Курсовая работа: Статистические методы обработки экспериментальных данных

Министерство образования Российской Федерации

Московский государственный университет печати

Факультет полиграфической технологии

Дисциплина: Математика

Курсовая работа по теме:

«Статистические методы обработки

Экспериментальных данных»

Выполнил: студент

Курс 2

Группа ЗТПМ

форма обучения заочная

Номер зачетной книжки Мз 023 н

Вариант № 13

Допущено к защите

Дата защиты

Результат защиты

Подпись преподавателя

Москва – 2010 год

1. Построение интервального и точечного статистических распределений результатов наблюдений. Построение полигона и гистограммы относительных частот.

i – порядковый номер;

I_i – интервал разбиения;

x_i – середина интервала I_i ;

n_i – частота (количество результатов наблюдений, принадлежащих данному интервалу I_i );

w_i = - относительная частота (n =- объём выборки);

H_i = - плотность относительной частоты (h – шаг разбиения, т.е. длина интервала I_i ).

Объём выборки:

n ==100,

w_i = n_i /100;

контроль: =1

Длина интервала

разбиения (шаг):

h = 3 ,

H_i =

å : 100 1,00

Статистическим распределением называется соответствие между результатами наблюдений (измерений) и их частотами и относительными частотами. Интервальное распределение – это наборы троек (I_i ; n_i ; w_i ) для всех номеров i, а точечное – наборы троек (x_i ; n_{i ;} w_i ). Таким образом, в таблице имеются оба – и интервальное, и точечное - статистическое распределения.

Далее, строим полигон и гистограмму относительных частот.

Полигон.

Гистограмма.

Полигон относительных частот – ломаная, отрезки которой последовательно (в порядке возрастания x_i ) соединяют точки (x_i ; w_i ). Гистограмма относительных частот – фигура, которая строится следующим образом: на каждом интервале I_i , как на основании, строится прямоугольник, площадь которого равна относительной частоте w_i ; отсюда следует, что высота этого прямоугольника равна H_i = w_i /h– плотности относительной частоты. Полигон и гистограмма являются формами графического изображения статистического распределения.

2. Нахождение точечных оценок математического ожидания и

дисперсии.

В качестве точечных оценок числовых характеристик изучаемой случайной величины используются:

- для математического ожидания

= (выборочная средняя ),

- для дисперсии

s² = (исправленная выборочная ),

где n – объём выборки, n_i – частота значения x_i .

Таким образом, в статистических расчетах используют приближенные равенства

MX» , DX»s² .

Нахождение точечных оценок математического ожидания и дисперсии по данным варианта осуществим с помощью расчетной таблицы.

i	xi	ni	xi ni	(xi - )2 ni
1 2 3 4 5 6 7 8 9 10 11	1,5 4.5 7,5 10,5 13,5 16,5 19,5 22,5 25,5 28,5 31,5	4 6 9 11 14 18 13 11 7 4 3	6 27 67,5 115,5 189 297 253,5 247,5 178,5 114 94,5	829,44 779,76 635,04 320,76 80,64 6,48 168,48 479,16 645,12 635,04 744,12

= =

х_i n_i /100 = 1590/100= 15,9

s² = =

= 5324,04/99=53,78

å : 100 1590 5324,04

3.Выдвижение гипотезы о распределении случайной величины.

При выдвижении гипотезы (предположения) о законе распределения изучаемой случайной величины мы опираемся лишь на внешний вид статистического распределения. Т.е. будем руководствоваться тем, что профиль графика плотности теоретического распределения должен соответствовать профилю гистограммы: если середины верхних сторон прямоугольников, образующих гистограмму, соединить плавной кривой, то эта линия представляет в первом приближении график плотности распределения вероятностей.

Итак, изобразим график и выпишем формулу плотности нормального (или гауссовского) распределения с параметрами а и , - ¥< а <+¥,

Сравнение построенной гистограммы и графика плотности распределения приводит к следующему заключению о предполагаемом (теоретическом) законе распределения в рассматриваемом варианте исходных данных:

Вариант 13 – нормальное (или гауссовское распределение)

4.Построение графика теоретической плотности распределения.

Чтобы выписать плотность теоретического (предполагаемого) распределения, нужно определить значения параметров и а и подставить их в соответствующую формулу. Все параметры тесно связаны с числовыми характеристиками случайной величины, т.е.

MX = а,

DX = σ²

Поскольку значения математического ожидания и дисперсии неизвестны, то их заменяют соответствующими точечными оценками, т.е. используют (уже упомянутые ранее) приближенные равенства MX», DX»s² , что позволяет найти значения параметров распределения.

По исходным данным была выдвинута гипотеза о нормальном распределении изучаемой случайной величины. Найдем параметры этого распределения:

_

x = а, 15,9 = а, а=15,9

s² = σ² 53,78 = σ² σ=7,33

Следовательно, плотность предполагаемого распределения задается формулой

F(x)= [1/(7,33*√2π)]*e^{[-( x-15,9)2 / 2*(7,33)2)]} =0.054*e^(0,009/((x-15,9)^2))

Теперь необходимо вычислить значения f(x_i )плотности f (x) при x=x_i (в серединах интервалов) Для этого воспользуемся следующей схемой:

значения фунцкии

при u=u_i находятся, например, с помощью таблицы, имеющейся в любом учебнике или задачнике по теории вероятностей и математической статистике.

=15,9; s = 7,33

x i	ui = xi - x / s	φ (u i )
1,5 4,5 7,5 10,5 13,5 16,5 19,5 22,5 25,5 28,5 31,5	-1,96 -1,56 -1.15 -0,74 -0.33 0.08 0.49 0,90 1.31 1,72 2.13	0,0584 0,1182 0,2059 0,3034 0,3778 0,3977 0,3538 0,2661 0,1691 0,0909 0,0413	0,008 0,016 0,028 0,041 0,052 0,054 0,048 0,036 0,023 0,012 0,006

Далее, на одном чертеже строим гистограмму и график теоретической плотности распределения: гистограмма была построена ранее, а для получения графика плотности наносим точки с координатами (x_i ; f(x_i )) и соединяем их плавной кривой.

5.Проверка гипотезы о распределении с помощью критерия согласия Пирсона.

Ранее была выдвинута гипотеза о законе распределения рассматриваемой случайной величины. Сопоставление статистического распределения (гистограмма) и предполагаемого теоретического (графика плотности) показывает наличие некоторых расхождений между ними. Поэтому возникает естественный вопрос: чем объясняются эти несовпадения? Ответить на него можно двояко:

1) Указанные расхождения несущественны и вызваны ограниченным количеством наблюдений и случайными факторами – случайностью результата единичного наблюдения, способа группировки данных и т.п. В этом случае выдвинутая гипотеза о распределении считается правдоподобной и принимается как не противоречащая опытным данным.

2) Указанные расхождения являются существенными (неслучайными) и связаны с тем, что действительное распределение случайной величины отличается от предполагаемого. В этом случае выдвинутая гипотеза о распределении отвергается как плохо согласующаяся данными наблюдений.

Для выбора первого или второго варианта ответа и служат так называемые критерии согласия. Словари толкуют слово критерий (от греч. kriterion – средство для суждения) как признак, на основании которого производится оценка, определение и классификация чего-либо.

Существуют различные критерии согласия: К. Пирсона, А.Н. Колмогорова, Н.В. Смирнова, В.И. Романовского и другие. Мы рассмотрим лишь один из них – критерий Пирсона, называемый также критерием c² («хи - квадрат»). (К. Пирсон (1857 - 1936) – английский математик, биолог, философ – позитивист.)

Критерий Пирсона выгодно отличается от остальных, во – первых, применимостью к любым (дискретным, непрерывным) распределениям и, во – вторых, простотой вычислительного алгоритма.

Правило проверки статистических гипотез с помощью критерия Пирсона будет объяснено на примерах.

Группировка исходных данных.

Применяется критерий Пирсона к сгруппированным данным. Предположим, что произведено n независимых опытов, в каждом из которых изучаемая случайная величина приняла определенное значение. Предположим, что вся числовая ось разбита на несколько непересекающихся промежутков (интервалов и полуинтервалов). Обозначим через n_I количество результатов измерений (значений случайной величины), попавших в i-й промежуток. Очевидно, что ån_I = n.

Отметим, что критерий c² будет давать удовлетворительный для практических приложений результат, если:

1) количество n опытов достаточно велико, по крайней мере n³100;

2) в каждом промежутке окажется не менее 5…10 результатов измерений, т.е. n_i ³5 при любом i; если количество полученных значений в отдельных промежутках мало (меньше 5), то такие промежутки следует объединить с соседними, суммируя соответствующие частоты.

Пусть концами построенного разбиения являются точки z_i , где z₁ <z₂ < … <z_{i – 1} , т.е. само разбиение имеет вид

(- ¥ºz₀ ; z₁ ) , [z₁ ; z₂ ) , [z₂ ; z₃ ) , … , [z_{i – 1} ; z_i º+¥).

После объединения соответствующих промежутков (последних двух) и замены самой левой границы разбиения на - ¥, а самой правой на + ¥ (поскольку на промежутки должна разбиваться вся числовая ось, а не только диапазон полученных в результате опыта значений), мы приходим к следующим интервальным распределениям, пригодным для непосредственного применения критерия Пирсона:

Вычисление теоретических частот.

Критерий Пирсона основан на сравнении эмпирических (опытных) частот с теоретическими. Эмпирические частоты n_I определяются по фактическим результатам наблюдений. Теоретические частоты, обозначаемые далее , находятся с помощью равенства

= n×p_i ,

где n – количество испытаний, а p_i ºR(z_{i –1} <x<z_i ) - теоретическая вероятность попадания значений случайной величины в i-й промежуток (1 £i£ 1).Теоретические вероятности вычисляются в условиях выдвинутой гипотезы о законе распределения изучаемой случайной величины.

Процедура отыскания теоретических вероятностей и частот показана в расчетной таблице: _

n = 1 0 0; а=x = 15,9 ; σ = s=7,33

å: 1,0000 1 0 0 ,00

Статистика c² и вычисление ее значения по опытным данным.

Для того чтобы принять или отвергнуть гипотезу о законе распределения изучаемой случайной величины, в каждом из критериев согласия рассматривается некоторая (специальным образом подбираемая) величина, характеризующая степень расхождения теоретического (предполагаемого) и статистического распределения.

В критерии Пирсона в качестве такой меры расхождения используется величина

,

называемая статистикой «хи - квадрат» или статистикой Пирсона (вообще, статистикой называют любую функцию от результатов наблюдений). Ясно, что всегда c² ³0, причем c² = 0, тогда и только тогда, когда при каждом i , т.е. когда все соответствующие эмпирические и теоретические частоты совпадают. Во всех остальных случаях c² ¹0; при этом значение c² тем больше, чем больше различаются эмпирические и теоретические частоты.

Прежде чем рассказать о применении статистики c² к проверке гипотезы о закон е распределения , вычислим ее значение для данного варианта; это значение, найденное по данным наблюдений и в рамках выдвинутой гипотезы, будем обозначать через c² _набл. .

i	n i
1 2 3 4 5 6 7 8 9 10	10 9 11 14 18 13 11 7 4 3	8,85 8,51 12,45 15,41 16,19 14,39 10,85 6,8 3,81 2,74	0,15 0,03 0,17 0,13 0,20 0,13 0,00 0,01 0,01 0,02

: 100 100 0,85

c ² _набл. = 0,85

5.4. Распределение статистики c² .

Случайная величина имеет c² – распределение с r степенями свободы (r = 1; 2; 3; …), если ее плотность имеет вид

где c_r – которая положительная постоянная ( c_r определяется из равенства ). Случайная величина, имеющая распределение c² с r степенями свободы, будет обозначаться .

Для дальнейшего изложения важно лишь отметить, что, во – первых, распределение определяется одним параметром – числом r степеней свободы и, во – вторых, существуют таблицы, позволяющие произвольно найти вероятность попадания значений случайной величины в любой промежуток.

Вернемся теперь к статистике . Отметим, что она является случайной величиной, поскольку зависит от результатов наблюдений и, следовательно, в различных сериях опытов принимает различные, заранее не известные значения. Понятно, кроме того, закон распределения статистики зависит: 1) от действительного (но неизвестного нам) закона распределения случайной величины, измерения которой осуществляются (им определяются эмпирические частоты ) ; 2) от количества произведенных наблюдений (от числа n) и от способа разбиения числовой оси на промежутки (в частности, от числа i ); 3) от теоретического (выдвинутого в качестве гипотезы) закона распределения изучаемой случайной величины (им определяются теоретические вероятности p_i и теоретические частоты = n×p_i )

Если выдвинутая гипотеза верна, то очевидно, закон распределения статистики зависти только от закона распределения изучаемой случайной величины, от числа n и от выбора промежутков разбиения. Но на самом же деле, в этом случае (благодаря мастерски подобранному Пирсоном выражению для ) справедливо куда более серьезное утверждение. А именно, при достаточно больших n закон распределения статистики практически не зависит от закона распределения изучаемой случайной величины и ни от количества n произведенных опытов: при распределение статистики стремится к - распределению с r степенями свободы. Эта теорема объясняет, почему статистика Пирсона обозначается через .

Если в качестве предполагаемого выбрано одно их трех основных непрерывных распределений (нормальное, показательное или равномерное), то r = i – 3, где i – количество промежутков, на которые разбита числовая ось (количество групп опытных данных). В общем случае

где - количество параметров предполагаемого (теоретического) распределения, которые заменены вычисленными по опытным данным оценками.

Т.е. в данном варианте после группировки исходных данных получаем количество промежутков разбиения i = 10, = 2, т.к. количество параметров предполагаемого (теоретического) распределения, которые заменены вычисленными по опытным данным оценками, = 2 – это а и s для нормального распределения.

Следовательно

R=i-N_пар -1=10-2-1=7

5.5. Правило проверки гипотезы о законе распределения случайной величины.

Ранее отмечалось (и этот факт очевиден), что статистика принимает только не отрицательные значения (всегда c² ³0), причем в нуль она обращается в одном – единственном случае – при совпадении всех соответствующих эмпирических и теоретических частот (т.е. при для каждого i).

Если выдвинутая гипотеза о законе распределения изучаемой случайной величины соответствует действительности, то эмпирические и теоретические частоты должны быть примерно одинаковы, а значит, значения статистики будут группироваться около нуля. Если же выдвинутая гипотеза ложна, то эмпирические и соответствующие теоретические частоты будут существенно разниться, что приведет к достаточно большим отклонениям от нуля значений .

Поэтому хотелось бы найти тот рубеж – называемый критическим значением (или критической точкой) и обозначаемый через , который разбил бы всю область возможных значений статистики на два непересекающихся подмножества: область принятия гипотезы, характеризующаяся неравенством , и критическую область (или область отвержения гипотезы), определяемую неравенством .

Область принятия Критическая область

гипотезы

0

Как же найти критическое значение ?

Если выдвинутая гипотеза о законе распределения изучаемой случайной величины верна, то вероятность попадания значений статистики в критическую область должна быть мала, так что событие {} должно быть практически неосуществимым в единичном испытании. Эта вероятность, обозначим ее через :

называется уровнем значимости.

Чтобы определить критическое значение , поступим следующим образом. Зададим какое – либо малое значение уровня значимости (как правило = 0,05 или = 0,01) и найдем как уровень уравнения

с неизвестной x. Поскольку распределение статистики близко при к - распределению с r степенями свободы, то

и приближенное значение можно найти из уравнения

Геометрические соображения показывают, что последнее уравнение имеет единственное решение: его корень – это такое число x>0, при котором площадь под графиком функции (плотности- распределения) над участком равна. На практике решение последнего уравнения находят с помощью специальных таблиц, имеющихся в любом руководстве по математической статистике; эти таблицы позволяют по двум входным параметрам – уровню значимости и числу степеней свободы r определить критическое значение . (Находимое таким образом критическое значение зависит, конечно, от и r,что при необходимости отражают и в обозначениях: ).

Зададим уровень значимости как = 0,05 (условие курсовой работы) .

Подводя итоги, сформулируем правило проверки гипотезы о законе распределения случайной величины с помощью - критерия Пирсона:

1) Проводят n независимых наблюдений случайной величины (принято считать, что должно быть n³ 100).

2) Разбивают всю числовую ось на несколько (как правило, на 8…12) промежутков

так, чтобы количество измерений в каждом из них (называемое эмпирической

частотой ) оказалось не менее пяти (т.е. ³ 5 при каждом i).

3) Выдвигают (например, судя по профилю гистограммы) гипотезу о законе распределения изучаемой случайной величины и находят параметры этого закона (чаще всего, заменяя математическое ожидание и дисперсию их оценками).

4) С помощью предполагаемого (теоретического) распределения находят теоретические вероятности p_i и теоретические частоты = n×p_i попадания значений случайной величины в i-й промежуток.

5) По эмпирическим и теоретическим частотам вычисляют значения статистики , обозначаемое через c² _набл. .

6) Определяют число r степеней свободы.

7) Используя заданное значение уровня значимости и найденное число степеней свободы r, по таблице находят (на пересечении строки, отвечающей r, и столбца, отвечающего ) критическое значение .

8) Формулируя вывод, опираясь на основной принцип проверки статистических гипотез :

если наблюдаемое значение критерия принадлежит критической области, т.е. если , то гипотезу отвергают как плохо согласующуюся с результатами эксперимента;

если наблюдаемое значение критерия принадлежит области принятия гипотезы, т.е. , то гипотезу принимают как не противоречащую результатам эксперимента.

5.6. Вывод о соответствии выдвинутой гипотезы и опытных данных в варианте.

Правило проверки выдвинутой гипотезы о законе распределения изучаемой случайной величины для данного варианта реализовано в таблице:

Название величины	Обозначение и числовое значение величины
Уровень значимости (задан в условии)	= 0,05
Количество промежутков разбиения	l =10
Число степеней свободы	r=7
Критическое значение (находится по таблице)	=
Наблюдаемое значение критерия	c2 набл. = 0,85
ВЫВОД	Гипотеза не принимается для данного 9 варианта, поскольку : 83,5 << 15,51

Замечания: 1. Заданное значение уровня значимости = 0,05 означает, что

,

т.е. вероятность события {} очень мала. Однако это событие, обладая ненулевой вероятностью, и тогда (при = 0,05 примерно в 5% случаев) будет отвергнута правильная гипотеза. Отвержение гипотезы, когда она верна, называется ошибкой первого рода. Таким образом, уровень значимости - это вероятность ошибки первого рода. Отметим, что ошибкой второго рода называется принятие гипотезы в случае, когда она неверна.

2. Иногда вместо уровня значимости задается надежность :

т.е. - это вероятность попадания значений статистики в область принятия гипотезы. Поскольку события

{} и

противоположны, то