Эмпирическая функция распределения содержит всю информацию о результатах наблюдений.

Чтобы записать выражение для эмпирической функции распределения в виде формулы, введем функцию $$c(x,y)$$ двух переменных:$$c(x,y)= \left\{ \begin{aligned} 0,\;x\le y, \\ 1, x>y. \end{aligned} \right.$$

Случайные величины, моделирующие результаты наблюдений, обозначим $$X_1(\omega),X_2(\omega),...,X_n(\omega), \omega\in\Omega$$. Тогда эмпирическая функция распределения $$Fn(x)$$ имеет вид$$F_n(x)=F_n(x,\omega)=\frac{1}{n}\sum_{1\le i\le n} c(x,X_i(\omega)).$$

Из закона больших чисел следует, что для каждого действительного числа $$x$$ эмпирическая функция распределения $$F_n(x)$$ сходится к функции распределения $$F(x)$$ результатов наблюдений, т.е.$$F_n(x)\rightarrow F(x)$$ при $$n\rightarrow\infty$$. Советский математик В.И. Гливенко (1897-1940) доказал в 1933 г. более сильное утверждение: сходимость в (1) равномерна по $$x$$, т.е.$$\sup_x|F_n(x)-F(x)|\rightarrow 0$$ при $$n\rightarrow\infty$$ (сходимость по вероятности).

В (2) использовано обозначение $$\sup$$ (читается как "супремум"). Для функции $$g(x)$$ под $$\sup_x g(x)$$ понимают наименьшее из чисел $$a$$ таких, что $$g(x)\le a$$ при всех $$x$$. Если функция $$g(x)$$ достигает максимума в точке $$x_0$$, то $$\sup_x g(x)=g(x_0)$$. В таком случае вместо $$\sup$$ пишут $$\max$$. Хорошо известно, что не все функции достигают максимума.

В том же 1933 г. А.Н. Колмогоров усилил результат В.И. Гливенко для непрерывных функций распределения $$F(x)$$. Рассмотрим случайную величину$$D_n=\sqrt{n}\sup_x|F_n(x)-F(x)|$$ и ее функцию распределения$$K_n(x)=P\{D_n\le x\}.$$

По теореме А.Н. Колмогорова$$\lim_{n\rightarrow\infty}K_n(x)=K(x)$$ при каждом $$x$$, где $$K(x)$$ - так называемая функция распределения Колмогорова.

Рассматриваемая работа А.Н. Колмогорова породила одно из основных направлений математической статистики - так называемую непараметрическую статистику. И в настоящее время непараметрические критерии согласия Колмогорова, Смирнова, омега-квадрат широко используются. Они были разработаны для проверки согласия с ], поэтому не будем их приводить.

Кроме эмпирической функции распределения, для описания данных используют и другие статистические характеристики. В качестве выборочных средних величин постоянно используют выборочное среднее арифметическое, т.е. сумму значений рассматриваемой величины, полученных по результатам испытания выборки, деленную на ее объем:$$\overline{x}=\frac{1}{n}\sum_{1\le i\le n}x,$$ где $$n$$ - объем выборки, $$x_i$$ - результат измерения (испытания) $$i$$ -ого элемента выборки.

Другой вид выборочного среднего - выборочная медиана. Она определяется через порядковые статистики.

Порядковые статистики - это члены вариационного ряда, который получается, если элементы выборки $$x_1, x_2,...,x_n$$ расположить в порядке неубывания:$$x(1)\le x(2)\le ...\le x(k)\le ...\le x(n)$$

Пример 1. Для выборки $$x_1=1, x_2=7, x_3=4, x_4=2, x_5=8, x_6=0, x_7=5, x_8=7$$ вариационный ряд имеет вид $$0, 1, 2, 4, 5, 7, 7, 8$$, т.е. $$x(1)=0=x_6, x(2)=1=x_1, x(3)=2=x_4, x(4)=4=x_3, x(5)=5=x_7, x(6)=x(7)=7=x_2=x_8, x(8)=8=x_5$$.

В вариационном ряду элемент $$x(k)$$ называется $$k$$ -й порядковой статистикой. Порядковые статистики и функции от них широко используются в вероятностно-статистических методах принятия решений, в эконометрике и в других прикладных областях [].

Выборочная медиана $$\widetilde{x}$$ - результат наблюдения, занимающий центральное место в вариационном ряду, построенном по выборке с нечетным числом элементов, или полусумма двух результатов наблюдений, занимающих два центральных места в вариационном ряду, построенном по выборке с четным числом элементов. Таким образом, если объем выборки $$n$$ - нечетное число, $$n = 2k+1$$, то медиана $$\widetilde{x} = x(k+1)$$, если же $$n$$ - четное число, $$n = 2k$$, то медиана $$\widetilde{x}=[x(k) + x(k+1)]/2$$, где $$x(k)$$ и $$x(k+1)$$ - порядковые статистики.

В качестве выборочных показателей рассеивания результатов наблюдений чаще всего используют выборочную дисперсию, выборочное среднее квадратическое отклонение и размах выборки.

Согласно [] выборочная дисперсия $$s^2$$ - это сумма квадратов отклонений выборочных результатов наблюдений от их среднего арифметического, деленная на объем выборки:$$s^2=\frac{1}{n}\sum_{1\le i\le n}(x_i-\overline{x})^2.$$

Выборочное среднее квадратическое отклонение $$s$$ - неотрицательный квадратный корень из дисперсии, т.е. $$s=+\sqrt{s^2}$$.

В некоторых литературных источниках выборочной дисперсией называют другую величину:$$s_0^2=\frac{1}{n-1}\sum_{1\le i\le n}(x_i-\overline{x})^2.$$

Она отличается от $$s^2$$ постоянным множителем:$$s^2=\left(1-\frac{1}{n}\right)s_0^2.$$

Соответственно выборочным средним квадратическим отклонением в этих литературных источниках называют величину $$s_0=+\sqrt{s_0^2}$$. Тогда очевидно, что$$s=\sqrt{1-\frac{1}{n}}s_0.$$

Различие в определениях приводит к различию в алгоритмах расчетов, правилах принятия решений и соответствующих таблицах. Поэтому при использовании тех или иных нормативно-технических и инструктивно-методических материалов, программных продуктов, таблиц необходимо обращать внимание на способ определения выборочных характеристик.

Выбор $$s_0^2$$, а не $$s^2$$, объясняется тем, что$$M(s_0^2)=D(X)=\sigma^2,$$ где $$X$$ - случайная величина, имеющая такое же распределение, как и результаты наблюдений. В терминах теории статистического оценивания это означает, что $$s_0^2$$ - несмещенная оценка дисперсии (см. ниже). В то же время статистика $$s^2$$ не является несмещенной оценкой дисперсии результатов наблюдений, поскольку$$M(s^2)=\left(1-\frac{1}{n}\right)\sigma^2.$$

Однако у $$s^2$$ есть другое свойство, оправдывающее использование этой статистики в качестве выборочного показателя рассеивания. Для известных результатов наблюдений $$x_1, x_2,..., x_n$$ рассмотрим случайную величину $$Y$$ с распределением вероятностей$$P(Y=x_i)=\frac{1}{n},i=1,2,...,n,$$ и $$P(Y=x)=0$$ для всех прочих $$x$$. Это распределение вероятностей называется эмпирическим. Тогда функция распределения $$Y$$ - это эмпирическая функция распределения, построенная по результатам наблюдений $$x_1, x_2,..., x_n$$. Вычислим математическое ожидание и дисперсию случайной величины $$Y$$:$$M(Y)=\overline{x},D(Y)=s^2.$$

Второе из этих равенств и является основанием для использования $$s^2$$ в качестве выборочного показателя рассеивания.

Отметим, что математические ожидания выборочных средних квадратических отклонений $$M(s)$$ и $$M(s_0)$$, вообще говоря, не равняются теоретическому среднему квадратическому отклонению $$\sigma$$. Например, если $$X$$ имеет нормальное распределение, объем выборки $$n=3$$, то$$M(s)=0,724\sigma, M(s_0)=0,887\sigma.$$

Кроме перечисленных выше статистических характеристик, в качестве выборочного показателя рассеивания используют размах $$R$$ - разность между $$n$$ -й и первой порядковыми статистиками в выборке объема $$n$$, т.е. разность между наибольшим и наименьшим значениями в выборке: $$R=x(n)-x(1)$$.

В ряде вероятностно-статистических методов принятия решений применяют и иные показатели рассеивания. В частности, в методах статистического регулирования процессов используют средний размах - среднее арифметическое размахов, полученных в определенном количестве выборок одинакового объема. Популярно и межквартильное расстояние, т.е. расстояние между выборочными квартилями $$x([0,75n])$$ и $$x([0,25n])$$ порядка 0,75 и 0,25 соответственно, где $$[0,75n]$$ - целая часть числа $$0,75n$$, а $$[0,25n]$$ -целая часть числа $$0,25n$$.

Основные понятия, используемые при оценивании. Оценивание - это определение приближенного значения неизвестной характеристики или параметра распределения (генеральной совокупности), иной оцениваемой составляющей математической модели реального (экономического, технического и др.) явления или процесса по результатам наблюдений. Иногда формулируют более коротко: оценивание - это определение приближенного значения неизвестного параметра генеральной совокупности по результатам наблюдений. При этом параметром генеральной совокупности может быть либо число, либо набор чисел (вектор), либо функция, либо множество или иной объект нечисловой природы. Например, по результатам наблюдений, распределенных согласно биномиальному закону, оценивают число - параметр $$p$$ (вероятность успеха). По результатам наблюдений, имеющих гамма-распределение, оценивают набор из трех чисел - параметры формы $$a$$, масштаба $$b$$ и сдвига $$c$$. Способ оценивания функции распределения приведен в теоремах В.И. Гливенко и А.Н. Колмогорова. Оценивают также плотности вероятности, функции, выражающие зависимости между переменными, включенными в вероятностные модели экономических, управленческих или технологических процессов, и т.д. Целью оценивания может быть нахождение упорядочения инвестиционных проектов по экономической эффективности или технических изделий (объектов) по качеству, формулировка правил технической или медицинской диагностики и т.д. (Упорядочения в математической статистике называют также ранжировками. Это - один из видов объектов нечисловой природы.)

Оценивание проводят с помощью оценок - статистик, являющихся основой для оценивания неизвестного параметра распределения. В ряде литературных источников термин "оценка" встречается в качестве синонима термина "оценивание". Употреблять одно и то же слово для обозначения двух разных понятий нецелесообразно: оценивание - это действие, а оценка - статистика (функция от результатов наблюдений), используемая в процессе указанного действия или являющаяся его результатом.

Существуют два вида оценивания - точечное и с помощью доверительной области.

Точечное - способ оценивания, заключающийся в том, что значение оценки принимается как неизвестное значение параметра распределения.

Пример 2. Пусть результаты наблюдений $$x_1, x_2,..., x_n$$ рассматривают в вероятностной модели как случайную выборку из нормального распределения $$N(m,\sigma)$$. То есть считают, что результаты наблюдений моделируются как реализации $$n$$ независимых одинаково распределенных случайных величин, имеющих функцию нормального распределения $$N(m,\sigma)$$ с некоторыми математическим ожиданием $$m$$ и средним квадратическим отклонением $$\sigma$$, неизвестными статистику. Требуется оценить параметры $$m$$ и $$\sigma$$ (или $$\sigma^2$$ ) по результатам наблюдений. Оценки обозначим $$m^*$$ и $$(\sigma^2)^*$$ соответственно. Обычно в качестве оценки $$m^*$$ математического ожидания $$m$$ используют выборочное среднее арифметическое $$\overline{x}$$, а в качестве оценки $$(\sigma^2)^*$$ дисперсии $$\sigma^2$$ используют выборочную дисперсию $$s^2$$, т.е.$$m^*=\overline{x}, (\sigma^2)^*=s^2.$$

Для оценивания математического ожидания $$m$$ могут использоваться и другие статистики, например, выборочная медиана $$\widetilde{x}$$, полусумма минимального и максимального членов вариационного ряда$$m^{**}=[x(1)+x(n)]/2$$ и др. Для оценивания дисперсии $$\sigma^2$$ также имеется ряд оценок, в частности, $$s_0^2$$ (см. выше) и оценка, основанная на размахе $$R$$, имеющая вид$$(\sigma^2)^{**}=[a(n)R]^2,$$ где коэффициенты $$a(n)$$ берут из специальных таблиц []. Эти коэффициенты подобраны так, чтобы для выборок из нормального распределения$$M[a(n)R]=\sigma.$$

Наличие нескольких методов оценивания одних и тех же параметров приводит к необходимости выбора между этими методами.

Как сравнивать методы оценивания между собой? Сравнение проводят на основе таких показателей качества методов оценивания, как состоятельность, несмещенность, эффективность и др.

Рассмотрим оценку $$\theta_n$$ числового параметра $$\theta$$, определенную при $$n = 1, 2,..$$. Оценка $$\theta_n$$ называется состоятельной, если она сходится по вероятности к значению оцениваемого параметра $$\theta$$ при безграничном возрастании объема выборки. Выразим сказанное более подробно. Статистика $$\theta_n$$ является состоятельной оценкой параметра $$\theta$$ тогда и только тогда, когда для любого положительного числа $$\varepsilon$$ справедливо предельное соотношение$$\lim_{n\rightarrow\infty}P\{|\theta_n-\theta|>\varepsilon\}=0.$$

], достаточно выполнения более слабого условия - существования математического ожидания $$M(X)$$ ).

Пример 4. Все указанные выше оценки параметров нормального распределения являются состоятельными.

Вообще все (за редчайшими исключениями) оценки параметров, используемые в вероятностно-статистических методах принятия решений, являются состоятельными.

Пример 5. Так, согласно теореме В.И. Гливенко, эмпирическая функция распределения $$Fn(x)$$ является состоятельной оценкой функции распределения результатов наблюдений $$F(x)$$.

При разработке новых методов оценивания следует в первую очередь проверять состоятельность предлагаемых методов.

Второе важное свойство оценок - несмещенность. Несмещенная оценка $$\theta_n$$ - это оценка параметра $$\theta$$, математическое ожидание которой равно значению оцениваемого параметра: $$M(\theta_n)=\theta$$.

Пример 6. Из приведенных выше результатов следует, что $$\overline{x}$$ и $$s_0^2$$ являются несмещенными оценками параметров $$m$$ и $$\sigma^2$$ нормального распределения. Поскольку $$M(\widetilde{x})=M(m^{**})=m$$, то выборочная медиана $$\widetilde{x}$$ и полусумма крайних членов вариационного ряда $$m^{**}$$ - также несмещенные оценки математического ожидания $$m$$ нормального распределения. Однако$$M(s^2)\ne\sigma^2, M[(\sigma^2)^{**}]\ne\sigma^2,$$ поэтому оценки $$s^2$$ и $$(\sigma^2)^{**}$$ не являются состоятельными оценками дисперсии $$\sigma^2$$ нормального распределения.

Оценки, для которых соотношение $$M(\theta_n)=\theta$$ неверно, называются смещенными. При этом разность между математическим ожиданием оценки $$\theta_n$$ и оцениваемым параметром $$\theta$$, т.е. $$M(\theta_n)-\theta$$, называется смещением оценки.

Пример 7. Для оценки $$s^2$$, как следует из сказанного выше, смещение равно$$M(s^2)-\sigma^2=-\sigma^2/n.$$

Смещение оценки $$s^2$$ стремится к 0 при $$n\rightarrow\infty$$.

Оценка, для которой смещение стремится к 0, когда объем выборки стремится к бесконечности, называется асимптотически несмещенной. В примере 7 показано, что оценка $$s^2$$ является асимптотически несмещенной.

Практически все оценки параметров, используемые в вероятностно-статистических методах принятия решений, являются либо несмещенными, либо асимптотически несмещенными. Для несмещенных оценок показателем точности оценки служит дисперсия - чем дисперсия меньше, тем оценка лучше. Для смещенных оценок показателем точности служит математическое ожидание квадрата оценки $$M(\theta_n-\theta)^2$$. Как следует из основных свойств математического ожидания и дисперсии,$$d_n(\theta_n)=M[(\theta_n-\theta)^2]=D(\theta_n)+(M(\theta_n)-\theta)^2,$$ т.е. математическое ожидание квадрата ошибки складывается из дисперсии оценки и квадрата ее смещения.

Для подавляющего большинства оценок параметров, используемых в вероятностно-статистических методах принятия решений, дисперсия имеет порядок $$1/n$$, а смещение - не более чем $$1/n$$, где $$n$$ - объем выборки. Для таких оценок при больших $$n$$ второе слагаемое в правой части (3) пренебрежимо мало по сравнению с первым, и для них справедливо приближенное равенство$$d_n(\theta_n)=M[(\theta_n-\theta)^2]\approxD(\theta_n)\approx\frac{c}{n},c=c(\theta_n,\theta),$$

где $$c$$ - число, определяемое методом вычисления оценок $$\theta_n$$ и истинным значением оцениваемого параметра $$\theta$$.

С дисперсией оценки связано третье важное свойство метода оценивания - эффективность. Эффективная оценка - это несмещенная оценка, имеющая наименьшую дисперсию из всех возможных несмещенных оценок данного параметра.

Доказано [], что $$\overline{x}$$ и $$s_0^2$$ являются эффективными оценками параметров $$m$$ и $$\sigma^2$$ нормального распределения. В то же время для выборочной медианы $$\widetilde{x}$$ справедливо предельное соотношение$$\lim_{n\rightarrow\infty}\frac{D(\overline{x})}{D(\widetilde{x})}=\frac{2}{\pi}\approx 0,637$$

Другими словами, эффективность выборочной медианы, т.е. отношение дисперсии эффективной оценки $$\overline{x}$$ параметра $$m$$ к дисперсии несмещенной оценки $$\widetilde{x}$$ этого параметра при больших $$n$$ близка к 0,637. Именно из-за сравнительно низкой эффективности выборочной медианы в качестве оценки математического ожидания нормального распределения обычно используют выборочное среднее арифметическое.

Понятие эффективности вводится для несмещенных оценок, для которых $$M(\theta_n) = \theta$$ для всех возможных значений параметра $$\theta$$. Если не требовать несмещенности, то можно указать оценки, при некоторых $$\theta$$ имеющие меньшую дисперсию и средний квадрат ошибки, чем эффективные.

Пример 8. Рассмотрим "оценку" математического ожидания $$m_1\equiv 0$$. Тогда $$D(m_1)=0$$, т.е. всегда меньше дисперсии $$D(\overline{x})$$ эффективной оценки $$\overline{x}$$. Математическое ожидание среднего квадрата ошибки $$d_n(m_1)=m_2$$, т.е. при $$|m|<\sigma/\sqrt{n}$$ имеем $$d_n(m_1)<d_n(\overline{x})$$. Ясно, однако, что статистику $$m_1\equiv 0$$ бессмысленно рассматривать в качестве оценки математического ожидания $$m$$.

Пример 9. Более интересный пример рассмотрен американским математиком Дж. Ходжесом:$$T_n= \left\{ \begin{aligned} \overline{x},|\overline{x}|> n^{-\frac14},\\ 0,5\overline{x},|\overline{x}|\le n^{-\frac14}. \end{aligned} \right.$$

Ясно, что $$T_n$$ - состоятельная, асимптотически несмещенная оценка математического ожидания $$m$$, при этом, как нетрудно вычислить,$$\lim_{n\rightarrow\infty}nd_n(T_n)= \left\{ \begin{aligned} \sigma^2,m\ne 0,\\ \frac{\sigma^2}{4},m=0. \end{aligned} \right.$$

Последняя формула показывает, что при $$m\ne 0$$ оценка $$T_n$$ не хуже $$\overline{x}$$ (при сравнении по среднему квадрату ошибки $$d_n$$ ), а при $$m = 0$$ - в четыре раза лучше.

Подавляющее большинство оценок $$\theta_n$$, используемых в вероятностно-статистических методах принятия решений, являются асимптотически нормальными, т.е. для них справедливы предельные соотношения:$$\lim_{n\rightarrow\infty}P \left\{ \frac{\theta_n-M(\theta_n)}{\sqrt{D(\theta_n)}}<x \right\} =\Phi(x)$$ для любого $$x$$, где $$\Phi(x)$$ - функция стандартного нормального распределения с математическим ожиданием 0 и дисперсией 1. Это означает, что для больших объемов выборок (практически - несколько десятков или сотен наблюдений) распределения оценок полностью описываются их математическими ожиданиями и дисперсиями, а качество оценок - значениями средних квадратов ошибок $$d_n(\theta_n)$$.

Наилучшими асимптотически нормальными оценками, сокращенно НАН-оценками, называются те, для которых средний квадрат ошибки $$d_n(\theta_n)$$ принимает при больших объемах выборки наименьшее возможное значение, т.е. величина $$с=с(\theta_n,\theta)$$ в формуле (4) минимальна. Ряд видов оценок - так называемые одношаговые оценки и оценки максимального правдоподобия - являются НАН-оценками, именно они обычно используются в вероятностно-статистических методах принятия решений.

Какова точность оценки параметра? В каких границах он может лежать? В нормативно-технической и инструктивно-методической документации, в таблицах и программных продуктах наряду с алгоритмами расчетов точечных оценок даются правила нахождения доверительных границ. Они и указывают точность точечной оценки. При этом используются такие термины, как доверительная вероятность, доверительный интервал. Если речь идет об оценивании нескольких числовых параметров, или же функции, упорядочения и т.п., то говорят об оценивании с помощью доверительной области.

Доверительная область - это область в пространстве параметров, в которую с заданной вероятностью входит неизвестное значение оцениваемого параметра распределения. "Заданная вероятность" называется доверительной вероятностью и обычно обозначается $$\gamma$$. Пусть $$\Theta$$ - пространство параметров. Рассмотрим статистику $$\Theta_1 = \Theta_1(x_1, x_2,..., x_n)$$ - функцию от результатов наблюдений $$x_1, x_2,..., x_n$$, значениями которой являются подмножества пространства параметров $$\Theta$$. Так как результаты наблюдений - случайные величины, то $$\Theta_1$$ - также случайная величина, значения которой - подмножества множества $$\Theta$$, т.е. $$\Theta_1$$ - случайное множество. Напомним, что множество - один из видов объектов нечисловой природы, случайные множества изучают в теории вероятностей и статистике объектов нечисловой природы.

В ряде литературных источников, к настоящему времени во многом устаревших, под случайными величинами понимают только те из них, которые в качестве значений принимают действительные числа. Согласно справочнику академика РАН Ю.В.Прохорова и проф. Ю.А.Розанова [] случайные величины могут принимать значения из любого множества. Так, случайные вектора, случайные функции, случайные множества, случайные ранжировки (упорядочения) - это отдельные виды случайных величин. Используется и иная терминология: термин "случайная величина" сохраняется только за числовыми функциями, определенными на пространстве элементарных событий, а в случае иных областей значений используется термин "случайный элемент". (Замечание для математиков: все рассматриваемые функции, определенные на пространстве элементарных событий, предполагаются измеримыми.)

Статистика $$\Theta_1$$ называется доверительной областью, соответствующей доверительной вероятности $$\gamma$$, если$$P\{\theta\in\Theta_1(x_1,x_2,...,x_n)\}=\gamma.$$

Ясно, что этому условию удовлетворяет, как правило, не одна, а много доверительных областей. Из них выбирают для практического применения какую-либо одну, исходя из дополнительных соображений, например, из соображений симметрии или минимизируя объем доверительной области, т.е. меру множества $$\Theta_1$$.

При оценке одного числового параметра в качестве доверительных областей обычно применяют доверительные интервалы (в том числе лучи), а не иные типа подмножеств прямой. Более того, для многих двухпараметрических и трехпараметрических распределений (нормальных, логарифмически нормальных, Вейбулла-Гнеденко, гамма-распределений и др.) обычно используют точечные оценки и построенные на их основе доверительные границы для каждого из двух или трех параметров отдельно. Это делают для удобства пользования результатами расчетов: доверительные интервалы легче применять, чем фигуры на плоскости или тела в трехмерном пространстве.

Как следует из сказанного выше, доверительный интервал - это интервал, который с заданной вероятностью накроет неизвестное значение оцениваемого параметра распределения. Границы доверительного интервала называют доверительными границами. Доверительная вероятность $$\gamma$$ - вероятность того, что доверительный интервал накроет действительное значение параметра, оцениваемого по выборочным данным. Оцениванием с помощью доверительного интервала называют способ оценки, при котором с заданной доверительной вероятностью устанавливают границы доверительного интервала.

Для числового параметра $$\theta$$ рассматривают верхнюю доверительную границу $$\theta_В$$, нижнюю доверительную границу $$\theta_H$$ и двусторонние доверительные границы - верхнюю $$\theta_{1В}$$ и нижнюю $$\theta_{1H}$$. Все четыре доверительные границы - функции от результатов наблюдений $$x_1, x_2,..., x_n$$ и доверительной вероятности $$\gamma$$.

Верхняя доверительная граница $$\theta_B$$ - случайная величина $$\theta_B = \theta_B(x_1, x_2,..., x_n; \gamma)$$, для которой $$Р(\theta\le\theta_B)=\gamma$$, где $$\theta$$ - истинное значение оцениваемого параметра. Доверительный интервал в этом случае имеет вид $$(-\infty; \theta_B]$$.

Нижняя доверительная граница $$\theta_H$$ - случайная величина $$\theta_H = \theta_H(x_1, x_2,..., x_n; \gamma)$$, для которой $$P(\theta\ge\theta_H)=\gamma$$, где $$\theta$$ - истинное значение оцениваемого параметра. Доверительный интервал в этом случае имеет вид $$[\theta_H; +\infty)$$.

Двусторонние доверительные границы - верхняя $$\theta_{1B}$$ и нижняя $$\theta_{1H}$$ - это случайные величины $$\theta_{1B} = \theta_{1B}(x_1, x_2,..., x_n; \gamma)$$ и $$\theta_{1H} = \theta_{1H}(x_1, x_2,..., x_n; \gamma)$$, такие, что $$P(\theta_{1H}\le\theta\le\theta_{1B})=\gamma$$, где $$\theta$$ - истинное значение оцениваемого параметра. Доверительный интервал в этом случае имеет вид $$[\theta_{1H}; \theta_{1B}]$$.

Вероятности, связанные с доверительными границами, можно записать в виде частных случаев формулы (5):$$P\{\theta\in(-\infty;\theta_B]\}=\gamma,P\{\theta\in[\theta_H;+\infty)\} =\gamma,P\{\theta\in[\theta_{1H};\theta_{1B}]\}=\gamma.$$

В нормативно-технической и инструктивно-методической документации, научной и учебной литературе используют два типа правил определения доверительных границ - построенных на основе точного распределения и построенных на основе асимптотического распределения некоторой точечной оценки $$\theta_n$$ параметра $$\theta$$. Рассмотрим примеры.

$$Пример 10$$. Пусть $$x_1, x_2,..., x_n$$ - выборка из нормального закона $$N(m,\sigma)$$, параметры $$m$$ и $$\sigma$$ неизвестны. Укажем доверительные границы для $$m$$.

Известно [], что случайная величина$$Y=\sqrt{n}\frac{\overline{x}-m}{s_0}$$ имеет распределение Стьюдента с $$(n-1)$$ степенью свободы, где $$\overline{x}$$ - выборочное среднее арифметическое и $$s_0$$ - выборочное среднее квадратическое отклонение. Пусть $$t_{\gamma}(n-1)$$ и $$t_{1-\gamma}(n-1)$$ - квантили указанного распределения порядка $$\gamma$$ и $$1-\gamma$$ соответственно. Тогда$$P\{Y\t_{\gamma}(n-1)\}=\gamma,P\{Y\ge t_{1-\gamma}(n-1)\}=\gamma.$$

Следовательно,$$P\left\{m\ge\overline{x}-t_{\gamma}(n-1)\frac{s_0}{\sqrt{n}}\right\}=\gamma,$$ т.е. в качестве нижней доверительной границы $$\theta_H$$, соответствующей доверительной вероятности $$\gamma$$, следует взять$$\theta_H(x_1,x_2,...,x_n;\gamma)=\overline{x}-t_{\gamma}(n-1)\frac{s_0}{\sqrt{n}}.$$

Аналогично получаем, что$$P\left\{m\le\overline{x}-t_{1-\gamma}(n-1)\frac{s_0}{\sqrt{n}}\right\}=\gamma,$$

Поскольку распределение Стьюдента симметрично относительно 0, то $$t_{1-\gamma}(n-1)=-t_{\gamma}(n-1)$$. Следовательно, в качестве верхней доверительной границы $$\theta_B$$ для $$m$$, соответствующей доверительной вероятности $$\gamma$$, следует взять$$\theta_B(x_1,x_2,...,x_n;\gamma)=\overline{x}+t_{\gamma}(n-1)\frac{s_0}{\sqrt{n}}.$$

Как построить двусторонние доверительные границы? Положим$$\theta_{1H}=\theta_H(x_1,x_2,...,x_n;\gamma),\theta_{1B}=\theta_B(x_1,x_2,...,x_n;\gamma_2),$$ где $$\theta_{1H}$$ и $$\theta_{1B}$$ заданы формулами (6) и (7) соответственно. Поскольку неравенство $$\theta_{1H}\le m\le \theta_{1B}$$ выполнено тогда и только тогда, когда$$t_{\gamma_2}(n-1)\ge Y\ge t_{1-\gamma_1}(n-1),\;\text{то}\; P\{\theta_{1H}\le m\le\theta_{1B}\}=\gamma_1+\gamma_2 -1,$$ (в предположении, что $$\gamma_1 > 0,5; \gamma_2 > 0,5$$ ). Следовательно, если $$\gamma = \gamma_1 + \gamma_2 - 1$$, то $$\theta_{1H}$$ и $$\theta_{1B}$$ - двусторонние доверительные границы для $$m$$, соответствующие доверительной вероятности $$\gamma$$. Обычно полагают $$\gamma_1 = \gamma_2$$, т.е. в качестве двусторонних доверительных границ $$\theta_{1H}$$ и $$\theta_{1B}$$, соответствующих доверительной вероятности $$\gamma$$, используют односторонние доверительные границы $$\theta_H$$ и $$\theta_B$$, соответствующие доверительной вероятности $$(1+\gamma)/2$$.

Другой вид правил построения доверительных границ для параметра $$\theta$$ основан на асимптотической нормальности некоторой точечной оценки $$\theta_n$$ этого параметра. В вероятностно-статистических методах принятия решений используют, как уже отмечалось, несмещенные или асимптотически несмещенные оценки $$\theta_n$$, для которых смещение либо равно 0, либо при больших объемах выборки пренебрежимо мало по сравнению со средним квадратическим отклонением оценки $$\theta_n$$. Для таких оценок при всех $$x$$$$\lim_{n\rightarrow\infty}P \left\{ \frac{\theta_n-\theta}{\sqrt{D(\theta_n)}}\le x \right\} \Phi(x),$$ где $$\Phi(x)$$ - функция нормального распределения $$N(0;1)$$. Пусть $$u_{\gamma}$$ - квантиль порядка $$\gamma$$ распределения $$N(0;1)$$. Тогда$$\lim_{n\rightarrow\infty}P \left\{ \frac{\theta_n-\theta}{\sqrt{D(\theta_n)}}\le u_{\gamma} \right\}=\gamma$$

Поскольку неравенство$$\frac{\theta_n-\theta}{\sqrt{D(\theta_n)}}\le u_{\gamma}$$ равносильно неравенству$$\theta_n-u_{\gamma}\sqrt{D(\theta_n)}\le\theta,$$ то в качестве $$\theta_H$$ можно было бы взять левую часть последнего неравенства. Однако точное значение дисперсии $$D(\theta_n)$$ обычно неизвестно. Зато часто удается доказать, что дисперсия оценки имеет вид$$D(\theta_n)=\frac{h(\theta)}{n}$$ (с точностью до пренебрежимо малых при росте $$n$$ слагаемых), где $$h(\theta)$$ - некоторая функция от неизвестного параметра $$\theta$$. Справедлива (см. 4.3) теорема о наследовании сходимости [ $$12$$, $$\S$$ 2.4], согласно которой при подстановке в $$h(\theta)$$ оценки $$\theta_n$$ вместо $$\theta$$ соотношение (8) остается справедливым, т.е.$$\lim_{n\rightarrow\infty}P \left\{ \theta_n-u_{\gamma}\frac{\sqrt{h(\theta_n)}}{\sqrt{n}}\le\theta \right\} =\gamma.$$

Следовательно, в качестве приближенной нижней доверительной границы следует взять$$\theta_H=\theta_n-u_{\gamma}\frac{\sqrt{h(\theta_n)}}{\sqrt{n}},$$ а в качестве приближенной верхней доверительной границы -$$\theta_B=\theta_n+u_{\gamma}\frac{\sqrt{h(\theta_n)}}{\sqrt{n}}.$$

С ростом объема выборки качество приближенных доверительных границ улучшается, так как вероятности событий $$\{\theta\ge\theta_H\}$$ и $$\{\theta\le\theta_B\}$$ стремятся к $$\gamma$$. Для построения двусторонних доверительных границ поступают аналогично правилу, указанному выше в примере 10 для интервального оценивания параметра $$m$$ нормального распределения. А именно, используют односторонние доверительные границы, соответствующие доверительной вероятности $$(1+\gamma)/2$$.

При обработке экономических, управленческих или технических статистических данных обычно используют значение доверительной вероятности $$\gamma=0,95$$. Применяют также значения $$\gamma=0,99$$ или $$\gamma=0,90$$. Иногда встречаются значения $$\gamma=0,80, \gamma=0,975, \gamma=0,98$$ и др.

Для дискретных распределений, таких, как биномиальное, гипергеометрическое или распределение Пуассона (а также распределения статистики Колмогорова$$D_n=\sqrt{n}\sup_x|F_n(x)-F_0(x)|$$ и других непараметрических статистик), функции распределения имеют скачки. Поэтому для заданного заранее значения $$\gamma$$, например, $$\gamma=0,95$$, нельзя указать доверительные границы, поскольку уравнения, с помощью которых вводятся доверительные границы, не имеют ни одного решения. Так, рассмотрим биномиальное распределение$$P(Y=y|p,n)={n\choose y}p^y(1-p)^{n-y}, y=0,1,2,...,n,$$ где $$Y$$ - число осуществлений события, $$n$$ - объем выборки. Для него нельзя указать статистику $$K(Y,n)$$ такую, что$$P\{p\le K(Y,n)\}=\gamma,$$ поскольку $$K(Y,n)$$ - функция от $$Y$$ и может принимать не больше значений, чем принимает $$Y$$, т.е. $$n+1$$, а для $$\gamma$$ имеется бесконечно много возможных значений - столько, сколько точек на отрезке. Сказанное означает, что верхней доверительной границы в случае биномиального распределения не существует.

Для дискретных распределений приходится изменить определения доверительных границ. Покажем изменения на примере биномиального распределения. Так, в качестве верхней доверительной границы $$\theta_B$$ используют наименьшее $$K(Y,n)$$ такое, что$$P\{p\le K(Y,n)\}\ge\gamma.$$

Аналогичным образом поступают для других доверительных границ и других распределений. Необходимо иметь в виду, что при небольших $$n$$ и $$p$$ истинная доверительная вероятность $$P\{p\le K(Y,n)\}$$ может существенно отличаться от номинальной $$\gamma$$, как это подробно продемонстрировано в работе []. Поэтому наряду с величинами типа $$K(Y,n)$$ (т.е. доверительных границ) при разработке таблиц и компьютерных программ необходимо предусматривать возможность получения и величин типа $$P\{p\le K(Y,n)\}$$ (т.е. достигаемых доверительных вероятностей).

Основные понятия, используемые при проверке гипотез. Статистическая гипотеза - любое предположение, касающееся неизвестного распределения случайных величин (элементов). Приведем формулировки нескольких статистических гипотез:

Результаты наблюдений имеют нормальное распределение с нулевым математическим ожиданием.

Результаты наблюдений имеют функцию распределения $$N(0,1)$$.

Результаты наблюдений имеют нормальное распределение.

Результаты наблюдений в двух независимых выборках имеют одно и то же нормальное распределение.

Результаты наблюдений в двух независимых выборках имеют одно и то же распределение.

Различают нулевую и альтернативную гипотезы. Нулевая - гипотеза, подлежащая проверке. Альтернативная - каждая допустимая гипотеза, отличная от нулевой. Нулевую гипотезу обозначают $$H_0$$, альтернативную - $$H_1$$ (от англ. Hypothesis - "гипотеза").

Выбор тех или иных нулевых или альтернативных гипотез определяется стоящими перед менеджером, экономистом, инженером, исследователем прикладными задачами. Рассмотрим примеры.

Пример 11. Пусть нулевая гипотеза - гипотеза 2 из приведенного выше списка, а альтернативная - гипотеза 1. Сказанное означает, что реальная ситуация описывается вероятностной моделью, согласно которой результаты наблюдений рассматриваются как реализации независимых одинаково распределенных случайных величин с функцией распределения $$N(0,\sigma)$$, где параметр $$\sigma$$ неизвестен статистику. В рамках этой модели нулевую гипотезу записывают так:$$H_0:\sigma=1,\;\text{а альтернативную: }H_1:\sigma\ne 1.$$

Пример 12. Пусть нулевая гипотеза - по-прежнему гипотеза 2 из приведенного выше списка, а альтернативная - гипотеза 3 из того же списка. Тогда в вероятностной модели управленческой, экономической или производственной ситуации предполагается, что результаты наблюдений образуют выборку из нормального распределения $$N(m,\sigma)$$ при некоторых значениях $$m$$ и $$\sigma$$. Гипотезы записываются так:$$H_0:m=0,\sigma=1$$ (оба параметра принимают фиксированные значения);

$$H_1:m\ne 0\;\textit{и/или }\sigma\ne 1$$ (т.е. либо $$m\ne 0$$, либо $$\sigma\ne 1$$, либо и $$m\ne 0$$, и $$\sigma\ne 1$$ ).

Пример 13. Пусть $$H_0$$ - гипотеза 1 из приведенного выше списка, а $$H_1$$ - гипотеза 3 из того же списка. Тогда вероятностная модель - та же, что в примере 12,$$\begin{aligned} H_0:m=0,\sigma\text{ произвольно};\\ H_1:m\ne 0,\sigma\text{ произвольно}. \end{aligned}$$

Пример 14. Пусть $$H_0$$ - гипотеза 2 из приведенного выше списка, а согласно $$H_1$$ результаты наблюдений имеют функцию распределения $$F(x)$$, не совпадающую с функцией стандартного нормального распределения $$\Phi(x)$$. Тогда $$H_0:F(x)=\Phi(x)$$ при всех $$x$$ (записывается как $$F(х)\equiv\Phi(x)$$ ); $$H_1:F(x_0)\ne \Phi(x_0)$$ при некотором $$x_0$$ (т.е. неверно, что $$F(x)\equiv\Phi(x)$$ ).

Примечание. Здесь $$\equiv$$ - знак тождественного совпадения функций (т.е. совпадения при всех возможных значениях аргумента $$x$$ ).

Пример 15. Пусть $$H_0$$ - гипотеза 3 из приведенного выше списка, а согласно $$H_1$$ результаты наблюдений имеют функцию распределения $$F(x)$$, не являющуюся нормальной. Тогда$$H_0:F(x)\equiv\Phi\left(\frac{x-m}{\sigma}\right)\text{ при некоторых } m,\sigma;$$ $$H_1:F(x)$$ такова, что для любых $$m,\sigma$$ найдется $$x_0=x_0(m,\sigma)$$ такое, что $$F(x_0)\ne\Phi\left(\frac{x_0-m}{\sigma}\right)$$.

Пример 16. Пусть $$H_0$$ - гипотеза 4 из приведенного выше списка, согласно вероятностной модели две выборки извлечены из совокупностей с функциями распределения $$F(x)$$ и $$G(x)$$, являющихся нормальными с параметрами $$m_1,\sigma_1$$ и $$m_2,\sigma_2$$ соответственно, а $$H_1$$ - отрицание $$H_0$$. Тогда $$H_0:m_1=m_2,\sigma_1=\sigma_2$$, причем $$m_1$$ и $$\sigma_1$$ произвольны; $$H_1:m_1\ne m_2$$ и/или $$\sigma_1\ne\sigma_2$$.

Пример 17. Пусть в условиях примера 16 дополнительно известно, что $$\sigma_1=\sigma_2$$. Тогда $$H_0:m_1=m_2, \sigma>0$$, причем $$m_1$$ и $$\sigma$$ произвольны; $$H_1: m_1 \ne m_2, \sigma > 0$$.

Пример 18. Пусть $$H_0$$ - гипотеза 5 из приведенного выше списка, согласно вероятностной модели две выборки извлечены из совокупностей с функциями распределения $$F(x)$$ и $$G(x)$$ соответственно, а $$H_1$$ - отрицание $$H_0$$. Тогда $$Н0:F(x)\equiv G(x)$$, где $$F(x)$$ - произвольная функция распределения; $$H_1:F(x)$$ и $$G(x)$$ - произвольные функции распределения, причем $$F(x)\ne G(x)$$ при некоторых $$x$$.

Пример 19. Пусть в условиях примера 17 дополнительно предполагается, что функции распределения $$F(x)$$ и $$G(x)$$ отличаются только сдвигом, т.е. $$G(x)=F(x-a)$$ при некотором $$a$$. Тогда $$H_0:F(x)\equiv G(x)$$, где $$F(x)$$ - произвольная функция распределения; $$H_1:G(x)=F(x-a), a\ne 0$$, где $$F(x)$$ - произвольная функция распределения.

Пример 20. Пусть в условиях примера 14 дополнительно известно, что согласно вероятностной модели ситуации $$F(x)$$ - функция нормального распределения с единичной дисперсией, т.е. имеет вид $$N(m,1)$$. Тогда $$H_0:m=0$$ (т.е. $$F(x)=\Phi(x)$$ при всех $$x$$ ; записывается как $$F(x)\equiv\Phi(x)); H_1:m\ne 0$$ (т.е. неверно, что $$F(x)\equiv \Phi(x)$$ ).

] рассматривают выборку, извлеченную из совокупности с нормальным распределением и известной дисперсией, и гипотезы$$H_0:m=m_0,\;H_1:m=m_1,$$ где значение параметра $$m = m_0$$ соответствует налаженному ходу процесса, а переход к $$m = m_1$$ свидетельствует о разладке.

] число дефектных единиц продукции в выборке подчиняется гипергеометрическому распределению, неизвестным параметром является $$p = D/N$$ - уровень дефектности, где $$N$$ - объем партии продукции, $$D$$ - общее число дефектных единиц продукции в партии. Используемые в нормативно-технической и коммерческой документации (стандартах, договорах на поставку и др.) планы контроля часто нацелены на проверку гипотезы$$H_0:p\le AQL\text{ против альтернативной гипотезы }H_1:p\ge LQ,$$ где $$AQL$$ - приемочный уровень дефектности, $$LQ$$ - браковочный уровень дефектности (очевидно, что $$AQL<LQ$$ ).

Пример 23. В качестве показателей стабильности технологического, экономического, управленческого или иного процесса используют ряд характеристик распределений контролируемых показателей, в частности, коэффициент вариации $$\nu=\sigma/M(X)$$. Требуется проверить нулевую гипотезу$$H_0:\nu\le\nu_0\text{ при альтернативной гипотезе }H_1:\nu>\nu_0,$$ где $$\nu_0$$ - некоторое заранее заданное граничное значение.

Пример 24. Пусть вероятностная модель двух выборок - та же, что в примере 18, математические ожидания результатов наблюдений в первой и второй выборках обозначим $$M(X)$$ и $$M(Y)$$ соответственно. В ряде ситуаций проверяют нулевую гипотезу$$H_0:M(X)=M(Y)$$ против альтернативной гипотезы$$H_1:M(X)\ne M(Y)$$

Пример 25. Выше отмечалось большое значение в математической статистике функций распределения, симметричных относительно 0. При проверке симметричности $$H_0:F(-x)=1-F(x)$$ при всех $$x$$, в остальном $$F$$ произвольна; $$H_1: F(-x+_0) \ne 1 - F(x0)$$ при некотором $$x_0$$, в остальном $$F$$ произвольна.

В вероятностно-статистических методах принятия решений используются и многие другие постановки задач проверки статистических гипотез. Некоторые из них рассматриваются ниже.

Конкретная задача проверки статистической гипотезы полностью описана, если заданы нулевая и альтернативная гипотезы. Выбор метода проверки статистической гипотезы, свойства и характеристики методов определяются как нулевой, так и альтернативной гипотезами. Для проверки одной и той же нулевой гипотезы при различных альтернативных гипотезах следует использовать, вообще говоря, различные методы. Так, в примерах 14 и 20 нулевая гипотеза одна и та же, а альтернативные - различны. Поэтому в условиях примера 14 следует применять методы проверки согласия с фиксированным распределением (например, критерии Колмогорова или омега-квадрат), а в условиях примера 20 - критерий Стьюдента. Если в условиях примера 14 использовать критерий Стьюдента, то он не будет решать поставленных задач (не сможет обнаружить все варианты альтернативных гипотез). Если в условиях примера 20 использовать критерий согласия Колмогорова, то он, напротив, будет решать поставленные задачи, хотя, возможно, и хуже, чем специально приспособленный для этого случая критерий Стьюдента.

При обработке реальных данных большое значение имеет правильный выбор гипотез $$H_0$$ и $$H_1$$. Принимаемые предположения, например, нормальность распределения, должны быть тщательно обоснованы, в частности, статистическими методами. Отметим, что в подавляющем большинстве конкретных прикладных постановок распределение результатов наблюдений отлично от нормального [].

Часто возникает ситуация, когда вид нулевой гипотезы вытекает из постановки прикладной задачи, а вид альтернативной гипотезы не ясен. В таких случаях следует рассматривать альтернативную гипотезу наиболее общего вида и использовать методы, решающие поставленную задачу при всех возможных $$H_1$$. В частности при проверке гипотезы 2 (из приведенного выше списка) как нулевой следует в качестве альтернативной гипотезы использовать $$H_1$$ из примера 14, а не из примера 20, если нет специальных обоснований нормальности распределения результатов наблюдений при альтернативной гипотезе.

Статистические гипотезы бывают параметрические и непараметрические. Предположение, которое касается неизвестного значения параметра распределения, входящего в некоторое параметрическое семейство распределений, называется параметрической гипотезой (напомним, что параметр может быть и многомерным). Предположение, при котором вид распределения неизвестен (т.е. не предполагается, что оно входит в некоторое параметрическое семейство распределений), называется непараметрической гипотезой. Таким образом, если распределение $$F(x)$$ результатов наблюдений в выборке согласно принятой вероятностной модели входит в некоторое параметрическое семейство $$\{F(x;\theta), \theta\in\Theta\}$$, т.е. $$F(x) = F(x;\theta_0)$$ при некотором $$\theta_0\in\Theta$$, то рассматриваемая гипотеза - параметрическая, в противном случае - непараметрическая.

Если и $$H_0$$ и $$H_1$$ - параметрические гипотезы, то задача проверки статистической гипотезы - параметрическая. Если хотя бы одна из гипотез $$H_0$$ и $$H_1$$ - непараметрическая, то задача проверки статистической гипотезы - непараметрическая. Другими словами, если вероятностная модель ситуации - параметрическая, т.е. полностью описывается в терминах того или иного параметрического семейства распределений вероятностей, то и задача проверки статистической гипотезы - параметрическая. Если же вероятностная модель ситуации - непараметрическая, т.е. ее нельзя полностью описать в терминах какого-либо параметрического семейства распределений вероятностей, то и задача проверки статистической гипотезы - непараметрическая. В примерах 11-13, 16, 17, 20-22 даны постановки параметрических задач проверки гипотез, а в примерах 14, 15, 18, 19, 23-25 - непараметрических. Непараметрические задачи делятся на два класса: в одном из них речь идет о проверке утверждений, касающихся функций распределения (примеры 14, 15, 18, 19, 25), во втором - о проверке утверждений, касающихся характеристик распределений (примеры 23, 24).

Статистическая гипотеза называется простой, если она однозначно задает распределение результатов наблюдений, вошедших в выборку. В противном случае статистическая гипотеза называется сложной. Гипотеза 2 из приведенного выше списка, нулевые гипотезы в примерах 11, 12, 14, 20, нулевая и альтернативная гипотезы в примере 21 - простые, все остальные упомянутые выше гипотезы - сложные.

Однозначно определенный способ проверки статистических гипотез называется статистическим критерием. Статистический критерий строится с помощью статистики $$U(x_1, x_2, ..., x_n)$$ - функции от результатов наблюдений $$x_1, x_2, ..., x_n$$. В пространстве значений статистики $$U$$ выделяют критическую область $$\Psi$$, т.е. область со следующим свойством: если значения применяемой статистики принадлежат данной области, то отклоняют (иногда говорят - отвергают) нулевую гипотезу, в противном случае - не отвергают (т.е. принимают).

Статистику $$U$$, используемую при построении определенного статистического критерия, называют статистикой этого критерия. Например, в задаче проверки статистической гипотезы, приведенной в примере 14, применяют критерий Колмогорова, основанный на статистике$$D_n=\sqrt{n}\sup_{x}|F_n(x)-F_0(x)|.$$

При этом $$D_n$$ называют статистикой критерия Колмогорова.

Частным случаем статистики $$U$$ является векторзначная функция результатов наблюдений $$U_0(x_1, x_2, ..., x_n) = (x_1, x_2, ..., x_n)$$, значения которой - набор результатов наблюдений. Если $$x_i$$ - числа, то $$U_0$$ - набор $$n$$ чисел, т.е. точка $$n$$ -мерного пространства. Ясно, что статистика критерия $$U$$ является функцией от $$U_0$$, т.е. $$U = f(U_0)$$. Поэтому можно считать, что $$\Psi$$ - область в том же $$n$$ -мерном пространстве, нулевая гипотеза отвергается, если $$(x_1, x_2, ..., x_n)\in\Psi$$, и принимается в противном случае.

В вероятностно-статистических методах принятия решений, статистические критерии, как правило, основаны на статистиках $$U$$, принимающих числовые значения, и критические области имеют вид$$\Psi=\{U(x_1,x_2,...,x_n)>C\},$$ где $$С$$ - некоторые числа.

Статистические критерии делятся на параметрические и непараметрические. Параметрические критерии используются в параметрических задачах проверки статистических гипотез, а непараметрические - в непараметрических задачах.

При проверке статистической гипотезы возможны ошибки. Есть два рода ошибок. Ошибка первого рода заключается в том, что отвергают нулевую гипотезу, в то время как в действительности эта гипотеза верна. Ошибка второго рода состоит в том, что принимают нулевую гипотезу, в то время как в действительности эта гипотеза неверна.

Вероятность ошибки первого рода называется уровнем значимости и обозначается $$\alpha$$. Таким образом, $$\alpha=P\{U\in\Psi|H_0\}$$, т.е. уровень значимости $$\alpha$$ - это вероятность события $$\{U\in\Psi\}$$, вычисленная в предположении, что верна нулевая гипотеза $$H_0$$.

Уровень значимости однозначно определен, если $$H_0$$ - простая гипотеза. Если же $$H_0$$ - сложная гипотеза, то уровень значимости, вообще говоря, зависит от функции распределения результатов наблюдений, удовлетворяющей $$H_0$$. Статистику критерия $$U$$ обычно строят так, чтобы вероятность события $$\{U\in\Psi\}$$ не зависела от того, какое именно распределение (из удовлетворяющих нулевой гипотезе $$H_0$$ ) имеют результаты наблюдений. Для статистик критерия $$U$$ общего вида под уровнем значимости понимают максимально возможную ошибку первого рода. Максимум (точнее, супремум) берется по всем возможным распределениям, удовлетворяющим нулевой гипотезе $$H_0$$, т.е. $$\alpha=\sup P\{U\in\Psi|H_0\}$$.

Если критическая область имеет вид, указанный в формуле (9), то$$P\{U>C|H_0\}=\alpha.$$

Если $$C$$ задано, то из последнего соотношения определяют $$\alpha$$. Часто поступают по иному - задавая $$\alpha$$ (обычно $$\alpha = 0,05$$, иногда $$\alpha = 0,01$$ или $$\alpha = 0,1$$, другие значения $$\alpha$$ используются гораздо реже), определяют $$C$$ из уравнения (10), обозначая его $$C_{\alpha}$$, и используют критическую область $$\Psi=\{U>C_{\alpha}\}$$ с заданным уровнем значимости $$\alpha$$.

Вероятность ошибки второго рода есть $$P\{U\notin\Psi|H_1\}$$. Обычно используют не эту вероятность, а ее дополнение до 1, т.е. $$P\{U\in\Psi|H_1}=1-P\{U\notin\Psi|H_1\}$$. Эта величина носит название мощности критерия. Итак, мощность критерия - это вероятность того, что нулевая гипотеза будет отвергнута, когда альтернативная гипотеза верна.

Понятия уровня значимости и мощности критерия объединяются в понятии функции мощности критерия - функции, определяющей вероятность того, что нулевая гипотеза будет отвергнута. Функция мощности зависит от критической области $$\Psi$$ и действительного распределения результатов наблюдений. В параметрической задаче проверки гипотез распределение результатов наблюдений задается параметром $$\theta$$. В этом случае функция мощности обозначается $$M(\Psi,\theta)$$ и зависит от критической области $$\Psi$$ и действительного значения исследуемого параметра $$\theta$$. Если$$H_0:\theta=\theta_0,H_1:\theta=\theta_1,$$ то$$M(\Psi,\theta_0)=\alpha,M(\Psi,\theta_1)=1-\beta,$$ где $$\alpha$$ - вероятность ошибки первого рода, $$\beta$$ - вероятность ошибки второго рода. В статистическом приемочном контроле $$\alpha$$ - риск изготовителя, $$\beta$$ - риск потребителя. При статистическом регулировании технологического процесса $$\alpha$$ - риск излишней наладки, $$\beta$$ - риск незамеченной разладки.

Функция мощности $$M(\Psi,\theta)$$ в случае одномерного параметра $$\theta$$ обычно достигает минимума, равного $$\alpha$$, при $$\theta = \theta_0$$, монотонно возрастает при удалении от $$\theta_0$$ и приближается к 1 при $$|\theta-\theta_0|\rightarrow\infty$$.

В ряде вероятностно-статистических методов принятия решений используется оперативная характеристика $$L(\Psi,\theta)$$ - вероятность принятия нулевой гипотезы в зависимости от критической области $$\Psi$$ и действительного значения исследуемого параметра $$\theta$$. Ясно, что$$L(\Psi,\theta)=1-M(\Psi,\theta).$$

Основной характеристикой статистического критерия является функция мощности. Для многих задач проверки статистических гипотез разработан не один статистический критерий, а целый ряд. Чтобы выбрать из них определенный критерий для использования в конкретной практической ситуации, проводят сравнение критериев по различным показателям качества [, прил. 3], прежде всего с помощью их функций мощности. В качестве примера рассмотрим лишь два показателя качества критерия проверки статистической гипотезы - состоятельность и несмещенность.

Пусть объем выборки $$n$$ растет, а $$U_n$$ и $$\Psi_n$$ - статистики критерия и критические области соответственно. Критерий называется состоятельным, если$$\lim_{n\rightarrow\infty}P\{U_n\in\Psi_n|H_1\}=1,$$ т.е. вероятность отвергнуть нулевую гипотезу стремится к 1, если верна альтернативная гипотеза.

Статистический критерий называется несмещенным, если для любого $$\theta_0$$, удовлетворяющего $$H_0$$, и любого $$\theta_1,$$ удовлетворяющего $$H_1$$, справедливо неравенство$$P\{U\in\Psi|\theta_0\}<P\{U\in\Psi|\theta_1\},$$ т.е. при справедливости $$H_0$$ вероятность отвергнуть $$H_0$$ меньше, чем при справедливости $$H_1$$.

При наличии нескольких статистических критериев в одной и той же задаче проверки статистических гипотез следует использовать состоятельные и несмещенные критерии.

2.6. Некоторые типовые задачи прикладной статистики и методы их решения

Статистические данные и прикладная статистика. Под прикладной статистикой понимают часть математической статистики, посвященную методам обработки реальных статистических данных, а также методы сбора данных, соответствующее математическое и программное обеспечение. Таким образом, чисто математические задачи не включают в прикладную статистику.

Под статистическими данными понимают числовые или нечисловые значения контролируемых параметров (признаков) исследуемых объектов, которые получены в результате наблюдений (измерений, анализов, испытаний, опытов и т.д.) определенного числа признаков, у каждой единицы, вошедшей в исследование. Способы получения статистических данных и объемы выборок устанавливают, исходя из постановок конкретной прикладной задачи на основе методов математической теории планирования эксперимента.

Результат наблюдения $$x_i$$ исследуемого признака $$X$$ (или совокупности исследуемых признаков $$X$$ ) у $$i$$ -й единицы выборки отражает количественные и/или качественные свойства обследованной единицы с номером $$i$$ (здесь $$i = 1, 2, ..., n$$, где $$n$$ - объем выборки). Деление прикладной статистики на направления соответственно виду обрабатываемых результатов наблюдений (т.е. на статистику случайных величин, многомерный статистический анализ, статистику временных рядов и статистику объектов нечисловой природы) обсуждалось выше.

Результаты наблюдений $$x_1, x_2,..., x_n$$, где $$x_i$$ - результат наблюдения $$i$$ -ой единицы выборки, или результаты наблюдений для нескольких выборок, обрабатывают с помощью методов прикладной статистики, соответствующих поставленной задаче. Используют, как правило, аналитические методы, т.е. методы, основанные на численных расчетах (объекты нечисловой природы при этом описывают с помощью чисел). В отдельных случаях допустимо применение графических методов (визуального анализа).

Количество разработанных к настоящему времени методов обработки данных весьма велико. Они описаны в сотнях тысяч книг и статей, а также в стандартах и других нормативно-технических и инструктивно-методических документах.

Многие методы прикладной статистики требуют проведения трудоемких расчетов, поэтому для их реализации необходимо использовать компьютеры. Программы расчетов на ЭВМ должны соответствовать современному научному уровню. Однако для единичных расчетов при отсутствии соответствующего программного обеспечения успешно используют микрокалькуляторы.

Задачи статистического анализа точности и стабильности технологических процессов и качества продукции. Статистические методы используют, в частности, для анализа точности и стабильности технологических процессов и качества продукции. Цель - подготовка решений, обеспечивающих эффективное функционирование технологических единиц и повышение качества и конкурентоспособности выпускаемой продукции. Статистические методы следует применять во всех случаях, когда по результатам ограниченного числа наблюдений требуется установить причины улучшения или ухудшения точности и стабильности технологического оборудования. Под точностью технологического процесса понимают свойство технологического процесса, обусловливающее близость действительных и номинальных значений параметров производимой продукции. Под стабильностью технологического процесса понимают свойство технологического процесса, обусловливающее постоянство распределений вероятностей для его параметров в течение некоторого интервала времени без вмешательства извне.

Целями применения статистических методов анализа точности и стабильности технологических процессов и качества продукции на стадиях разработки, производства и эксплуатации (потребления) продукции являются, в частности:

определение фактических показателей точности и стабильности технологического процесса, оборудования или качества продукции;

установление соответствия качества продукции требованиям нормативно-технической документации;

проверка соблюдения технологической дисциплины;

изучение случайных и систематических факторов, способных привести к появлению дефектов;

выявление резервов производства и технологии;

обоснование технических норм и допусков на продукцию;

оценка результатов испытаний опытных образцов при обосновании требований к продукции и нормативов на нее;

обоснование выбора технологического оборудования и средств измерений и испытаний;

сравнение различных образцов продукции;

обоснование замены сплошного контроля статистическим;

выявление возможности внедрения статистических методов управления качеством продукции, и т.д.

Для достижения перечисленных выше целей применяют различные методы описания данных, оценивания и проверки гипотез. Приведем примеры постановок задач.

Задачи одномерной статистики (статистики случайных величин). Сравнение математических ожиданий проводят в тех случаях, когда необходимо установить соответствие показателей качества изготовленной продукции и эталонного образца. Это - задача проверки гипотезы:$$H_0:M(X)=m_0,$$ где $$m_0$$ - значение, соответствующее эталонному образцу; $$X$$ - случайная величина, моделирующая результаты наблюдений. В зависимости от формулировки вероятностной модели ситуации и альтернативной гипотезы сравнение математических ожиданий проводят либо параметрическими, либо непараметрическими методами.

Сравнение дисперсий проводят тогда, когда требуется установить отличие рассеивания показателя качества от номинального. Для этого проверяют гипотезу:$$H_0:D(X)=\sigma_0^2.$$

Ряд иных постановок задач одномерной статистики приведен ниже. Не меньшее значение, чем задачи проверки гипотез, имеют задачи оценивания параметров. Они, как и задачи проверки гипотез, в зависимости от используемой вероятностной модели ситуации делятся на параметрические и непараметрические.

В параметрических задачах оценивания принимают вероятностную модель, согласно которой результаты наблюдений $$x_1, x_2,..., x_n$$ рассматривают как реализации $$n$$ независимых случайных величин с функцией распределения $$F(x;\theta)$$. Здесь $$\theta$$ - неизвестный параметр, лежащий в пространстве параметров $$\Theta$$, заданном используемой вероятностной моделью. Задача оценивания состоит в определении точечных оценок и доверительных границ (либо доверительной области) для параметра $$\theta$$.

Параметр $$\theta$$ - либо число, либо вектор фиксированной конечной размерности. Так, для нормального распределения $$\theta=(m,\sigma^2)$$ - двумерный вектор, для биномиального $$\theta=p$$ - число, для гамма-распределения $$\theta=(a,b,c)$$ - трехмерный вектор и т.д.

В современной математической статистике разработан ряд общих методов определения оценок и доверительных границ - метод моментов, метод максимального правдоподобия, метод одношаговых оценок, метод устойчивых (робастных) оценок, метод несмещенных оценок и др. Кратко рассмотрим первые три из них. Теоретические основы различных методов оценивания и полученные с их помощью конкретные правила определения оценок и доверительных границ для тех или иных параметрических семейств распределений рассмотрены в специальной литературе, включены в нормативно-техническую и инструктивно-методическую документацию.

Метод моментов основан на использовании выражений для моментов рассматриваемых случайных величин через параметры их функций распределения. Оценки метода моментов получают, подставляя выборочные моменты вместо теоретических в функции, выражающие параметры через моменты.

В методе максимального правдоподобия, разработанном в основном Р.А.Фишером, в качестве оценки параметра $$\theta$$ берут значение $$\theta^*$$, для которого максимальна так называемая функция правдоподобия$$f(x_1,\theta)f(x_2,\theta)...f(x_n,\theta),$$

где $$x_1, x_2,..., x_n$$ - результаты наблюдений; $$f(x,\theta)$$ - их плотность распределения, зависящая от параметра $$\theta$$, который необходимо оценить.

Оценки максимального правдоподобия, как правило, эффективны (или асимптотически эффективны) и имеют меньшую дисперсию, чем оценки метода моментов. В отдельных случаях формулы для них выписываются явно (нормальное распределение, экспоненциальное распределение без сдвига). Однако чаще для их нахождения необходимо численно решать систему трансцендентных уравнений (распределения Вейбулла-Гнеденко, гамма). В подобных случаях целесообразно использовать не оценки максимального правдоподобия, а другие виды оценок, прежде всего одношаговые оценки. В литературе их иногда не вполне точно называют "приближенные оценки максимального правдоподобия". При достаточно больших объемах выборок они имеют столь же хорошие свойства, как и оценки максимального правдоподобия. Поэтому их следует рассматривать не как "приближенные", а как оценки, полученные по другому методу, не менее обоснованному и эффективному, чем метод максимального правдоподобия. Одношаговые оценки вычисляют по явным формулам (см. ]).

В непараметрических задачах оценивания принимают вероятностную модель, в которой результаты наблюдений $$x_1, x_2,..., x_n$$ рассматривают как реализации $$n$$ независимых случайных величин с функцией распределения $$F(x)$$ общего вида. От $$F(x)$$ требуют лишь выполнения некоторых условий типа непрерывности, существования математического ожидания и дисперсии и т.п. Подобные условия не являются столь жесткими, как условие принадлежности к определенному параметрическому семейству.

В непараметрической постановке оценивают либо характеристики случайной величины (математическое ожидание, дисперсию, коэффициент вариации), либо ее функцию распределения, плотность и т.п. Так, в силу закона больших чисел выборочное среднее арифметическое \overline{x} является состоятельной оценкой математического ожидания $$M(X)$$ (при любой функции распределения $$F(x)$$ результатов наблюдений, для которой математическое ожидание существует). С помощью центральной предельной теоремы определяют асимптотические доверительные границы$$(M(X))_H=\overline{x}-u \left( \frac{1+\gamma}{2} \right) \frac{s}{\sqrt{n}}, (M(X))_B=\overline{x}+u \left( \frac{1+\gamma}{2} \right) \frac{s}{\sqrt{n}},$$

где $$\gamma$$ - доверительная вероятность, $$u\left(\frac{1+\gamma}{2}\right)$$ - квантиль порядка $$\frac{1+\gamma}{2}$$ стандартного нормального распределения $$N(0;1)$$ с нулевым математическим ожиданием и единичной дисперсией, $$\overline{x}$$ - выборочное среднее арифметическое, $$s$$ - выборочное среднее квадратическое отклонение. Термин "асимптотические доверительные границы" означает, что вероятности$$\begin{gathered} P\{(M(X))_H<M(X)\}, P\{(M(X))_B>M(X)\}, \\ P\{(M(X))_H<M(X)<(M(X))_B\} \end{gathered}$$ стремятся к $$\frac{1+\gamma}{2}$$, $$\frac{1+\gamma}{2}$$ и $$\gamma$$ соответственно при $$n\rightarrow\infty$$, но, вообще говоря, не равны этим значениям при конечных $$n$$. Практически асимптотические доверительные границы дают достаточную точность при $$n$$ порядка 10.

Второй пример непараметрического оценивания - оценивание функции распределения. По теореме Гливенко эмпирическая функция распределения $$F_n(x)$$ является состоятельной оценкой функции распределения $$F(x)$$. Если $$F(x)$$ - непрерывная функция, то на основе теоремы Колмогорова доверительные границы для функции распределения $$F(x)$$ задают в виде$$(F(x))_H=\max \left\{ 0,F_n(x)-\frac{k(\gamma,n)}{\sqrt{n}} \right\},\; (F(x))_B=\min \left\{ 1,F_n(x)+\frac{k(\gamma,n)}{\sqrt{n}} \right\},$$

где $$k(\gamma,n)$$ - квантиль порядка $$\gamma$$ распределения статистики Колмогорова при объеме выборки $$n$$ (напомним, что распределение этой статистики не зависит от $$F(x)$$ ).

Правила определения оценок и доверительных границ в параметрическом случае строятся на основе параметрического семейства распределений $$F(x;\theta)$$. При обработке реальных данных возникает вопрос - соответствуют ли эти данные принятой вероятностной модели, т.е. статистической гипотезе о том, что результаты наблюдений имеют функцию распределения из семейства $$\{F(x;\theta),\theta\in\Theta\}$$ при некотором $$\theta=\theta_0$$? Такие гипотезы называют гипотезами согласия, а критерии их проверки - критериями согласия.

Если истинное значение параметра $$\theta=\theta_0$$ известно, функция распределения $$F(x;\theta_0)$$ непрерывна, то для проверки гипотезы согласия часто применяют критерий Колмогорова, основанный на статистике$$D_n=\sqrt{n}\sup_x|F_n(x)-F(x,\theta_0)|,$$ где $$F_n(x)$$ - эмпирическая функция распределения.

Если истинное значение параметра $$\theta_0$$ неизвестно, например, при проверке гипотезы о нормальности распределения результатов наблюдения (т.е. при проверке принадлежности этого распределения к семейству нормальных распределений), то иногда используют статистику$$D_n(\theta*)=\sqrt{n}\sup_x|F_n(x)-F(x,\theta*)|.$$

Она отличается от статистики Колмогорова $$D_n$$ тем, что вместо истинного значения параметра $$\theta_0$$ подставлена его оценка $$\theta*$$.

Распределение статистики $$D_n(\theta^*)$$ сильно отличается от распределения статистики $$D_n$$. В качестве примера рассмотрим проверку нормальности, когда $$\theta=(m,\sigma^2)$$, а $$\theta^*=(\overline{x},s^2)$$. Для этого случая квантили распределений статистик $$D_n$$ и $$D_n(\theta^*)$$ приведены в ]). Таким образом, квантили отличаются примерно в 1,5 раза.

Квантили статистик при проверке нормальности

$$p$$	0,85	0,90	0,95	0,975	0,99
Квантили порядка $$p$$ для $$D_n$$	1,138	1,224	1,358	1,480	1,626
Квантили порядка $$p$$ для $$D_n(\theta^*)$$	0,775	0,819	0,895	0,955	1,035

При первичной обработке статистических данных важной задачей является исключение результатов наблюдений, полученных в резульытате грубых погрешностей и промахов. Например, при просмотре данных о весе (в килограммах) новорожденных детей наряду с числами 3,500, 2,750, 4,200 может встретиться число 35,00. Ясно, что это промах, и получено ошибочное число при ошибочной записи - запятая сдвинута на один знак, в результате результат наблюдения ошибочно увеличен в 10 раз.

Статистические методы исключения резко выделяющихся результатов наблюдений основаны на предположении, что подобные результаты наблюдений имеют распределения, резко отличающиеся от изучаемых, а потому их следует исключить из выборки.

Простейшая вероятностная модель такова. При нулевой гипотезе результаты наблюдений рассматриваются как реализации независимых одинаково распределенных случайных величин $$X_1, X_2 ,..., X_n$$ с функцией распределения $$F(x)$$. При альтернативной гипотезе $$X_1, X_2,..., X_{n-1}$$ - такие же, как и при нулевой гипотезе, а $$X_n$$ соответствует грубой погрешности и имеет функцию распределения $$G(x)=F(x-c)$$, где с велико. Тогда с вероятностью, близкой к 1 (точнее, стремящейся к 1 при росте объема выборки),$$X_n=\max\{X_1,X_2,...,X_n\}=X_{\max},$$ т.е. при описании данных в качестве возможной грубой ошибки следует рассматривать $$X_{\max}$$. Критическая область имеет вид$$\Psi=\{x:x\ge d\}$$

Критическое значение $$d=d(\alpha,n)$$ выбирают в зависимости от уровня значимости $$\alpha$$ и объема выборки $$n$$ из условия$$P\{X_{\max}\ge d|H_0\}=\alpha$$

Условие (1) эквивалентно при больших $$n$$ и малых $$\alpha$$ следующему:$$F(d)=\sqrt[n]{1-\alpha}\approx1-\frac{\alpha}{n}$$

Если функция распределения результатов наблюдений $$F(x)$$ известна, то критическое значение $$d$$ находят из соотношения (2). Если $$F(x)$$ известна с точностью до параметров, например, известно, что $$F(x)$$ - нормальная функция распределения, то также разработаны правила проверки рассматриваемой гипотезы [].

Однако часто вид функции распределения результатов наблюдений известен не абсолютно точно и не с точностью до параметров, а лишь с некоторой погрешностью. Тогда соотношение (2) становится практически бесполезным, поскольку малая погрешность в определении $$F(x)$$, как можно показать, приводит к большой погрешности при определении критического значения $$d$$ из условия (2), а при фиксированном $$d$$ уровень значимости критерия может существенно отличаться от номинального [].

Поэтому в ситуации, когда о $$F(x)$$ нет полной информации, однако известны математическое ожидание $$M(X)$$ и дисперсия $$\sigma^2=D(X)$$ результатов наблюдений $$X_1, X_2,...,X_n$$, можно использовать непараметрические правила отбраковки, основанные на неравенстве Чебышева. С помощью этого неравенства найдем критическое значение $$d=d(\alpha,n)$$ такое, что$$P\{\max_{1\le i\le n}|X_i-M(X)|\ge d\}\le\alpha$$

Так как$$P\{\max_{1\le i\le n}|X_i-M(X)|<d\}=[P\{|X-M(X)|<d\}]^n,$$ то соотношение (3) будет выполнено, если$$P\{|X-M(X)|\ge d\}\le 1-\sqrt[n]{1-\alpha}\approx\frac{\alpha}{n}.$$

По неравенству Чебышева$$P\{|X-M(X)|\ge d\}\le\frac{\sigma^2}{d^2},$$ поэтому для того, чтобы (4) было выполнено, достаточно приравнять правые части формул (4) и (5), т.е. определить $$d$$ из условия$$\frac{\sigma^2}{d^2}=\frac{\alpha}{n},d=\frac{\sigma\sqrt{n}}{\sqrt{\alpha}}$$

Правило отбраковки, основанное на критическом значении $$d$$, вычисленном по формуле (6), использует минимальную информацию о функции распределения $$F(x)$$ и поэтому исключает лишь результаты наблюдений, весьма далеко отстоящие от основной массы. Другими словами, значение $$d_1$$, заданное соотношением (1), обычно много меньше, чем значение $$d_2$$, заданное соотношением (6).

Многомерный статистический анализ. Перейдем к многомерному статистическому анализу. Его применяют при решении следующих задач:

исследование зависимости между признаками;

классификация объектов или признаков, заданных векторами;

снижение размерности пространства признаков.

При этом результат наблюдений - вектор значений фиксированного числа количественных и иногда качественных признаков, измеренных у объекта. Напомним, что количественный признак - признак наблюдаемой единицы, который можно непосредственно выразить числом и единицей измерения. Количественный признак противопоставляется качественному - признаку наблюдаемой единицы, определяемому отнесением к одной из двух или более условных категорий (если имеется ровно две категории, то признак называется альтернативным). Статистический анализ качественных признаков - часть статистики объектов нечисловой природы. Количественные признаки делятся на признаки, измеренные в шкалах интервалов, отношений, разностей, абсолютной.

А качественные - на признаки, измеренные в шкале наименований и порядковой шкале. Методы обработки данных должны быть согласованы со шкалами, в которых измерены рассматриваемые признаки (см. лекцию 5 о теории измерений).

Целями исследования зависимости между признаками являются доказательство наличия связи между признаками и изучение этой связи. Для доказательства наличия связи между двумя случайными величинами $$X$$ и $$Y$$ применяют корреляционный анализ. Если совместное распределение $$X$$ и $$Y$$ является нормальным, то статистические выводы основывают на выборочном коэффициенте линейной корреляции, в остальных случаях используют коэффициенты ранговой корреляции Кендалла и Спирмена, а для качественных признаков - критерий хи-квадрат.

Регрессионный анализ применяют для изучения функциональной зависимости количественного признака $$Y$$ от количественных признаков $$x(1), x(2), ... , x(k)$$. Эту зависимость называют регрессионной или, кратко, регрессией. Простейшая вероятностная модель регрессионного анализа (в случае $$k = 1$$ ) использует в качестве исходной информации набор пар результатов наблюдений $$(x_i, y_i), i = 1, 2, ..., n$$, и имеет вид$$y_i=ax_i+b+\varepsilon_i,i=1,2,...,n,$$ где $$\varepsilon_i$$ - ошибки наблюдений. Иногда предполагают, что $$\varepsilon_i$$ - независимые случайные величины с одним и тем же нормальным распределением $$N(0, \sigma^2)$$. Поскольку распределение ошибок наблюдения обычно отлично от нормального, то целесообразно рассматривать регрессионную модель в непараметрической постановке [], т.е. при произвольном распределении $$\varepsilon_i$$.

Основная задача регрессионного анализа состоит в оценке неизвестных параметров $$a$$ и $$b$$, задающих линейную зависимость $$y$$ от $$x$$. Для решения этой задачи применяют разработанный еще в 1794 г. К.Гауссом метод наименьших квадратов, т.е. находят оценки неизвестных параметров модели $$a$$ и $$b$$ из условия минимизации суммы квадратов$$\sum_{1\le i\le n}(y_i-ax_i-b)^2$$ по переменным $$а$$ и $$b$$.

Описание теории регрессионного анализа и расчетные формулы приведены в специальной литературе [,,]. В рамках этой теории разработаны методы точечного и интервального оценивания параметров, задающих функциональную зависимость, а также непараметрические методы оценивания этой зависимости, методы проверки различных гипотез, связанных с регрессионными зависимостями. Выбор планов эксперимента, т.е. точек $$x_i$$, в которых будут проводиться эксперименты по наблюдению $$y_i$$ - предмет теории планирования эксперимента [].

Дисперсионный анализ применяют для изучения влияния качественных признаков на количественную переменную. Например, пусть имеются $$k$$ выборок результатов измерений количественного показателя качества единиц продукции, выпущенных на $$k$$ станках, т.е. набор чисел $$(x_1(j), x_2(j), ... , x_n(j))$$, где $$j$$ - номер станка, $$j = 1, 2, ..., k$$, а $$n$$ - объем выборки. В распространенной постановке дисперсионного анализа предполагают, что результаты измерений независимы и в каждой выборке имеют нормальное распределение $$N(m(j), \sigma^2)$$ с одной и той же дисперсией. Хорошо разработаны и непараметрические постановки [].

Проверка однородности качества продукции, т.е. отсутствия влияния номера станка на качество продукции, сводится к проверке гипотезы$$H_0:m(1)=m(2)=...=m(k).$$

В дисперсионном анализе разработаны методы проверки подобных гипотез. Теория дисперсионного анализа и расчетные формулы рассмотрены в специальной литературе [].

Гипотезу $$H_0$$ проверяют против альтернативной гипотезы $$H_1$$, согласно которой хотя бы одно из указанных равенств не выполнено. Проверка этой гипотезы основана на следующем "разложении дисперсий", указанном Р.А.Фишером:$$(kn)s^2=n\sum_{j=1}^k s^2(j)+(kn)s_1^2,$$ где $$s^2$$ - выборочная дисперсия в объединенной выборке, т.е.$$s^2=\frac{1}{kn}\sum_{i=1}^n\sum_{j=1}^k(x_i(j)-\overline{x})^2,\overline{x}=\frac{1}{kn}\sum_{i=1}^n\sum_{j=1}^k x_i(j).$$

Далее, $$s^2(j)$$ - выборочная дисперсия в $$j$$ -ой группе, s^2(j)=\frac{1}{n}\sum_{i=1}^n(x_i(j)-\overline{x}(j))^2,\overline{x}(j)=\frac{1}{n}\sum_{i=1}^n x_i(j),j=1,2,...,k.

Таким образом, первое слагаемое в правой части формулы (7) отражает внутригрупповую дисперсию. Наконец, $$s_1^2$$ - межгрупповая дисперсия,$$s_1^2=\frac{1}{k}\sum_{j=1}^k(\overline{x}(j)-\overline{x})^2.$$

Область прикладной статистики, связанную с разложениями дисперсии типа формулы (7), называют дисперсионным анализом. В качестве примера задачи дисперсионного анализа рассмотрим проверку приведенной выше гипотезы $$H_0$$ в предположении, что результаты измерений независимы и в каждой выборке имеют нормальное распределение $$N(m(j),\sigma^2)$$ с одной и той же дисперсией. При справедливости $$H_0$$ первое слагаемое в правой части формулы (7), деленное на $$\sigma^2$$, имеет распределение хи-квадрат с $$k(n-1)$$ степенями свободы, а второе слагаемое, деленное на $$\sigma^2$$, также имеет распределение хи-квадрат, но с $$(k-1)$$ степенями свободы, причем первое и второе слагаемые независимы как случайные величины. Поэтому случайная величина$$F=\frac{k(n-1)}{k-1}\:\frac{(kn)s_1^2}{n\sum\limits_{j=1}^k s^2(j)} =\frac{k^2(n-1)s_1^2}{(k-1)\sum\limits_{j=1}^k s^2(j)}$$ имеет распределение Фишера с $$(k-1)$$ степенями свободы числителя и $$k(n-1)$$ степенями свободы знаменателя. Гипотеза $$H_0$$ принимается, если $$F\le F_{1-\alpha}$$, и отвергается в противном случае, где $$F_{1-\alpha}$$ - квантиль порядка $$1-\alpha$$ распределения Фишера с указанными числами степеней свободы. Такой выбор критической области определяется тем, что при $$H_1$$ величина $$F$$ безгранично увеличивается при росте объема выборок $$n$$. Значения $$F_{1-\alpha}$$ берут из соответствующих таблиц [].

Разработаны непараметрические методы решения классических задач дисперсионного анализа [], в частности, проверки гипотезы $$H_0$$.

Следующий тип задач многомерного статистического анализа - задачи классификации. Они, согласно [,], делятся на три принципиально различных вида - дискриминантный анализ, кластер-анализ, задачи группировки.

Задача дискриминантного анализа состоит в нахождении правила отнесения наблюдаемого объекта к одному из ранее описанных классов. При этом объекты описывают в математической модели с помощью векторов, координаты которых - результаты наблюдения ряда признаков у каждого объекта. Классы описывают либо непосредственно в математических терминах, либо с помощью обучающих выборок. Обучающая выборка - это выборка, для каждого элемента которой указано, к какому классу он относится.

Рассмотрим пример применения дискриминантного анализа для принятия решений в технической диагностике. Пусть по результатам измерения ряда параметров продукции необходимо установить наличие или отсутствие дефектов. В этом случае для элементов обучающей выборки указаны дефекты, обнаруженные в ходе дополнительного исследования, например, проведенного после определенного периода эксплуатации. Дискриминантный анализ позволяет сократить объем контроля, а также предсказать будущее поведение продукции. Дискриминантный анализ сходен с регрессионным - первый позволяет предсказывать значение качественного признака, а второй - количественного. В статистике объектов нечисловой природы разработана математическая схема, частными случаями которой являются регрессионный и дискриминантный анализы [].

Кластерный анализ применяют, когда по статистическим данным необходимо разделить элементы выборки на группы. Причем два элемента группы из одной и той же группы должны быть "близкими" по совокупности значений измеренных у них признаков, а два элемента из разных групп должны быть "далекими" в том же смысле. В отличие от дискриминантного в кластер-анализе классы не заданы, а формируются в процессе обработки статистических данных. Например, кластер-анализ может быть применен для разбиения совокупности марок стали (или марок холодильников) на группы сходных между собой.

Другой вид кластер-анализа - разбиение близких между собой признаков на группы. Показателем близости признаков может служить выборочный коэффициент корреляции. Цель кластер-анализа признаков может состоять в уменьшении числа контролируемых параметров, что позволяет существенно сократить затраты на контроль. Для этого из группы тесно связанных между собой признаков (у которых коэффициент корреляции близок к 1 - своему максимальному значению) измеряют значение одного, а значения остальных рассчитывают с помощью регрессионного анализа.

Задачи группировки решают тогда, когда классы заранее не заданы и не обязаны быть "далекими" друг от друга. Примером является группировка студентов по учебным группам. В технике решением задачи группировки часто является параметрический ряд - возможные типоразмеры группируются согласно элементам параметрического ряда. В литературе, нормативно-технических и инструктивно-методических документах по прикладной статистике также иногда используется группировка результатов наблюдений (например, при построении гистограмм).

Задачи классификации решают не только в многомерном статистическом анализе, но и тогда, когда результатами наблюдений являются числа, функции или объекты нечисловой природы. Так, многие алгоритмы кластер-анализа используют только расстояния между объектами. Поэтому их можно применять и для классификации объектов нечисловой природы, лишь бы были заданы расстояния между ними. Простейшая задача классификации такова: даны две независимые выборки, требуется определить, представляют они два класса или один. В одномерной статистике эта задача сводится к проверке гипотезы однородности [].

Третий раздел многомерного статистического анализа - задачи снижения размерности (сжатия информации). Цель их решения состоит в определении набора производных показателей, полученных преобразованием исходных признаков, такого, что число производных показателей значительно меньше числа исходных признаков, но они содержат возможно большую часть информации, имеющейся в исходных статистических данных. Задачи снижения размерности решают с помощью методов многомерного шкалирования, главных компонент, факторного анализа и др. Например, в простейшей модели многомерного шкалирования исходные данные - попарные расстояния $$\rho_{ij},i,j=1,2,...,k,i\ne j$$, между $$k$$ объектами, а цель расчетов состоит в представлении объектов точками на плоскости. Это дает возможность в буквальном смысле слова увидеть, как объекты соотносятся между собой. Для достижения этой цели необходимо каждому объекту поставить в соответствие точку на плоскости так, чтобы попарные расстояния $$s_{ij}$$ между точками, соответствующими объектам с номерами $$i$$ и $$j$$, возможно точнее воспроизводили расстояния $$\rho_{ij}$$ между этими объектами. Согласно основной идее метода наименьших квадратов находят точки на плоскости так, чтобы величина$$\sum_{i=1}^k\sum_{j=1}^k(s_{ij}-\rho_{ij})^2$$ достигала своего наименьшего значения. Есть и многие другие постановки задач снижения размерности и визуализации данных.

Статистика случайных процессов и временных рядов. Методы статистики случайных процессов и временных рядов применяют для постановки и решения, в частности, следующих задач:

предсказание будущего развития случайного процесса или временного ряда;

управление случайным процессом (временным рядом) с целью достижения поставленных целей, например, заданных значений контролируемых параметров;

построение вероятностной модели реального процесса, обычно длящегося во времени, и изучение свойств этой модели.

Пример 1. При внедрении статистического регулирования технологического процесса необходимо проверить, что в налаженном состоянии математическое ожидание контролируемого параметра не меняется со временем. Если подобное изменение будет обнаружено, то необходимо установить подналадочное устройство.

Пример 2. Следящие системы, например, входящие в состав автоматизированной системы управления технологическим процессом, должны выделять полезный сигнал на фоне шумов. Это - задача оценивания (полезного сигнала), в то время как в примере 1 речь шла о задаче проверки гипотезы.

Методы статистики случайных процессов и временных рядов описаны в литературе [,].

Статистика объектов нечисловой природы. Методы статистики объектов нечисловой природы применяют всегда, когда результаты наблюдений являются объектами нечисловой природы. Например, сообщениями о годности или дефектности единиц продукции; информацией о сортности единиц продукции; разбиениями единиц продукции на группы соответственно значению контролируемых параметров; упорядочениями единиц продукции по качеству или инвестиционных проектов по предпочтительности; фотографиями поверхности изделия, пораженной коррозией, и т.д. Итак, объекты нечисловой природы - это измерения по качественному признаку, множества, бинарные отношения (разбиения, упорядочения и др.) и многие другие математические объекты []. Они используются в различных вероятностно-статистических методах принятия решений. В частности, в задачах управления качеством продукции, а также, например, в медицине и социологии, как для описания результатов приборных измерений, так и для анализа экспертных оценок.

Для описания данных, являющихся объектами нечисловой природы, применяют, в частности, таблицы сопряженности, а в качестве средних величин - решения оптимизационных задач []. В качестве выборочных средних для измерений в порядковой шкале используют медиану и моду, а в шкале наименований - только моду. О методах классификации нечисловых данных говорилось выше.

Для решения параметрических задач оценивания используют оптимизационный подход, метод одношаговых оценок, метод максимального правдоподобия, метод устойчивых оценок. Для решения непараметрических задач оценивания наряду с оптимизационными подходами к оцениванию характеристик используют непараметрические оценки распределения случайного элемента, плотности распределения, функции, выражающей зависимость [].

В качестве примера методов проверки статистических гипотез для объектов нечисловой природы рассмотрим критерий "хи-квадрат" (обозначают $$\chi^2$$ ), разработанный К.Пирсоном для проверки гипотезы однородности (другими словами, совпадения) распределений, соответствующих двум независимым выборкам.

Рассматриваются две выборки объемов $$n_1$$ и $$n_2$$, состоящие из результатов наблюдений качественного признака, имеющего $$k$$ градаций. Пусть $$m_{1j}$$ и $$m_{2j}$$ - количества элементов первой и второй выборок соответственно, для которых наблюдается $$j$$ -я градация, а $$p_{1j}$$ и $$p_{2j}$$ - вероятности того, что эта градация будет принята, для элементов первой и второй выборок, $$j = 1, 2, ..., k$$.

Для проверки гипотезы однородности распределений, соответствующих двум независимым выборкам,$$H_0:p_{1j}=p_{2j},j=1,2,...,k,$$ применяют критерий $$\chi^2$$ (хи-квадрат) со статистикой$$X^2=n_1 n_2\sum_{j=1}^k\frac{1}{m_{1j}+m_{2j}} \left( \frac{m_{1j}}{n_1}-\frac{m_2j}{n_2}^2. \right)$$

Установлено [ $$10$$, $$20$$ ], что статистика $$X^2$$ при больших объемах выборок $$n_1$$ и $$n_2$$ имеет асимптотическое распределение хи-квадрат с $$(k-1)$$ степенью свободы.

Распределения плавок стали по процентному содержанию серы

Содержание серы, в %	Число плавок
	Завод А	Завод Б
0,00 $$\div$$ 0,02	82	63
0,02 $$\div$$ 0,04	535	429
0,04 $$\div$$ 0,06	1173	995
0,06 $$\div$$ 0,08	1714	1307

Пример 3. В табл.2.6 приведены данные о содержании серы в углеродистой стали, выплавляемой двумя металлургическими заводами. Проверим, можно ли считать распределения примеси серы в плавках стали этих двух заводов одинаковыми.

Расчет по данным табл.2.6 дает $$X^2 = 3,39$$. Квантиль порядка 0,95 распределения хи-квадрат с $$k - 1 = 3$$ степенями свободы равна $$\chi_{0,95}^2(3)=7,8$$, а потому гипотезу о совпадении функций распределения содержания серы в плавках двух заводов нельзя отклонить, т.е. ее следует принять (на уровне значимости $$\alpha = 0,05$$ ).

Подробнее методы статистики объектов нечисловой природы рассмотрены в третьей части учебника.

Выше дано лишь краткое описание содержания прикладной статистики на современном этапе. Подробное изложение конкретных методов содержится в дальнейших лекциях учебника и в специальной литературе.

Некоторые постановки задач прикладной статистики, широко используемые в практической деятельности и в научных исследованиях. Чтобы дать представление о богатом содержании теории рассматриваемых методов, приведем краткий перечень основных типов постановок задач в соответствии с описанной выше классификацией областей прикладной статистики. Основные из них рассматриваются в дальнейших лекциях настоящего учебника.

Одномерная статистика.

Описание материала

Расчет выборочных характеристик распределения.

Построение гистограмм и полигонов частот.

Приближение эмпирических распределений с помощью распределений из системы Пирсона и других систем.

Оценивание.

Параметрическое оценивание.

Правила определения оценок и доверительных границ для параметров устойчивого распределения.

Правила определения оценок и доверительных границ для параметров логистического распределения.

Правила определения оценок и доверительных границ для параметров экспоненциального распределения и смеси экспоненциальных распределений (и так далее для различных семейств распределений).

Непараметрическое оценивание.

Непараметрическое точечное и доверительное оценивание основных характеристик распределения - математического ожидания, дисперсии, среднего квадратического отклонения, коэффициента вариации, квантилей, прежде всего медианы.

Непараметрические оценки плотности и функции распределения.

Непараметрическое оценивание параметра сдвига.

Проверка гипотез.

Параметрические задачи проверки гипотез.

Проверка равенства математических ожиданий для двух нормальных совокупностей.

Проверка равенства дисперсий для двух нормальных совокупностей.

Проверка равенства коэффициентов вариации для двух нормальных совокупностей.

Проверка равенства математических ожиданий и дисперсий для двух нормальных совокупностей.

Проверка равенства математического ожидания нормального распределения определенному значению.

Проверка равенства дисперсии нормального распределения определенному значению.

Проверка равенства параметров двух экспоненциальных совокупностей (и так далее - проверка утверждений о параметрах для различных семейств распределений).

Непараметрические задачи проверки гипотез.

Непараметрическая проверка равенства математических ожиданий для двух совокупностей.

Непараметрическая проверка равенства дисперсий для двух совокупностей.

Непараметрическая проверка равенства коэффициентов вариации для двух совокупностей.

Непараметрическая проверка равенства математических ожиданий и дисперсий для двух совокупностей.

Непараметрическая проверка равенства математического ожидания определенному значению.

Непараметрическая проверка равенства дисперсии определенному значению.

Проверка гипотезы согласия с равномерным распределением по критерию Колмогорова.

Проверка гипотезы согласия с равномерным распределением по критерию омега-квадрат (Крамера-Мизеса-Смирнова).

Проверка гипотезы согласия с равномерным распределением по критерию Смирнова.

Проверка гипотезы согласия с нормальным семейством распределений по критерию типа Колмогорова при известной дисперсии.

Проверка гипотезы согласия с нормальным семейством распределений по критерию типа Колмогорова при известном математическом ожидании.

Проверка гипотезы согласия с нормальным семейством распределений по критерию типа Колмогорова (оба параметра неизвестны).

Проверка гипотезы согласия с нормальным семейством распределений по критерию типа омега-квадрат при известной дисперсии.

Проверка гипотезы согласия с нормальным семейством распределений по критерию типа омега-квадрат при известном математическом ожидании.

Проверка гипотезы согласия с нормальным семейством распределений по критерию типа омега-квадрат (оба параметра неизвестны).

Проверка гипотезы согласия с экспоненциальным семейством распределений по критерию типа омега-квадрат ( и так далее для различных семейств распределений, тех или иных предположениях о параметрах, всевозможных критериев).

Проверка гипотезы однородности двух выборок методом Смирнова.

Проверка гипотезы однородности двух выборок методом омега-квадрат.

Проверка гипотезы однородности двух выборок с помощью критерия Вилкоксона.

Проверка гипотезы однородности двух выборок по критерию Ван-дер-Вардена.

Проверка гипотезы симметрии функции распределения относительно 0 методом Смирнова.

Проверка гипотезы симметрии функции распределения относительно 0 с помощью критерия типа омега-квадрат (Орлова).

Проверка гипотезы независимости элементов выборки.

Проверка гипотезы одинаковой распределенности элементов выборки (и т.д.).

Многомерный статистический анализ.

Описание материала.

Расчет выборочных характеристик (вектора средних, ковариационной и корреляционной матриц и др.).

Таблицы сопряженности.

Детерминированные методы приближения функциональной зависимости.

Метод наименьших квадратов.

Метод наименьших модулей

Сплайны и др.

Методы снижения размерности.

Алгоритмы факторного анализа.

Алгоритмы метода главных компонент

Алгоритмы многомерного метрического шкалирования.

Алгоритмы многомерного неметрического шкалирования.

Методы оптимального проецирования и др.

Методы классификации.

Методы кластер-анализа - иерархические процедуры.

Методы кластер-анализа - оптимизационный подход.

Методы кластер-анализа - итерационные процедуры

Методы группировки.

Оценивание.

Параметрическое оценивание.

Оценивание параметров многомерного нормального распределения.

Оценивание параметров в нормальной модели линейной регрессии.

Методы расщепления смесей.

Оценивание компонент дисперсии в дисперсионном анализе (в нормальной модели).

Оценивание размерности и структуры модели в регрессионном анализе (в нормальной модели).

Оценивание в дискриминантном анализе (в нормальной модели).

Оценивание в методах снижения размерности (в нормальной модели).

Нелинейная регрессия.

Методы планирования эксперимента.

Непараметрическое оценивание.

Непараметрические оценки многомерной плотности.

Непараметрическая регрессия (с погрешностями наблюдений произвольного вида).

Непараметрическая регрессия (на основе непараметрических оценок многомерной плотности).

Монотонная регрессия.

Непараметрический дискриминантный анализ.

Непараметрический дисперсионный анализ.

Проверка гипотез.

Параметрические задачи проверки гипотез.

Корреляционный анализ (нормальная модель).

Проверка гипотез об отличии коэффициентов при предикторах от 0 в линейной регрессии при справедливости нормальной модели.

Проверка гипотезы о равенстве математических ожиданий нормальных совокупностей (дисперсионный анализ).

Проверка гипотезы о совпадении двух линий регрессии (нормальная модель).

Непараметрические задачи проверки гипотез.

Непараметрический корреляционный анализ.

Проверка гипотез об отличии коэффициентов при предикторах от 0 в линейной регрессии (непараметрическая постановка).

Проверка гипотез в непараметрическом дисперсионном анализе.

Проверка гипотезы о совпадении двух линий регрессии (непараметрическая постановка).

Здесь остановимся, поскольку продолжение предполагало бы знакомство со многими достаточно сложными методами, о которых нет упоминаний в этом курсе. Приведенный выше перечень ряда основных типов постановок задач, используемых в прикладной статистике, дает первоначальное представление об объеме арсенала разработанных к настоящему времени интеллектуальных инструментов в рассматриваемой области.

Контрольные вопросы и задачи

Расскажите о понятиях случайного события и его вероятности.

Почему закон больших чисел и центральная предельная теорема занимают центральное место в вероятностно-статистических методах принятия решений?

Чем многомерный статистический анализ отличается от статистики объектов нечисловой природы?

Имеются три одинаковые с виду ящика. В первом $$а$$ белых шаров и $$b$$ черных; во втором $$c$$ белых и $$d$$ черных; в третьем только белые шары. Некто подходит наугад к одному из ящиков и вынимает из него один шар. Найдите вероятность того, что этот шар белый.

Пассажир может воспользоваться трамваями двух маршрутов, следующих с интервалами $$T_1$$ и $$T_2$$ соответственно. Пассажир может прийти на остановку в некоторый произвольный момент времени. Какой может быть вероятность того, что пассажир, пришедший на остановку, будет ждать не дольше $$t$$, где $$0<t<\min(T_1,T_2)$$?

Два стрелка, независимо один от другого, делают по два выстрела (каждый по своей мишени). Вероятность попадания в мишень при одном выстреле для первого стрелка - $$p_1$$, для второго - $$p_2$$. Выигравшим соревнование считается тот стрелок, в мишени которого будет больше пробоин. Найти вероятность того, что выиграет первый стрелок.

Полная колода карт (52 листа) делится наугад на две равные пачки по 26 листов. Найти вероятности следующих событий:

A - в каждой из пачек окажется по два туза;

B - в одной из пачек не будет ни одного туза, а в другой все четыре;

C - в одной из пачек будет один туз, а в другой три.

Случайная величина $$X$$ принимает значения 0 и 1, а случайная величина $$Y$$ - значения (-1), 0 и 1. Вероятности $$P(X=i,Y=j)$$ задаются таблицей:

$$P(X=i,Y=j)$$	$$Y=-1$$	$$Y=0$$	$$Y=1$$
$$X=0$$	1/16	1/4	1/16
$$X=1$$	1/16	1/4	5/16

Найдите распределение случайной величины $$Z = XY$$, ее математическое ожидание и дисперсию.

В условиях задачи 8 найдите распределение случайной величины $$W=X/(Y+3)$$, ее математическое ожидание и дисперсию.

Даны независимые случайные величины $$X$$ и $$Y$$ такие, что $$М(X)=1,D(X)=3,М(Y)=-1,D(Y)=2$$. Найдите $$М(aX + bY)$$ и $$D(aX + bY)$$, где $$a = 3, b = -2$$.

Темы докладов, рефератов, исследовательских работ

Описание данных с помощью гистограмм и непараметрических оценок плотности.

Сравнительный анализ методов оценивания параметров и характеристик.

Преимущества одношаговых оценок по сравнению с оценками метода максимального правдоподобия.

Непараметрический регрессионный анализ.

Аксиоматическое введение метрик и их использование в статистике объектов нечисловой природы.

Законы больших чисел в пространствах произвольной природы, в том числе в дискретных пространствах.

Оптимизационные постановки в вероятностно-статистических задачах принятия решений.