Обработка опытных данных.Статистические гипотизы и выводы

Автор работы: Пользователь скрыл имя, 20 Ноября 2013 в 12:08, реферат

Описание работы

Несмотря на значительные достижения современной науки и инженерии в области изучения сложных механических систем, многие вопросы остаются пока за гранью возможностей теоретического исследования. Для их решения приходится прибегать к изучению поведения реального объекта или его физической модели под воздействием внешних причин в конкретных условиях, т.е. к проведению эксперимента. Это относится как к непосредственным научным исследованиям, так и к инженерным технологическим задачам на действующем производстве.

Содержание работы

Введение 5
1. Экспериментальные исследования 6
1.1. Виды экспериментальных исследований 6
1.2. Объект экспериментального исследования 7
2. Статистическое оценивание
2.1. Понятие вероятности 10
2.2. Случайные величины и их характеристики 12
2.3. Распределения, связанные с нормальным 23
2.4. Выборки. Статистические оценки 25
2.5. Точечные оценки 29
2.6. Интервальные оценки 31
2.7. Планирование эксперимента при оценивании числовых
характеристик случайной величины 37
3. ПРОВЕРКА СтатистическИХ ГИПОТЕЗ
3.1. Статистические гипотезы и критерии согласия 40
3.2. Критерий для отбрасывания резко
выделяющихся результатов испытаний 44
3.3. Проверка гипотез о числовых значениях параметров
нормального распределения 47
3.4. Критерий согласия. Проверка гипотез о виде функции
распределения 59
4. Пример анализа опытных данных 65
Библиографический список 81
Приложение. статистические таблицы 82

Файлы: 1 файл

Обработка опытных данных.Статистические гипотизы и выводы. Книга 1.doc

— 2.23 Мб (Скачать файл)

Эмпирической мерой вероятности (эмпирической вероятностью)служит отношение числа появления события А - nA к общему числу наблюдений N:

.                                                 (2.2)

Эмпирическая вероятность при  ограниченном числе наблюдений N является некоторым приближением (оценкой) для теоретической вероятности, определенной выражением (2.1).

Из определения вероятности  очевидно, что для некоторого события  А:

-   Р(А)=1 - если событие А достоверное;

-   Р(А)=0 - если событие А невозможное;

-   0£Р(А)£1 - если событие А случайное.

Часто в результате проведения одного и того же опыта возможно появление двух или более событий. В этом случае события находятся в некотором взаимном отношении.

События А и В называются несовместными, если в результате данного испытания появление одного из них исключает появление другого.

События А и В называются совместными, если в результате данного испытания появление одного из них не исключает появление другого.

Два события А и называются противоположными или взаимно дополнительными, если непоявление одного из них в результате данного испытания влечет появление другого ( читается “не А”).

Событие А называется благоприятствующим событию В, если появление события А влечет за собой появление события В.

Если группа событий  такова, что в результате испытания обязательно должно произойти хотя бы одно из них или любые два из них несовместны, то эта группа событий называется полной группой событий .

События называются равновозможными, если по условию испытания нет оснований считать какое-либо из них более возможным, чем другие.

В теории вероятности существует значительное количество теорем, составляющих мощный математический аппарат, позволяющий в значительной степени упростить процесс проведения эксперимента. Особенно эффективно применение теории вероятности на стадии предпланирования эксперимента, когда необходимо выявить полный, но по возможности минимальный набор факторов, влияющих на объект исследования. Однако часто качественного описания случайных явлений в терминах событие, когда отмечается лишь факт его наличия или отсутствия, оказывается недостаточно. В этом случае результаты опытов представляют количественно, в виде некоторой физической величины, носящей вероятностный характер, т.е. являющейся случайной величиной.

 

2.2. Случайные величины и их характеристики

 

Основой любого эксперимента является измерение тех или иных параметров явления или процесса. Результатами измерений являются значения факторов и (или) откликов. Проведем N испытаний при фиксированных, стабильных уровнях контролируемых факторов, действующих на объект исследования. Кроме контролируемых факторов на объект исследования обязательно действуют и неконтролируемые факторы. О значениях и стабильности значений этих факторов сказать что-либо нельзя в силу отсутствия их контроля. В общем случае неконтролируемые факторы при проведении ряда измерений одной и той же контролируемой величины будут принимать различные значения. Это приведет к тому, что измеряя одну и ту же величину при одинаковых значениях контролируемых факторов, можно получить целый набор различных значений измерений x1,x2,…,xi,…,xN. (Иногда получить различные значения измерений не удается, но, как правило, это означает, что проводимые измерения обладают недостаточной точностью).

Возникает вопрос: какое из значений xi является истинным (или наиболее правильным) значениеь полученного отклика и каким это значение будет при проведении следующего опыта в тех же условиях? Ответы на эти вопросы можно дать только с учетом того факта, что полученные опытные величины являются случайными величинами. Будем полагать при дальнейшем рассмотрении, что измерения величин проводятся с достаточной точностью.

Пример 2. Осаживая пять свинцовых  образцов одного размера, с одинаковым химическим составом, изготовленных по одинаковой технологии, при одинаковой температуре и скорости движения бойка, до одинакового окончательного размера (степени деформации), получили набор значений усилия осадки:  1376, 1382, 1365, 1362, и 1372 Н. Каково усилие при осадке свинцового образца данного вида и каким оно будет при осадке еще одного образца? Ответ на этот вопрос можно дать только с учетом того факта, что усилие осадки есть случайная величина.

Подавляющее большинство величин, получаемых в результате проведения экспериментальных исследований, являются случайными величинами.

По ГОСТ 15895-77, случайной величиной называется величина, которая может принимать какое-либо значение из установленного множества и с которой связано вероятностное распределение.

Примеры типичных случайных величин  в ОМД. Механические свойства металлов: предел текучести и прочности, относительные удлинение и сужение, твердость, ударная вязкость, долговечность образцов при усталостных испытаниях и др. Технологические характеристики процессов ОМД: усилие и потребная мощность процесса (прессования, прокатки, волочения и др.), формоизменение металла (уширение и утяжка при прокатке и свободной ковке, утонение стенки при редуцировании труб и т.д.).

Случайные величины делят на дискретные (прерывные) и непрерывные.

По ГОСТ 15895-77, дискретная одномерная случайная величина - случайная величина, которая может принимать значения только из конечного или счетного множества действительных чисел.

По ГОСТ 15895-77, непрерывная одномерная случайная величина - случайная величина, которая может принимать любые значения из конечного или бесконечного интервала.

Пример: Дискретная случайная  величина - долговечность образцов при усталостных испытаниях, определяемая, как правило, количеством циклов нагружения образца до разрушения. К непрерывным случайным величинам относятся механические свойства металлов и технологические характеристики процессов ОМД

При дальнейшем изложении остановимся, в основном, на рассмотрении непрерывных  случайных величин.

Случайная величина характеризуется  областью возможных значений, которые она может принимать в результате опыта, и вероятностью приобретения этих значений, характеризуемых функцией распределения или плотностью вероятности.

По ГОСТ 15895-77, функцией распределения F(x) называется функция, определяющая для всех действительных x вероятность того, что случайная величина Х принимает значение не больше чем х :

F(x)=P(X£x).                                                    (2.3)

Функцию F(x) часто называют интегральной функцией распределения вероятностей случайной величины, учитывая ее накопительный характер.

Функция распределения F(x) является неубывающей функцией х (рис. 2.2), т.е. для любых двух чисел х1 и х2 при х12 удовлетворяется условие F(x1)£F(x2). Это означает, что вероятность непревышения случайной величиной Х меньшего значения х1 будет меньше вероятности непревышения той же величиной большего значения х2.

Поскольку два события, заключающиеся  в принадлежности случайной величины Х интервалам [-¥, х1[ и [x1, x2], являются несовместными, то вероятность обнаружения случайной величины Х в интервале х1<Х<х2 можно рассчитать так:

P(х1<Х<х2) = F(х2)- F(х1).                                          (2.4)

Функция распределения удовлетворяет  условиям

F(-¥)=0 и F(+¥)=1.                                          (2.5)

Для непрерывных случайных величин  функция распределения обычно имеет первую производную, которую называют плотностью вероятности или плотностью распределения.

По ГОСТ 15895-77, плотность распределения есть первая производная функции распределения:

.                                                          (2.6)

Функцию j(x) часто называют дифференциальной функцией распределения вероятностей случайной величины (рис 2.3). Она удовлетворяет условию j(x)³0.

Рис. 2.2. График функции распределения случайной величины

Рис. 2.3. График плотности распределения случайной величины


 

Вероятность попадания случайной  величины Х в интервал х1<Х<х2 может быть найдена через плотность распределения так:

.                                        (2.7)

Часто возникает необходимость  определения значения случайной  величины xp, соответствующего заданному уровню вероятности его непревышения р. Это значение случайной величины носит название квантили и определяется из уравнения P(X£xp)=р.

По ГОСТ 15895-77, квантиль порядка р - это значение случайной величины, для которого функция распределения принимает значение р.

 

Законы распределения случайной  величины могут иметь различный вид. Наибольшее значение в прикладной статистике имеют равномерное и нормальное распределения.

Случайная величина называется равномерно распределенной на [a,b], если плотность вероятности на [a,b] постоянна, а вне [a,b] равна нулю, т.е.

.                                                (2.8)

Случайная величина называется нормально распределенной (имеет распределение Гаусса), если ее функция распределения определяется выражением

,                                            (2.9)

где m и s - числовые параметры распределения.

Плотность нормального распределения  определяется выражением

.                                            (2.10)

Большинство приведенных  случайных величин из области  ОМД в реальных условиях подчинены нормальному (реже логарифмически нормальному) закону распределения.

Нормальный закон распределения  случайной величины получен теоретически Гауссом исходя из двух предпосылок: 1) на случайную величину влияет большое количество факторов; 2) влияние факторов на случайную величину проявляется примерно одинаково.

Первый пункт очевиден и представлен  в кибернетической модели объекта исследования множеством неконтролируемых факторов dн. Второй пункт может быть принят, так как сильно влияющие факторы всегда пытаются учесть, переводя их в разряд контролируемых hн.

Если математическое выражение  закона распределения известно, то для полного определения случайной  величины достаточно указать значения численных параметров, входящих в этот закон. Эти значения называют числовыми характеристиками случайной величины или параметрами распределения. Их назначение - в сжатой форме выразить наиболее важные черты распределения. К таким числовым характеристикам относят прежде всего математическое ожидание, дисперсию, стандартное отклонение.

По ГОСТ 15895-77, параметр распределения - это постоянная, от которой зависит функция распределения.

Если Х - случайная величина, имеющая плотность распределения j(x), то произвольная функция g(X) также является случайной величиной. Математическое ожидание этой функции определяется соотношением

.                                                     (2.11)

Математическое ожидание M(g(x)) есть результат вероятностного усреднения функции g(х), т.е. усреднения ее с весом, равным функции плотности вероятности j(x).

При расчете числовых характеристик  случайной величины наиболее часто применяют так называемый “метод моментов”, состоящий в том, что числовые характеристики рассчитывают как математические ожидания начальных и центральных моментов случайной величины в некоторой степени по функции плотности распределения.

 

 

 

 

Начальным моментом k-го порядка mk случайной величины Х называют математическое ожидание величины Xk, т.е.

.                                                     (2.12)

В частности, если k =1, то получим математическое ожидание самой случайной величины Х.

По ГОСТ 15895-77, математическим ожиданием случайной величины называется среднее взвешенное по вероятностям значение случайной величины

.                                                     (2.13)

Геометрически математическое ожидание случайной величины представляет собой абсциссу центра тяжести площади под кривой плотности распределения. Для нормально распределенной случайной величины положение математического ожидания совпадает с положением максимума кривой плотности распределения (величина m на рис. 2.3). Для равномерного распределения (2.8) величина математического ожидания совпадает с серединой интервала [а,b].

Центральным моментом k-го порядка mk случайной величины Х называют математическое ожидание величины (X-m)k, т.е.

.                                          (2.14)

Наиболее важное значение имеет  второй центральный момент случайной  величины Х, называемый дисперсией случайной величины Х (обозначают s2).

По ГОСТ 15895-77, дисперсия случайной величины это центральный момент порядка 2:

.                                          (2.15)

Можно дать другое, более подробное  определение: Дисперсией случайной величины называется средневзвешенный по вероятностям квадрат отклонения случайной величины от ее математического ожидания.

Дисперсия служит характеристикой  рассеяния случайной величины Х около центра распределения. Для нормального распределения величина дисперсии геометрически определяет точку перегиба кривой плотности распределения.

Часто за меру рассеяния случайной  величины принимают положительное  значение квадратного корня из дисперсии, которое называют среднеквадратическим отклонением или стандартным отклонением.

По ГОСТ 15895-77, среднеквадратическое отклонение - это неотрицательный квадратный корень из дисперсии:

.                                          (2.16)

Математическое ожидание m, дисперсия s2 и среднеквадратическое отклонение s являются наиболее употребительными числовыми характеристиками случайной величины. Например, они полностью определяют нормальный закон распределения.

Из определения математического ожидания m и дисперсии s2 следуют их свойства:

где a, b и с - некоторые константы; X - случайная величина.

Информация о работе Обработка опытных данных.Статистические гипотизы и выводы