Смекни!
smekni.com

Элементы теории вероятности (стр. 3 из 4)

3. Задаются некоторой функцией от результатов наблюдения (крити­ческой статистикой) γ(n)= γ (х1, х2,…, х3). Эта критическая стати­стика γ(n), как и всякая функция от результатов наблюдения, сама явля­ется случайной величиной и в предположении справедливости гипотезы Н0 подчинена некоторому хорошо изученному (затабулированному) закону распределения с плотностью f γ(n)(u).

4.Из таблиц распределения f γ(n)(u) находятся 100(1 - ά/2)%-ная точка γminά/2 и 100 ά/2%-ная точка γmaxά/2, разделяющие всю область мыслимых зна­чений случайной величины γ(n) на три части: область неправдоподобно малых (I), неправдоподобно больших (III) и естественных или правдопо­добных (в условиях справедливости гипотезы Н0) значений (II) (рис.1). В тех случаях, когда основную опасность для нашего утверждения пред­ставляют только односторонние отклонения, т.е. только «слишком ма­ленькие» или только «слишком большие» значения критической стати­стики γ(n) находят лишь одну процентную точку: либо 100(1 -ά) %- ную точку γminά, которая будет разделять весь диапазон значений γ(n) на две части: область неправдоподобно малых и область правдоподобных зна­чений; либо 100 ά %-ную точку γ(max)ά, она будет разделять весь диапазон значений γ(n) на область неправдоподобно больших и область правдопо­добных значений.

5. В функцию γ(n) подставляют имеющиеся конкретные выборочные данные х1,...,х2 и подсчитывают численную величину γ(n). Если окажется, что вычисленное значение принадлежит области правдо­подобных значении γ(n) то гипотеза Н0 считается не противоречащей вы­борочным данным. В противном случае, т. е. если γ(n) слишком мала или слишком велика, делается вывод, что γ(n) на самом деле не подчиняется закону f γ(n)(u), и это несоответствие мы вынуждены объяснить ошибочностью высказанного нами предположения Н0 и, следовательно, отказаться от него.

На разных стадиях статистического исследования и моделирования возникает необходимость в формулировке и экспериментальной провер­ке некоторых предположительных утверждений (гипотез) относительно природы или величины неизвестных параметров анализируемой стохасти­ческой системы. Например, исследователь высказывает предположение: «исследуемые наблюдения извлечены из нормальной генеральной совокуп­ности» или «среднее значение анализируемой генеральной совокупности равно нулю».

Процедура обоснованного сопоставления высказанной гипотезы с име­ющимися в нашем распоряжении выборочными данными х1,х2…хn, со­провождаемая количественной оценкой степени достоверности получаемо­го вывода, осуществляется с помощью того или иного статистического критерия и называется статистической проверкой гипотез.

Результат подобного сопоставления может быть либо отрицатель­ным (данные наблюдения противоречат высказанной гипотезе, а потому от этой гипотезы следует отказаться), либо неотрицательным (данные наблюдения не противоречат высказанной гипотезе), а потому ее можно принять в качестве одного из естественных и допустимых решений. При этом неотрицательный результат статистической проверки ги­потезы не означает, что высказанное нами предположительное утвер­ждение является наилучшим, единственно подходящим: просто она не противоречит имеющимся у нас выборочным данным, однако таким же свойством могут наряду с H обладать и другие гипотезы.

По своему прикладному содержанию высказываемые в ходе статистической обработки данных гипотезы можно подразделить на несколько основных типов.

При обработке ряда наблюдений х1,х2…хn , (5)

исследуемой случайной величины ξ очень важно понять механизм форми­рования выборочных значений хi, т.е. подобрать и обосновать некоторую модельную функцию распределения Fмод(x), с помощью которой можно адекватно описать исследуемую функцию распределения Fξ(x). На определенной стадии исследования это приводит к необходимости проверки гипотез типа: (6)

где гипотетичная модельная функция может быть как заданной однознач­но (тогда Fξ(x) = F0(x), где F0(x) - полностью известная функция), так и заданной с точностью до принадлежности к некоторому параметри­ческому семейству (тогда Fмод(x) = F(х;θ), где θ - некоторый, вообще говоря, к-мерный параметр, значения которого неизвестны, но могут быть оценены по выборке (5).

Проверка гипотез типа (6) осуществляется с помощью так назы­ваемых критериев согласия и опирается на ту или иную меру различия между анализируемой эмпирической функцией распределения Fξ(n)(x) и гипотетическим модельным законом Fмод(x).

Наиболее типичные задачи такого рода характеризуются следующей обшей ситуацией. Пусть мы имеем несколько «порций» выборочных дан­ных типа(5):

(7)

Эти порции могли образоваться, например, естественным образом - в ходе проведения выборочного обследования (скажем, за счет разделенности условий их регистрации во времени или пространстве). Обозначая функцию распределения, описывающую вероятностный закон, которому подчиняются наблюдения j-й выборки, с помощью Fj(x) и снабжая тем же индексом все интересующие нас эмпирические и теоретические харак­теристики этого закона (средние значения âj и аj; дисперсии σ2j и σ2j ).

В случае неотрицательного результата проверки этих гипотез го­ворят, что соответствующие выборочные характеристики (например, а1, а2,..,аi) различаются статистически незначимо.

Пусть, например, ряд наблюдений (5) дает нам значения некоторого параметра изделий, измеренные на n изделиях, случайно отобранных из массовой продукции определенного станка автоматической линии, и пусть а0 заданное номинальное значение этого параметра. Каждое отдельное значение хi - может, естественно, как-то отклоняться от заданного номина­ла. Очевидно, для того чтобы проверить правильность настройки этого станка, надо убедиться в том, что среднее значение параметра у произво­димых на нем изделий будет соответствовать номиналу, т. е. проверить гипотезу типа

(11)

В общем случае гипотезы подобного типа имеют вид:

(12)

где θ - некоторый параметр (многомерный), от которо­го зависит исследуемое распределение, а Δ0 - область его конкретных гипотетических значений, которая может состоять всего из одной точки.

Статистическая проверка гипотез о числовых значениях параметров играет важную роль в эконометрическом моделировании, регрессионном анализе, в широком спектре задач статистического исследования зависи­мостей, существующих между анализируемыми показателями. В частности, принятие решения о включении или исключении той или иной переменной в анализируемую регрессионную (эконометрическую) модель, о наличии-отсутствии статистической связи между наблюдаемыми при­знаками существенно опирается обычно на проверку гипотез типа (12) при Δ0= 0.


Заключение

На основании проделанной работы можно сделать следующие выводы.

Вероятность любого собы­тия А определяется как сумма вероятностей всех элементарных событий, составляющих событие.

Априорный подход к вычислению вероятностей P{wi} заключается в теоретическом, умозрительном анализе специфических условий данного конкретного случайного эксперимента. Вероятность события в данном классе ситуаций может быть определена как отношение числа благопри­ятных исходов (т. е. элементарных исходов, входящих в это событие) к числу всех возможных исходов (так называемое классическое определение вероятности).

В соответствии с апостериорно-частотным подходом, вероятность Р{wi} определяется как предел относительной частоты появления исхода в процессе неограниченного увеличения об­щего числа случайных экспериментов n.