КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Назовите пять числовых характеристик рассеяния случайных переменных, и напишите формулы для вычисления генеральных характеристик и их оценок
Генеральные числовые характеристики рассеяния применяют следующие: 1. генеральный размах ∆ {x} = R {x}; 2. генеральное среднее абсолютное отклонение d {x}; 3. генеральная дисперсия D {x} = s2 {x}; 4. генеральное среднее квадратическое отклонение s {x}; 5. генеральный коэффициент вариации V {x}*); Выборочными оценками этих генеральных числовых характеристик являются: 1. выборочная оценка ∆̂ {x} = R̂ {x} размаха; 2. выборочная оценка d̂ {x} среднего абсолютного отклонения; 3. выборочные оценки дисперсии (их две); 4. выборочные оценки среднего квадратического отклонения (их три); 5. выборочная оценка V̂ {x} коэффициента вариации. Генеральный размах R {x} случайной переменной х ∆ {x} = R {x} = xmax – xmin, Выборочная оценка размаха вычисляется по формуле: R̂ {x} = ∆̂ {x} = x̂max – x̂min, (2-28) где x̂max и x̂min – выборочные оценки генеральных значений хmax и xmin. Это – приближенная оценка рассеяния. Поэтому основной характеристикой рассеяния считается дисперсия. Размах, применяется при построении интервальных рядов распределения. Он часто применяется на крупном производстве при статистическом контроле качества. использует R̂ {x} для выполнения быстрых статистических решений Генеральное среднее абсолютное отклонение d{x}определяется формулами: а) для дискретной случайной величины х: , (2.29) где k – номер варианта дискретной случайной величины х, М{x} – её математическое ожидание, pk – вероятность появления х в k-том варианте, k – общее число дискрет; б) для непрерывной х: , (2.30) где φ(х) – дифференциальная функция распределения. Выборочную оценку среднего абсолютного отклонения для дискретных данных вычисляют по одной из двух формул:
, (2.31) где j – номер элемента выборки (j = 1; 2; …; N); N – объём выборки; k – номер дискреты (k = 1; 2; …; К); Nк – число элементов в k-той дискрете; - среднее арифметическое Дисперсия считается основной числовой характеристикой рассеяния случайной переменной и второй основной числовой характеристикой случайной величины (первая - ). В общем случае дисперсию, как оператор, обозначают . Дисперсия генеральной статической совокупности есть математическое ожидание квадрата отклонений значений элементов генеральной совокупности от математического ожидания случайной величины х: . (2.32) а) для дискретной х генеральная дисперсия определяется суммой: , (2.33) Употребляют две оценки дисперсии: а) Смещенная оценка *): (2.34) причём (2.34) применяют для несгруппированных данных, а для сгруппированных по вариантам: , (2.34а) обозначения здесь прежние. Но оценка является смещенной. б) Несмещенная оценка дисперсии вычисляется по формуле: (2.35) Среднее квадратическое отклонение *) является параметром распределения случайной величине, производит от дисперсии и вычисляется как положительный корень квадратный из дисперсии. Генеральное среднее квадратическое отклонение определяется формулой: (2.36) Виды выборочных оценок среднего квадратического отклонения видами оценок дисперсии: а) Выборочная оценка среднего квадратического отклонения вычисляется по смещенной оценке дисперсии - формула (2.34): (2.37) б) Выборочная оценка среднего квадратического отклонения , вычисляемая по несмещенной оценке дисперсии (2.35): (2.38) Но так как корень квадратный из некоторой величины есть нелинейная функция то, несмотря на несмещенность оценки , оценка является смещенной. Поэтому применяется еще одна, третья оценка среднего квадратического отклонения. в) Несмешанная выборочная оценка среднего квадратического отклонения получается, как среднее геометрическое значение из всех возможных оценок . Для облегчения расчётов в справочниках приводится специальная таблица, позволяющая вносить поправки на систематическую ошибку (смещение), в зависимости от числа степеней свободы При этом вычисление несмещенной опенки выполняется по формуле:
(2.39) Из табл.2.6 видно, что с ростом объема N выборки поправочный коэффициент уменьшается примерно по экспоненте. Коэффициент вариации – это достаточно широко применяемая числовая характеристика разброса случайной величины, она выражается в относительных единицах (или в процентах). Генеральный коэффициент вариации определяется выражением: Выборочная оценка коэффициента вариации случайной величии х получается обычно через несмещенную оценку дисперсии, то есть: (2.40) Вместо в (2.40) применяется также , вычисляемое по формуле (2.39). Коэффициент вариации, таким образом, выражает ту доли, которую имеет генеральное среднее квадратическое отклонение (или его оценка) по отношению к математическому ожиданию (или его оценке ). Коэффициент вариации важно учитывать при построении математических моделей сложных объектов.
20. Определите понятия начального и центрального статистических моментов, как они вычисляются? Статистические моменты являются важными числовыми характеристиками распределения случайной переменной, которые позволяют легко осуществлять сравнение свойств различных одномерных случайных величии, даже без построения оценок законов их распределения. Статистические моменты употребляются, в основном, двух видов: а) начальные моменты, когда значения элементов случайной величины отсчитываются относительно начала координат; б) центральные моменты, когда берутся отклонения случайной величины х от центра распределения, в качестве которого принимается математическое ожидание или его оценка . Желающим глубже ознакомиться со статистическими моментами: предлагаем литературу [1-4, 8-12, 15-21]. Здесь рассмотрим центральные статистические моменты различных порядков. Генеральным центральным статистическим моментом u-того порядка случайной переменной x называется математическое ожидание центрированной случайной переменной , возведенной в u-тую степень. Центрированной случайной величиной является разность, характеризующая отклонение каждого j-того элемента случайной переменной x от центра распределения. За который принимается математическое ожидание или его оценка , то есть:
Тогда, согласно определение: (2.41) Для дискретной х, имевшей k дискрет генеральной совокупности, определяется суммой: (2.42) Выборочной оценкой центрального статистического метода является величина: (2.42а) или (2.42б) Можно доказать, что центральный статистический момент первого порядка (u = 1) всегда равен нулю. Действительно, если в формуле (2.42а) положить степень скобки равной I и произвести преобразования, получается: В связи с этим свойством первого центрального момента пользуются генеральным абсолютным центральным статистическим моментом первого порядка , который есть не что иное, как генеральное среднее абсолютное отклонение (2.29) или для случая выборки его оценка. (2.31). Генеральный центральный статистический момент второго порядка (u = 2) есть генеральная дисперсия. Генеральный центральный статистический момент третьего порядка или его оценка характеризуют степень асимметрии кривой дифференциальной функции распределения или ее оценки . Оценку третьего центрального момента можно вычислять по формуле: Оказывается, что если кривая [или ] симметрична относительно центра распределения (или ), то не только первый центральный момент, но все нечетные моменты (или ) более высоких порядков (u = 3, 5, 7, …) равны нулю. Для характеристики степени асимметричности распределения на практике пользуются выборочной оценкой коэффициента асимметрии , который является оценкой нормированного центрального момента третьего порядка (u = 3): (2.43) и , очевидно, суть величины безразмерные. Для случая правосторонней асимметрии ["хвост" кривой расположен вправо] коэффициент асимметрия > 0 (кривая 1 рис.2.16), а пря левосторонней асимметрии ["хвост" кривой 2 влево] - < 0. Для симметричных кривых = 0 (рис.2.17)
Центральный статистический момент четвертого порядка и его выборочная оценка служат числовой характеристикой крутости (островершинности или плосковершинности) кривой дифференциальной функции распределения или её оценки . За оценку коэффициента крутости кривой принимают искусственно созданную величину, которую называют оценка коэффициента эксцесса (или просто эксцессом) дифференциальной функции распределения: : (2.44) На рис. 2.17 изображены кривые , имеющие различные коэффициента эксцесса: I) кривая I нормального закона распределения имеет ; 2) для кривой 2, более крутой, островершинной, чем кривая I ; 3) для кривой 3, более пологой, чем кривая I, . Таким образом, если кривая более островершинная (более крутая), чем кривая нормального закона Гаусса, то коэффициент эксцесса для нее положителен, в противоположном случае - коэффициент эксцесса отрицателен. Рассмотрение числовых характеристик положения, рассеяния, асимметрии и эксцесса и приведенные примеры вычисления выборочных оценок этих числовых характеристик показывают, что по полученным оценкам можно составить достаточное для практических целей представление о характере кривой эмпирического распределения, даже если сама кривая ни задана, построена по опытным данным.
21. Какие числовые характеристики применяются для внушения степени асимметрии и крутости кривой ф(х)? Центральный статистический момент четвертого порядка и его выборочная оценка служат числовой характеристикой крутости (островершинности или плосковершинности) кривой дифференциальной функции распределения или её оценки . За оценку коэффициента крутости кривой принимают искусственно созданную величину, которую называют оценка коэффициента эксцесса (или просто эксцессом) дифференциальной функции распределения: : (2.44) Таким образом, если кривая более островершинная (более крутая), чем кривая нормального закона Гаусса, то коэффициент эксцесса для нее положителен, в противоположном случае - коэффициент эксцесса отрицателен. Генеральный центральный статистический момент третьего порядка или его оценка характеризуют степень асимметрии кривой дифференциальной функции распределения или ее оценки . Оценку третьего центрального момента можно вычислять по формуле: Оказывается, что если кривая [или ] симметрична относительно центра распределения (или ), то не только первый центральный момент, но все нечетные моменты (или ) более высоких порядков (u = 3, 5, 7, …) равны нулю. Для характеристики степени асимметричности распределения на практике пользуются выборочной оценкой коэффициента асимметрии , который является оценкой нормированного центрального момента третьего порядка (u = 3): (2.43) и , очевидно, суть величины безразмерные. Для случая правосторонней асимметрии ["хвост" кривой расположен вправо] коэффициент асимметрия > 0 (кривая 1 рис.2.16), а пря левосторонней асимметрии ["хвост" кривой 2 влево] - < 0. Для симметричных кривых = 0 (рис.2.17)
22.Дайте определение корреляционного момента, корреляционного коэффициента, как они вычисляются? чтобы эффективно управлять технологическим процессом, надо знать, как сильно и в каком направления тот или иной входной фактор воздействует на определенную выходную характеристику качества продукции. Числовая характеристика, определяющая тесноту связи между случайными переменными и v, называется моментом парной корреляции и определяется по формуле (для выборки) (2.45) Но на практике чаще применяется нормированный момент корреляции, называемый коэффициентом парной корреляция (оценка): (2.46) где - средняя величина i-го фактора в N наблюдениях (j = 1; 2; …; N; i = 1; 2; …; n); n – число факторов; - средняя величина характеристики качества в тех же N наблюдениях; - средние квадратическое отклонения, соответственно, фактора и целевой функции v. Геометрическая интерпретация корреляционного момента представлена на рис. 2.18. Такое изображение двумерной статистической совокупности, когда каждое одновременное наблюдение за двумя случайными переменными и в статистическом объекте, в котором действуют случайные помехи ε (рис.2.19), отмечается одной точкой в системе координат (x; v), с абсциссой и соответствующей ординатой , называют полем корреляции*). На рис.2.18 занесем вертикальную пунктирную линию, соответствующую среднему арифметическому значению и горизонтальную - на уровне .Обозначим отклонения от и : (2.47) Перенесем начало координат в точку , являющуюся точкой пересечения пунктирных линий и и обозначим геометрические квадранты I, II, II, IV относительно нового начала координат . В каждом квадранте проставим знаки: если j-я точка попала в I или III квадранты, то знаки у и будут одинаковыми, но если точка попала в квадранты II и IV, то знаки и окажутся разными. А от сочетания знаков и зависит и знак их произведения в (2.45). На примере, приведенном на рис. 2.18, большинство точек находятся в квадрантах I и III, т.е.оценке будет иметь положительный знак. Вели бы большинство точек попарно в квадранты II и IV, то оценка (2.46) имела бы отрицательный знак. Очевидно, что при симметричном расположении точек поля корреляция относительно горизонтальной линии или относительно вертикальной оценка корреляционного момента равна нулю (идя близка к кулю), так как каждому положительному; произведению будет соответствовать такое же по абсолютной величине произведение, по с отрицательным знаком. 23. Что такое эмпирическая и теоретическая линия регрессии? Переменная величина v называется функцией от переменной х, называемой аргументом, если при заданном значении аргумента х зависимая переменная v принимает одно единственное значение, - такая связь называется функциональной (рис. 2.21). Кроме функциональной связи существует также вероятностная. Вероятностная связь имеет два частных случая - корреляционную и дисперсионную связь. Если при изменении одной величины линейно изменяются только средние значения другой (и наоборот), а дисперсия и тип закона распределения остаются неизменными, такая связь называется корреляционной (рис. 2.18). Если не меняется только дисперсия, а среднее арифметическое постоянно, то это дисперсионная связь (рис.2.20). Уравнение, описывающее эти связи называется уравнением регрессии. Для пояснения и раскрытия физической сущности уравнения регрессии рассмотрим некоторое поле корреляции (рис. 2.22) Разобьем весь размах точек по оси х на k разных интервалов (как это мы делали при построении интервальных рядов распределения в раздела 2.2). Подсчитаем число точек в каждом k-том интервале и отдельно для каждого k-того интервала вычислим средний отклик по точкам, попавшим в этот интервал. Отнесем середине k-того интервала по оси х, и отметим его значение на графике точкой с кружком, затем все k полученных точек соединим отрезки прямых. Получаем ломаную линию, называемую экспериментальной линией регрессия. Если увеличивать общее число N опытов и одновременно, но не столь же быстро уменьшать ширину интервалов . (чтобы число точек в каждом интервале не уменьшалось, а, неограниченно возрастало), то ломаная линия будет становиться все более плавной, а при она превратится з теоретическую линию регрессии. На рис. 2.18, 2.22, приведенных пояснений следует вывод, что по линии регрессии невозможно предсказать точное значение отклика в одиночном опыте при фиксированном значении фактора , но она позволяет судить, какое в среднем будет значение отклика , если при фиксированном независимо выполнить достаточное число опытов. Таким образом» с помощью уравнения регрессии можно выявлять основную закономерность и управлять технологическими процессами (ТП), которые подвержены случайным помехам ε. Математическую модель объекта в общем виде можно записать(рис.2 19): , (2.48) где - вектор факторов; ε - случайные помехи. С целью решения практических задач, в частности, для выделения и уточнения состава наиболее существенных факторов, влияющих на характеристики качества, а также для составления математических описаний различных технологических процессов, используют математическую модель в виде ряда Тейлора. (2.49) где - вектор неизвестных оценок коэффициентов; - вектор входных переменных (факторов); v - выходной показатель (отклик); ε - неизвестная случайная ошибка. Причем на предварительных этапах исследований ТП стремятся к простейшей модели, включающей только линейные члены (первого порядка), а на последующих этапах постепенно усложняют вид математической модели. Число членов разложения Тейлора (2.49) определяется свойствами объекта и требованиями заданной точности математической модели: она должна адекватно, то есть достаточно хорошо (с ошибкой не более заданной) аппроксимировать опытные точки и предсказывать функцию отклика в нужной точке факторного пространства. Способы нахождения оценок коэффициентов в разложения Тейлора (2.49) рассмотрены в [29]. Уравнение регрессии позволяет судить: а) какие факторы реально воздействуют на процесс; б) какие из выходных переменных следует считать наиболее существенными и какие - несущественными; в) как сильно и в каком направлении изменяется выходной показатель качества под воздействием каждой из контролируемых входных переменных; г) как взаимодействуют между собой входные переменные, т.е. как одновременное изменение двух или нескольких входных переменных изменяет выходные показатели процесса: д) какое значение отклика можно ожидать в интересующей исследователя точке факторного пространства, т.е. при фиксированных значениях факторов; е) аттестование технологических процессов и т.д.
Дата добавления: 2015-04-24; Просмотров: 731; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |