Основные задачи • Статистическая обработка данных

Скачать презентацию Основные задачи  •  Статистическая обработка данных Скачать презентацию Основные задачи • Статистическая обработка данных

tema_1.ppt

  • Размер: 992.0 Кб
  • Автор:
  • Количество слайдов: 43

Описание презентации Основные задачи • Статистическая обработка данных по слайдам

  Основные задачи  •  Статистическая обработка данных  наглядное представление экспериментальных данных (гистограмма, Основные задачи • Статистическая обработка данных наглядное представление экспериментальных данных (гистограмма, полигон, и т. д. ); проверка статистических гипотез; отсев грубых погрешностей измерений; оценка истинного значения измеряемой величины; оценка точности измерения; • Построение эмпирических формул обработка результатов косвенных измерений; подбор эмпирических формул; определение параметров стохастических зависимостей по выборочным данным; • Анализ и интерпретация результатов исследования сглаживание и численное дифференцирование; численное интегрирование; интерполяция; МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  1. СЛУЧАЙНЫЕ СОБЫТИЯ, СЛУЧАЙНЫЕ ВЕЛИЧИНЫ И ИХ МАТЕМАТИЧЕСКИЕ МОДЕЛИ. Случайные явления и их математические 1. СЛУЧАЙНЫЕ СОБЫТИЯ, СЛУЧАЙНЫЕ ВЕЛИЧИНЫ И ИХ МАТЕМАТИЧЕСКИЕ МОДЕЛИ. Случайные явления и их математические модели. Пространство элементарных событий. Операции над событиями. Вероятность. Дискретные и непрерывные случайные величины. Функция распределения и плотность распределения случайной величины. Числовые характеристики случайных величин. Выборочный метод. Общие понятия о генеральной совокупности и выборке. Эмпирическая функция и плотность распределения и их графическое изображение (гистограмма, полигон накопленных частот). Числовые характеристики выборки: эмпирическое среднее, дисперсия, размах выборки, коэффициент вариации, стандартное отклонение, мода, медиана, моменты, асимметрия, эксцесс. МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  СЛУЧАЙНЫЕ СОБЫТИЯ Испытание, опыт, наблюдение, эксперимент Основной комплекс условий испытания, случайные факторы Пространство элементарных СЛУЧАЙНЫЕ СОБЫТИЯ Испытание, опыт, наблюдение, эксперимент Основной комплекс условий испытания, случайные факторы Пространство элементарных событий , составные события Операции над событиями (диаграммы Эйлера — Венна) Сумма (объединение) событий Произведение (пересечение) событий Разность событий BABABA BA \ Событие влечет появление события Противоположные события A AAНесовместные события BAB BAМАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  Рассмотрим некоторый эксперимент со случайным исходом,  в котором может произойти или не произойти Рассмотрим некоторый эксперимент со случайным исходом, в котором может произойти или не произойти событие . Допустим, что эксперимент повторен раз, причем интересующее нас событие наступило раз. Относительной частотой события называется отношение Частота является случайной величиной , и в разных сериях из опытов она будет принимать различные значения. Но природа массовых случайных событий такова, что с увеличением числа опытов наблюдается свойство статистической устойчивости частоты. Суть этого свойства состоит в том, что при больших частота принимает значения близкие к некоторому постоянному неслучайному числу , которое и принимается за вероятность случайного события. Теоретическим обоснованием близости относительной частоты и вероятности случайного события служит теорема Бернулли СТАТИСТИЧЕСКАЯ УСТОЙЧИВОСТЬ ОТНОСИТЕЛЬНОЙ ЧАСТОТЫ СОБЫТИЯ n m AWA n An Am n n. AWn AP 1 lim p n m PA n p. APAW n P n МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  СТАТИСТИЧЕСКАЯ УСТОЙЧИВОСТЬ ОТНОСИТЕЛЬНОЙ ЧАСТОТЫ  (РЕЗУЛЬТАТЫ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ  ОПЫТА ПО МЕТАНИЮ МОНЕТЫ) СТАТИСТИЧЕСКАЯ УСТОЙЧИВОСТЬ ОТНОСИТЕЛЬНОЙ ЧАСТОТЫ (РЕЗУЛЬТАТЫ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ ОПЫТА ПО МЕТАНИЮ МОНЕТЫ) k m AWk k Оценка статистической вероятности наступления события после -го опыта. Ak 0 200 400 600 800 100000. 5 1 1 0 R k 0. 5 10000 k 0 0. 5 1 1. 5 2 2. 5 300. 5 1 1 0 R k 0. 5 30 log k( ) 0 200 400 600 800 100000. 5 1 1 0 R 1 k 0. 5 10000 k 0 0. 5 1 1. 5 2 2. 5 300. 5 1 1 0 R 1 k 0. 5 30 log k( ) 0 200 400 600 800 100000. 5 1 1 0 R 2 k 0. 5 10000 k 0 0. 5 1 1. 5 2 2. 5 300. 5 1 1 0 R 2 k 0. 5 30 log k( )Первая серия опытов Вторая серия опытов Третья серия опытовk W k. WМАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  СВОЙСТВА ОТНОСИТЕЛЬНОЙ ЧАСТОТЫ  AWn 10 AWn 1. Относительная частота любого события заключена между СВОЙСТВА ОТНОСИТЕЛЬНОЙ ЧАСТОТЫ AWn 10 AWn 1. Относительная частота любого события заключена между нулем и единицей 2. Относительная частота невозможного события равна нулю 0 n. W 3. Относительная частота достоверного события равна единице 1 n. W 4. Относительная частота суммы несовместных событий равна сумме вероятностей этих событий BWAWBAWnnn МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  Вероятность события  – это численная мера объективной возможности его наступления в данном опыте. Вероятность события – это численная мера объективной возможности его наступления в данном опыте. Существует несколько подходов к определению вероятности; это – классическое , статистическое , геометрическое и аксиоматическое определения. Все они дополняют и обобщают друга. Статистической вероятностью события называется число около которого колеблется относительная частота при достаточно большом числе повторных испытаний Классическое определение. Если число исходов опыта конечно и они образуют полную группу равновозможных несовместных событий, то вероятность определяется как отношение числа элементарных исходов , благоприятствующих наступлению события , к числу всех возможных исходов испытания : Геометрической вероятностью события называется отношение меры области (длины, площади, объема), благоприятствующей наступлению события, к мере всей области : ВЕРОЯТНОСТЬ СЛУЧАЙНОГО СОБЫТИЯ n m AWAPA n n AP A)( A AP A An An. МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  СВОЙСТВА ВЕРОЯТНОСТИ AP 10 AP 1.  Вероятность любого события заключена между нулем и СВОЙСТВА ВЕРОЯТНОСТИ AP 10 AP 1. Вероятность любого события заключена между нулем и единицей 2. Вероятность невозможного события равна нулю 0 P 3. Вероятность достоверного события равна единице 1 P 4. Вероятность суммы несовместных событий равна сумме вероятностей этих событий BPAPBAP 5. Вероятности противоположных событий в сумме равны единице 1 APAP МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  ВЕРОЯТНОСТЬ ПРОИЗВЕДЕНИЯ СОБЫТИЙ  Вероятность произведения двух событий (т. е. вероятность их совместного, ВЕРОЯТНОСТЬ ПРОИЗВЕДЕНИЯ СОБЫТИЙ Вероятность произведения двух событий (т. е. вероятность их совместного, появления в одном опыте) равна произведению вероятности одного из них на условную вероятность другого при условии, что первое событие произошло: Это правило обобщается на случай трех и большего числа событий. Для произвольного числа событий формула имеет вид: МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ т. е. вероятность каждого следующего по порядку события вычисляется при условии, что все предыдущие события произошли. Для независимых событий их условные вероятности равны безусловным, и приведенные формулы приобретают простой вид (вероятность произведения независимых событий равна произведению их вероятностей): BAPBPABPAPBAP 12121312121 nnn. AAAAPAAPAPAAAP n. A, , A, A 21 BPAPBAP nn. APAPAAAP

  ВЕРОЯТНОСТЬ СУММЫ СОБЫТИЙ  Вероятность сумы двух ( совместных ) событий равна сумме их ВЕРОЯТНОСТЬ СУММЫ СОБЫТИЙ Вероятность сумы двух ( совместных ) событий равна сумме их вероятностей минус вероятность их произведения: Эта формула обобщается на случай трех и большего числа событий: МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ Последняя формула выражает вероятность суммы произвольного числа событий через сумму их вероятностей и вероятности произведений этих событий взятых по два, три и т. д. Для несовместных событий приведенные формулы приобретают особенно простой вид (вероятность суммы несовместных событий равна сумме их вероятностей): BAPBPAPBAP CBAPACPCBPBAPCPBPAPCBAP nn m, k, i mki k, i ki i in. AAAP AAPAPAAAP 21121 1 BPAPBAP nn. APAPAPAAAP

  СЛУЧАЙНЫЕ ВЕЛИЧИНЫ  • Случайной величиной  называется переменная,  принимающая в результате испытания СЛУЧАЙНЫЕ ВЕЛИЧИНЫ • Случайной величиной называется переменная, принимающая в результате испытания то или иное числовое значение, которое принципиально нельзя предсказать, исходя из условий опыта. Причина изменения случайной величины от испытания к испытанию при неизменном комплексе основных условий кроется в не учитываемых случайных факторах. • Случайные величины могут быть дискретными и непрерывными Пример. Случайные величины: • (а) число очков, выпадающих при бросании игральной кости; • (б) время безотказной работы электрической лампочки; • (в) число выстрелов до первого попадания в цель; • (г) курсы валют; • (д) рост наугад взятого человека; • (е) число бракованных деталей в партии и т. д. • Дискретной называют случайную величину, возможные значения которой – это отдельные изолированные числа, т. е. между двумя соседними значениями нет других возможных значений. Дискретная случайная величина может принимать конечное или счетное множество значений • Непрерывная случайная величина может принимать любые значения, принадлежащие конечному или бесконечному интервалу ; множество ее возможных значений несчетно , , , 21 nxxx. X baxx. X , : ba, МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  , , СЛУЧАЙНЫЕ ВЕЛИЧИНЫ  Строгое математическое определение случайной величины,  опирающееся на теоретико-множественную , , СЛУЧАЙНЫЕ ВЕЛИЧИНЫ Строгое математическое определение случайной величины, опирающееся на теоретико-множественную трактовку основных понятий теории вероятностей, состоит в следующем: • Случайная величина – это числовая функция, определенная на пространстве элементарных событий , которая каждому элементарному исходу ставит в соответствие число . • Чтобы исчерпывающим образом охарактеризовать случайную величину, нужно, задать множество ее допустимых значений, и указать, как часто, т. е. с какой вероятностью она принимает те или иные эти значения. Иными словами, нужно задать распределение этой случайной величины. • Любое правило (функция, график, таблица), позволяющее находить вероятности всевозможных событий, связанных со случайной величиной (в частности, вероятности отдельных значений случайной величины или множества этих значений), называется законом распределения (или распределением ) случайной величины. X X МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  … …np X 1 x 2 xnx p 1 p 2 p 121 nppp … …np X 1 x 2 xnx p 1 p 2 p 121 nppp 1 nx 1 np Xix РАСПРЕДЕЛЕНИЕ ДИСКРЕТНОЙ СЛУЧАЙНОЙ ВЕЛИЧИНЫ xx i i px. Fnnxx. Hpx. F 11 0 , 1 , 0 x x x. H МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ ix. Xiii P, x. XPp : : Закон распределения дискретной случайной величины – это перечень ее возможных значений и соответствующих им вероятностей; он может быть определен формулой позволяющей вычислить вероятность того, что в результате опыта случайная величина примет значение , или задан таблицей, которая называется рядом распределения Закон (ряд) распределения случайной величины, принимающей конечное число значений, может быть изображен графически в виде многоугольника (или полигона ) распределения , если по горизонтальной оси отложить возможные значения случайной величины, а по вертикальной оси – соответствующие вероятности, и соединить полученные точки ломанной линией. Функция распределения дискретной случайной величины — ступенчатая функция:

  , , • Функцией распределения непрерывной случайной величины  называется функция  , которая , , • Функцией распределения непрерывной случайной величины называется функция , которая для любого числа определяет вероятность события , т. е. Свойства функции распределения : 1. Значения функции распределения принадлежат отрезку : • 2. Функция распределения – неубывающая функция, т. е. если , то • 3. Функция распределения обращается в ноль на минус бесконечности и равна единице в плюс бесконечности: • 4. Вероятность того, что случайная величина примет значение, лежащее в интервале , равно приращению функции распределения на этом интервале: • Вероятность того, что непрерывная случайная величина примет одно определенное, заранее указанное значение, например , равна нулю: 1 , 0 10 x. F 21 xx 21, xx 1221 x. Fx. Xx. P РАСПРЕДЕЛЕНИЕ НЕПРЕРЫВНОЙ СЛУЧАЙНОЙ ВЕЛИЧИНЫ x. Fx x. X X x. XPx. F 0 F 1 F 1 x 01 x. XP МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  ПЛОТНОСТЬ РАСПРЕДЕЛЕНИЯ НЕПРЕРЫВНОЙ СЛУЧАЙНОЙ ВЕЛИЧИНЫ  • Плотностью распределения  вероятностей непрерывной случайной величины ПЛОТНОСТЬ РАСПРЕДЕЛЕНИЯ НЕПРЕРЫВНОЙ СЛУЧАЙНОЙ ВЕЛИЧИНЫ • Плотностью распределения вероятностей непрерывной случайной величины называют функцию — первую производную от функции распределения: • Функцию называют также дифференциальной функцией распределения , а функцию интегральной функцией распределения. • Дифференциальная и интегральная функции распределения – две равноправные формы закона распределения непрерывной случайной величины; зная одну из них, можно вычислить другую: xf xf x. Fxf xduufx. Fxf. МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  СВОЙСТВА ПЛОТНОСТИ РАСПРЕДЕЛЕНИЯ  • 1. Плотность распределения неотрицательна (как производная неубывающей функции ) СВОЙСТВА ПЛОТНОСТИ РАСПРЕДЕЛЕНИЯ • 1. Плотность распределения неотрицательна (как производная неубывающей функции ) • 2. Функция распределения может быть выражена через плотность в виде интеграла с переменным верхним пределом: • 3. Условие нормировки (несобственный интеграл от плотности в бесконечных пределах равен единице ) • 4. Вероятность попадания непрерывной случайной величины в интервал определяется равенством 0 xf x duufx. F 1 dxxf 2 1 21 x x dxxfx. Xx. P 21 , xx. МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  ПРИМЕР: НОРМАЛЬНОЕ РАСПРЕДЕЛЕНИЕ МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ 20 10 2000. 10. 20. 3 0 ПРИМЕР: НОРМАЛЬНОЕ РАСПРЕДЕЛЕНИЕ МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ 20 10 2000. 10. 20. 3 0 d norm x 0 1( ) d norm x 0 2( ) d norm x 0 3( ) d norm x 0 4( ) d norm x 0 5( ) d norm x 0 6( ) d norm x 0 7( ) d norm x 0 8( ) d norm x 0 9( ) d norm x 0 10( ) 2020 x 20 10 2000. 5 1 pnorm x 0 1( ) pnorm x 0 2( ) pnorm x 0 3( ) pnorm x 0 4( ) pnorm x 0 5( ) pnorm x 0 6( ) pnorm x 0 7( ) pnorm x 0 8( ) pnorm x 0 9( ) pnorm x 0 10( ) x 0 5 1000. 10. 20. 30. 45 0 d norm x 0 1( ) d norm x 1 1( ) d norm x 2 1( ) d norm x 3 1( ) d norm x 4 1( ) d norm x 5 1( ) d norm x 6 1( ) d norm x 7 1( ) d norm x 8 1( ) d norm x 9 1( ) 124 x 0 5 1000. 5 1 pnorm x 0 1( ) pnorm x 1 1( ) pnorm x 2 1( ) pnorm x 3 1( ) pnorm x 4 1( ) pnorm x 5 1( ) pnorm x 6 1( ) pnorm x 7 1( ) pnorm x 8 1( ) pnorm x 9 1( ) x 0 5 1000. 5 11. 1 0. 1 pnorm x 0 1( ) pnorm x 1 1( ) pnorm x 2 1( ) pnorm x 3 1( ) pnorm x 4 1( ) pnorm x 5 1( ) pnorm x 6 1( ) pnorm x 7 1( ) pnorm x 8 1( ) pnorm x 9 1( ) 124 x

  ПРИМЕР: РАСПРЕДЕЛЕНИЕ СТЬЮДЕНТА ( t -  распределение)МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ 4 2 0 ПРИМЕР: РАСПРЕДЕЛЕНИЕ СТЬЮДЕНТА ( t — распределение)МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ 4 2 0 2 400. 10. 20. 3 d t x 1( ) d t x 2( ) d t x 3( ) d t x 4( ) d t x 5( ) d t x 6( ) d t x 7( ) d t x 8( ) d t x 9( ) d t x 10( ) x 4 2 0 2 400. 5 11. 1 0. 1 pt x 1( ) pt x 2( ) pt x 3( ) pt x 4( ) pt x 5( ) pt x 6( ) pt x 7( ) pt x 8( ) pt x 9( ) pt x 10( ) 44 x 4 2 0 2 400. 5 11. 1 0. 1 pt x 1( ) d t x 1( ) 44 x 4 2 0 2 400. 5 11. 1 0. 1 pnorm x 0 1( ) d norm x 0 1( ) 44 x

  МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ ПРИМЕР: РАСПРЕДЕЛЕНИЕ ПИРСОНА ( - распределение)2 0 10 2000. 10. МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ ПРИМЕР: РАСПРЕДЕЛЕНИЕ ПИРСОНА ( — распределение)2 0 10 2000. 10. 2 d chisq x 1( ) d chisq x 2( ) d chisq x 3( ) d chisq x 4( ) d chisq x 5( ) d chisq x 6( ) d chisq x 7( ) d chisq x 8( ) d chisq x 9( ) d chisq x 10( ) x 0 10 2000. 5 1 pc hisq x 1( ) pc hisq x 2( ) pc hisq x 3( ) pc hisq x 4( ) pc hisq x 5( ) pc hisq x 6( ) pc hisq x 7( ) pc hisq x 8( ) pc hisq x 9( ) pc hisq x 10( ) x 0 10 20 3000. 10. 25 0 d c hisq x 3( ) d c hisq x 8( ) d c hisq x 15( ) d norm x 3 6 d norm x 8 16 d norm x 15 30 308 x 0 50 10000. 020. 040. 055 0 d c hisq x 30( ) d c hisq x 60( ) d c hisq x 90( ) d norm x 30 60 d norm x 60 120 d norm x 90 180 1300 x

  ПРИМЕР: РАСПРЕДЕЛЕНИЕ ФИШЕРА ( F - распределение)МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ 0 1 2 300. ПРИМЕР: РАСПРЕДЕЛЕНИЕ ФИШЕРА ( F — распределение)МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ 0 1 2 300. 5 11. 1 0 d F x 2 10( ) d F x 4 10( ) d F x 6 10( ) d F x 8 10( ) d F x 10 10( ) d F x 12 10( ) d F x 14 10( ) d F x 16 10( ) d F x 18 10( ) d F x 20 10( ) 30. 1 x 0 1 2 300. 5 11. 1 0. 1 p. F x 2 10( ) p. F x 4 10( ) p. F x 6 10( ) p. F x 8 10( ) p. F x 10 10( ) p. F x 12 10( ) p. F x 14 10( ) p. F x 16 10( ) p. F x 18 10( ) p. F x 20 10( ) 30. 1 x 0 1 2 300. 5 11. 1 0 d F x 10 2( ) d F x 10 4( ) d F x 10 6( ) d F x 10 8( ) d F x 10 10( ) d F x 10 12( ) d F x 10 14( ) d F x 10 16( ) d F x 10 18( ) d F x 10 20( ) 30. 1 x 0 1 2 300. 5 11. 1 0 p. F x 10 2( ) p. F x 10 4( ) p. F x 10 6( ) p. F x 10 8( ) p. F x 10 10( ) p. F x 10 12( ) p. F x 10 14( ) p. F x 10 16( ) p. F x 10 18( ) p. F x 10 20( ) 30. 1 x

  ПРИМЕР: РАСПРЕДЕЛЕНИЕ ФИШЕРА ( F - распределение)МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ 0 1 2 300. ПРИМЕР: РАСПРЕДЕЛЕНИЕ ФИШЕРА ( F — распределение)МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ 0 1 2 300. 5 11. 1 0 d F x 2 40( ) d F x 4 40( ) d F x 6 40( ) d F x 8 40( ) d F x 10 40( ) d F x 12 40( ) d F x 14 40( ) d F x 16 40( ) d F x 18 40( ) d F x 20 40( ) 30. 1 x 0 1 2 300. 5 1 d F x 40 2( ) d F x 40 4( ) d F x 40 6( ) d F x 40 8( ) d F x 40 10( ) d F x 40 12( ) d F x 40 14( ) d F x 40 16( ) d F x 40 18( ) d F x 40 20( ) x 0 1 2 300. 5 11. 1 0 d F x 40 2( ) d F x 40 4( ) d F x 40 6( ) d F x 40 8( ) d F x 40 10( ) d F x 40 12( ) d F x 40 14( ) d F x 40 16( ) d F x 40 18( ) d F x 40 20( ) 30. 1 x 0 1 2 300. 5 11. 1 0. 1 p. F x 2 40( ) p. F x 4 40( ) p. F x 6 40( ) p. F x 8 40( ) p. F x 10 40( ) p. F x 12 40( ) p. F x 14 40( ) p. F x 16 40( ) p. F x 18 40( ) p. F x 20 40( ) 30. 1 x 0 1 2 300. 5 11. 1 0 p. F x 40 2( ) p. F x 40 4( ) p. F x 40 6( ) p. F x 40 8( ) p. F x 40 10( ) p. F x 40 12( ) p. F x 40 14( ) p. F x 40 16( ) p. F x 40 18( ) p. F x 40 20( ) 30. 1 x

  ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ СЛУЧАЙНЫХ ВЕЛИЧИН  • Функцию распределения   и плотность распределения ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ СЛУЧАЙНЫХ ВЕЛИЧИН • Функцию распределения и плотность распределения , как математические модели случайных величин трудно оценить экспериментально. При решении многих практических задач полная информация о случайной величине (закон распределения) не нужна. В этом случае можно описать случайную величину ограниченным набором (неслучайных) числовых показателей. Минимальный набор включает два показателя: математическое ожидание и дисперсию. Более детальная информация о случайной величине содержится в моментах более высокого порядка. Распределение случайной величины будет полностью заданным, если известны все его моменты. • Наиболее важные числовые характеристики случайных величин, используемые при решении практических задач, можно разделить на три группы: • характеристики положения (математическое ожидание, мода, медиана); • характеристики рассеяния (дисперсия, среднеквадратичное отклонение); • характеристики формы (асимметрия, эксцесс) x. Fxf МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  МАТЕМАТИЧЕСКОЕ ОЖИДАНИЕ  Математическое ожидание (или среднее значение ) непрерывной случайной величины определяется равенством МАТЕМАТИЧЕСКОЕ ОЖИДАНИЕ Математическое ожидание (или среднее значение ) непрерывной случайной величины определяется равенством Свойства математического ожидания : • 1. Математическое ожидание постоянной величины равно самой постоянной: • 2. Постоянный множитель можно выносить за знак математического ожидания: • 3. Математическое ожидание суммы случайных величин равно сумме математических ожиданий слагаемых: • 4. Математическое ожидание произведения взаимно независимых случайных величин равно произведению математических ожиданий сомножителей: cc. M Xc. Mc. XM nn. XMXMXMXXXM 2121 dxxxf. XMМАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  ДИСПЕРСИЯ И СРЕДНЕКВАДРАТИЧНОЕ ОТКЛОНЕНИЕ  • Дисперсией (или рассеянием ) случайной величины  называется ДИСПЕРСИЯ И СРЕДНЕКВАДРАТИЧНОЕ ОТКЛОНЕНИЕ • Дисперсией (или рассеянием ) случайной величины называется математическое ожидание квадрата ее отклонения от своего математического ожидания: • На практике дисперсию удобно вычислять по формуле ( «математическое ожидание квадрата минус квадрат математического ожидания» ) • Для непрерывной случайной величины формулы для дисперсии могут быть записаны с использованием плотности распределения в виде • Среднеквадратичное отклонение (или стандартное отклонение, или просто стандарт ) – квадратный корень (положительное значение) из дисперсии: X 2 MXXMDX 22 XMXMXD dxxf. XMx. DX 2 22 MXdxxfx. DX XDX МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  ОСНОВНЫЕ СВОЙСТВА ДИСПЕРСИИ  • 1. Дисперсия постоянной величины равна нулю:  • 2. ОСНОВНЫЕ СВОЙСТВА ДИСПЕРСИИ • 1. Дисперсия постоянной величины равна нулю: • 2. Постоянный множитель можно выносить за знак дисперсии, предварительно возведя его в квадрат: • 3. Дисперсия суммы независимых случайных величин равна сумме дисперсий слагаемых: • 4. Если к случайной величине прибавить константу, то ее дисперсия не изменится: 0 c. D XDcc. XD 2 nn. XDXDXDXXXD 2121 XDc. XD МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  КВАНТИЛЬ, МОДА, МЕДИАНА  • Квантилем уровня  ( или просто - квантилем ), КВАНТИЛЬ, МОДА, МЕДИАНА • Квантилем уровня ( или просто — квантилем ), называется такое значение случайной величины , при котором функция распределения принимает значение, равное , т. е. квантиль — это решение уравнения • Медианой распределения называется квантиль, отвечающий значению т. е. Из определения следует, что одинаково вероятно, окажется ли случайная величина меньше медианы или больше ее, т. е. • Модой непрерывного распределения называется значение случайной величины, при котором плотность распределения достигает максимума. Если мода единственна, то распределение называется унимодальным ; если плотность распределения имеет два или несколько локальных максимумов, то распределение называется бимодальным или полимодальным. p pxx p e. M 2 1 p p px. F p pduuf px 2 1 e. MF 2 1 ee. MXPMXP МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  МОМЕНТЫ СЛУЧАЙНОЙ ВЕЛИЧИНЫ  • Математическое ожидание и дисперсия – это частные случаи более МОМЕНТЫ СЛУЧАЙНОЙ ВЕЛИЧИНЫ • Математическое ожидание и дисперсия – это частные случаи более общего понятия – моментов случайной величины. • Начальным моментом порядка ( -м моментом относительно нуля) называется математическое ожидание -й степени случайной величины: Начальный момент первого порядка – это математическое ожидание самой случайной величины . • Центральным моментом порядка ( -м моментом относительно математического ожидания) называется математическое ожидание -й степени центрированной случайной величины : Центральный момент первого порядка всегда равен нулю . Центральный момент второго порядка – это дисперсия . dxxfx. XMkk k 11 k k kk 1 X XM 1 01 XD 2 МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  АСИММЕТРИЯ, ЭКСЦЕСС  • Асимметрия распределения характеризуется третьим центральным моментом.  Коэффициент асимметрии характеризует АСИММЕТРИЯ, ЭКСЦЕСС • Асимметрия распределения характеризуется третьим центральным моментом. Коэффициент асимметрии характеризует «скошенность» распределения. Этот безразмерный показатель позволяет сравнивать асимметрию распределений, имеющих различный масштаб. Для симметричного распределения (в частности, для нормального) он равен нулю • Эксцесс распределения вычисляется по формуле • Он характеризует «островершинность» распределения по сравнению с нормальным законом, для которого . При пик более острый, при — более пологий, чем у нормального распределения. 23 3 23 2 3 //DX MXXM A 332 4 2 2 4 DX MXXM E 0 E 0 A МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  ГЕНЕРАЛЬНАЯ СОВОКУПНОСТЬ И ВЫБОРКА   Применение методов математической статистики к обработке наблюдений оказывается ГЕНЕРАЛЬНАЯ СОВОКУПНОСТЬ И ВЫБОРКА Применение методов математической статистики к обработке наблюдений оказывается возможным благодаря тому, что производство наблюдений (измерений) полностью соответствует основной схеме статистических испытаний , называемой выборочным методом. • Выборочный метод в самой общей форме выглядит следующим образом. Имеется некоторая большая совокупность объектов, называемая генеральной совокупностью. Из этой совокупности извлекается независимо один от другого объектов, которые образуют выборку. Число называется объемом выборки. Эти объекты подвергаются детальному исследованию, по результатам которого требуется описать всю генеральную совокупность или какие-нибудь ее свойства, характеристики. Интересующий нас признак может быть распределен по генеральной совокупности неравномерно, причем даже характер этой неравномерности может быть не известен. Поэтому не всякая выборка хорошо отражает структуру всей генеральной совокупности. • Выборка называется репрезентативной ( представительной ), если она достаточно хорошо представляет пропорции генеральной совокупности. Если о генеральной совокупности нет никаких сведений, единственный способ получения представительной выборки состоит в случайном отборе элементов выборки, все прочие способы будут необъективными. nn МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  СВЯЗЬ РЕЗУЛЬТАТОВ ИЗМЕРЕНИЙ С ВЫБОРОЧНЫМ МЕТОДОМ • Результаты любой серии измерений (наблюдений) случайным образом СВЯЗЬ РЕЗУЛЬТАТОВ ИЗМЕРЕНИЙ С ВЫБОРОЧНЫМ МЕТОДОМ • Результаты любой серии измерений (наблюдений) случайным образом колеблются вокруг истинного результата. Это означает, что с истинным результатом связана некоторая случайная величина , и каждое реальное наблюдение дает одно из возможных значений этой величины. Все допустимые значения случайной величины (при данном комплексе условий испытания) образуют генеральную совокупность. • Полученные при наблюдениях значения образуют выборку. Эта выборка формируется в процессе наблюдений независимо от нашей воли, под действием фактора случайности. Это и позволяет применять для обработки наблюдений основные положения теории вероятностей. • Элементы выборки, записанные в порядке возрастания их значений называются вариационным рядом . X ix n nx, , x, x 21 X nxxx 21 МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

 . ЭМПИРИЧЕСКАЯ ФУНКЦИЯ РАСПРЕДЕЛЕНИЯ  • Эмпирической функцией распределения называется функция   , определяющая . ЭМПИРИЧЕСКАЯ ФУНКЦИЯ РАСПРЕДЕЛЕНИЯ • Эмпирической функцией распределения называется функция , определяющая для каждого значения относительную частоту события . Строится она так: для данного числа подсчитывается число выборочных значений , меньших и делится на объем выборки. • — неубывающая функция, ее значения принадлежат отрезку : В интервале между и функция имеет ступенчатый вид, причем все элементы выборки являются точками разрыва функции; величина скачка в каждой точке разрыва – . • Если объем выборки достаточно велик, то эмпирическое распределение должно быть близко к теоретическому распределению. Обоснование этого факта базируется на теореме Гливенко В. И. : при с вероятностью, равной единице, максимальная разница между функциями и стремиться к нулю, т. е. для любого справедливо равенство x. Fn x xi x x x. Fn 1 , 0 nmax kk min n xxx, , , n, , k, xxx, n k xxx, x. F 1 121 0 1 1 1 x nxx. Fn n x. Fn 0 1 x. Fmax. Plim n xn x. X n 1 МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  ЭМПИРИЧЕСКАЯ ФУНКЦИЯ РАСПРЕДЕЛЕНИЯ    n kkn xxx , n, , kxxx n ЭМПИРИЧЕСКАЯ ФУНКЦИЯ РАСПРЕДЕЛЕНИЯ n kkn xxx , n, , kxxx n k xxx x. F max 1 1 min , 121 , , , 0 МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ 10 0 1000. 20. 40. 60. 8 1 Fr z( ) pnorm z 0 5( ) z 10 0 1000. 20. 40. 60. 8 1 Fq x i m i pnorm z 0 5( ) x i z 1 0. 5 0 0. 5 10. 45 0. 55 0. 65 Fr z( ) pnorm z 0 5( ) z n i inxx. H n x. F 1 1 0 1 0 0 x, x, x. H Группированная выборка Фрагмент верхнего рисунка Эмпирическая функция распределения является статистической аппроксимацией теоретической функции ; эта аппроксимация тем точнее, чем больше объем выборки. x. Fn x.

 . ЭМПИРИЧЕСКАЯ ПЛОТНОСТЬ РАСПРЕДЕЛЕНИЯ При непрерывном распределении признака   эмпирическая функция плотности вероятностей может . ЭМПИРИЧЕСКАЯ ПЛОТНОСТЬ РАСПРЕДЕЛЕНИЯ При непрерывном распределении признака эмпирическая функция плотности вероятностей может быть изображена в виде гистограммы или полигона относительных частот. С этой целью весь интервал , в котором заключены элементы выборки, разбивается на ряд частичных интервалов длины и подсчитывается частота – количество элементов выборки попавших в -й интервал (и относительная частота ). • Гистограммой частот называется ступенчатая фигура, состоящая из прямоугольников, основаниями которых служат частичные интервалы длины , а высоты равны отношению ( плотность частоты ). Площадь частичного -го прямоугольника равна -сумме частот элементов, попавших в -й интервал. Площадь гистограммы частот равна объему выборки . • Полигон частот получается при соединении ломаной линией точек , т. е. середин верхних сторон прямоугольников гистограммы. Аналогично определяется гистограмма и полигон относительных частот. В этом случае площадь частичного -го прямоугольника равна -относительной частоте элементов, попавших в -й интервал. Площадь гистограммы относительных частот равна сумме всех относительных частот, т. е. единице. Гистограмма относительных частот (эмпирическая плотность распределения) является статистической аппроксимацией теоретической плотности распределения; эта аппроксимация тем точнее, чем больше объем выборки. X maxminx, x h in n/nwii i h h/ni iiinh/nh i n h/n, /hxii 2 iiiwh/wh i МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  ВЛИЯНИЕ КОЛИЧЕСТВА ИНТЕРВАЛЛОВ ГРУППИРОВАНИЯ НА ГИСТОГРАММУ  МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ 4 2 0 ВЛИЯНИЕ КОЛИЧЕСТВА ИНТЕРВАЛЛОВ ГРУППИРОВАНИЯ НА ГИСТОГРАММУ МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ 4 2 0 2 400. 10. 20. 30. 4 f 2 1 d norm z 0 1( ) f 2 2 zn=

  ВЛИЯНИЕ ОБЪЕМА ВЫБОРКИ (И КОЛИЧЕСТВА ИНТЕРВАЛЛОВ) НА ГИСТОГРАММУ  МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ 4 ВЛИЯНИЕ ОБЪЕМА ВЫБОРКИ (И КОЛИЧЕСТВА ИНТЕРВАЛЛОВ) НА ГИСТОГРАММУ МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ 4 2 0 2 400. 10. 20. 30. 4 f 1 1 d norm z 0 1( ) f 1 2 z 4 2 0 2 400. 10. 20. 30. 4 f 2 1 d norm z 0 1( ) f 2 2 z 4 2 0 2 400. 10. 20. 30. 4 f 3 1 d norm z 0 1( ) f 3 2 zn=1000 4 2 0 2 400. 10. 20. 30. 4 f 1 1 d norm z 0 1( ) f 1 2 z

  ВЛИЯНИЕ ФАКТОРА СЛУЧАЙНОСТИ (ВЫБОРКИ) НА ГИСТОГРАММУ  МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ 4 2 0 ВЛИЯНИЕ ФАКТОРА СЛУЧАЙНОСТИ (ВЫБОРКИ) НА ГИСТОГРАММУ МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ 4 2 0 2 400. 10. 20. 30. 4 f 2 1 d norm z 0 1( ) f 2 2 z n=1000 4 2 0 2 400. 10. 20. 30. 4 f 2 1 d norm z 0 1( ) f 2 2 z

  ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ ВЫБОРКИ Пусть имеется ряд наблюдений (выборка)     . ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ ВЫБОРКИ Пусть имеется ряд наблюдений (выборка) . Числовые характеристики выборки вычисляются по следующим формулам. Показатели положения • эмпирическое ( выборочное ) среднее (несмещенная и состоятельная, а при нормальном законе распределения и эффективная оценка мат. ожидания) • выборочный квантиль уровня — решение уравнения • выборочная медиана – квантиль уровня ½. (состоятельная и несмещенная оценка генерального среднего; оценка не эффективна, ее дисперсия в 1. 5 раз больше дисперсии среднего ). При нечетном объеме выборки медиана – это средний элемент вариационного ряда, при четном – полусумма двух средних элементов. • минимальный и максимальный элементы выборки • мода – элемент выборки с наибольшим числом повторений (если в выборке многие элементы повторяются). nxxx, , , 21 n i ix nx 11 ppx. Fpn px x e. M niminx, , x, xminx 21 nimaxx, , x, xmaxx 21 o. M МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

 . ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ ВЫБОРКИ Показатели разброса • выборочная дисперсия - состоятельная ( - смещенная, - . ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ ВЫБОРКИ Показатели разброса • выборочная дисперсия — состоятельная ( — смещенная, — несмещенная) оценка генеральной дисперсии • эмпирический стандарт (среднеквадратичное отклонение) • размах выборки (при среднем объеме выборки ( ) справедливо приближенное соотношение ) • выборочный коэффициент вариации (относительное рассеивание случайной величины) С помощью удобно сравнивать различные случайные величины (выборки); коэффициент вариации показывает насколько велико рассеивание по сравнению со средним значением случайной величины. n i ixx n S 1 221 n i ixx n S n n s 1 222 1 1 1 2 S 2 s n i ixx n s 1 2 1 1 minmaxxx. R 10010 n s. R 4 x s v v МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

 . ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ ВЫБОРКИ  • Эмпирические моменты (начальные и центральные)  • выборочная асимметрия . ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ ВЫБОРКИ • Эмпирические моменты (начальные и центральные) • выборочная асимметрия (состоятельная, смещенная оценка) • выборочный эксцесс (состоятельная, смещенная оценка) • Несмещенные оценки коэффициентов асимметрии и эксцесса вычисляются по формулам: n i k ik x n 11 n i k ik xx n 11 n i ixx nss A 1 3 33 3 1 1 n i i xx n 1 3 3 1 1 3 1 4 44 4 n i iixx nss E n i i xx n 1 4 4 1 33 21 snn n. M A 4 2 24 321 131 snnn Mn. Mnn E n i k ikxx. M 1 432, , k МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  МЕТОДЫ ПОЛУЧЕНИЯ ТОЧЕЧНЫХ ОЦЕНОК • Метод моментов.  Согласно данному методу для  получения МЕТОДЫ ПОЛУЧЕНИЯ ТОЧЕЧНЫХ ОЦЕНОК • Метод моментов. Согласно данному методу для получения оценок неизвестных параметров следует приравнять теоретические моменты соответствующим эмпирическим моментам того же порядка. Приравнивая первые начальные моменты и вторые центральные моменты , получим оценки математического ожидания и дисперсии: • Метод наибольшего правдоподобия. Пусть задана выборка объема из генеральной совокупности, плотность распределения которой зависит от неизвестного параметра . Значение этого параметра нужно оценить по выборке. Функцией правдоподобия называется функция параметра , определяемая соотношением В качестве оценки параметра берется значение, при котором функция правдоподобия достигает максимума. Из решения уравнения определяется функция выборки , которая называется наиболее правдоподобной оценкой параметра . Если существует эффективная оценка, она получается методом наибольшего правдоподобия. n i ix nx 1111 22 n i i xx n. S 1 2 2 1 nx, , x, x 21 n , xf, xf; x. x, x. L nn 2121 nnx, , x, x 21 0 L МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  ЛИТЕРАТУРА  ОСНОВНАЯ • 1. Смирнов Н. В. , Дунин-Барковский И. В. Курс теории ЛИТЕРАТУРА ОСНОВНАЯ • 1. Смирнов Н. В. , Дунин-Барковский И. В. Курс теории вероятностей и математической статистики для технических приложений. – М. : Наука, 1965. • 2. Пустыльник Е. И. Статистические методы анализа и обработки наблюдений. – М. : Наука, 1968. • 3. Румшиский Л. З. Математическая обработка результатов эксперимента. – М. : Наука, 1971. • 4. Львовский Е. Н. Статистические методы построения эмпирических формул. – М. : Высшая школа, 1982. • 5. Гутер Р. С. , Овчинский Б. В. Элементы численного анализа и математической обработки результатов опыта. — М. : Наука, 1970. • 6. Амосов А. А. , Дубинский Ю. А. , Копченова Н. В. Вычислительные методы для инженеров. – М. : Высшая школа, 1994. • 7. Плис А. И. , Сливина Н. А. Mathcad 2000. Математический практикум для экономистов и инженеров. – М. : Финансы и статистика, 2000. • 8. Ивановский Р. И. Компьютерные технологии в науке и образовании. Практика применения систем Math. CAD P ro. — М. : Высшая школа , 2003. МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

 . ЛИТЕРАТУРА  ДОПОЛНИТЕЛЬНАЯ • 9.  Браунли К. А. Статистическая теория и методология в . ЛИТЕРАТУРА ДОПОЛНИТЕЛЬНАЯ • 9. Браунли К. А. Статистическая теория и методология в науке и технике. – М. : Наука, 1977. • 10. Щиголев Б. М. Математическая обработка наблюдений. – М. : Наука, 1969. • 11. Вентцель Е. С. Теория вероятностей. – М. : Изд. центр «Академия» , 2005. • 12. Лагутин М. Б. Наглядная математическая статистика. М. : БИНОМ, 2007. • 13. Хан Г. , Шапиро С. Статистические модели в инженерных задачах. – М. : Мир, 1969. • 14. Линник Ю. В. Метод наименьших квадратов и основы теории обработки наблюдений. – М. : Физматгиз, 1962. • 15. Кобзарь А. И. Прикладная математическая статистика. Для инженеров и научных работников. – М. : Физматлит, 2006. • 16. Кибзун А. И. , Горяинова Е. Р. , Наумов А. В. Теория вероятностей и математическая статистика. Базовый курс с примерами и задачами. – М. : Физматлит, 2005. • 17. Крянев А. В. , Лукин Г. В. Математические методы обработки неопределенных данных. – М. : Физматлит, 2006. • 18. Чистяков В. П. Курс теории вероятностей. – М. : Дрофа, 2007. • 19. Дрейпер Н. , Смит Г. Прикладной регрессионный анализ. — М. : Изд. дом «Вильямс» , 2007. • 20. Зайдель А. Н. Ошибки измерений физических величин. – СПб. : Лань, 2005. • 21. Протасов К. В. Статистический анализ экспериментальных данных. – М. Мир, 2005. • 22. Калиткин Н. Н. Численные методы. – М. : Наука, 1978. • 23. Бахвалов Н. С. , Жидков Н. П. , Кобельков Г. М. Численные методы. – М. : Наука, 1987. • 24. Самарский А. А. , Гулин А. В. Численные методы. – М. : Наука, 1989. МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ

  ВОПРОСЫ ДЛЯ САМОПРОВЕРКИ. ?  • Что такое случайная величина. Что необходимо знать о ВОПРОСЫ ДЛЯ САМОПРОВЕРКИ. ? • Что такое случайная величина. Что необходимо знать о случайной величине, чтобы описать ее математически? (минимальный набор числовых характеристик и полное, исчерпывающее описание). • Как связаны между собой понятия функции распределения и плотности распределения (вероятностей) непрерывной случайной величины? • Сформулируйте основные свойства функции распределения случайной величины. • Сформулируйте основные свойства плотности распределения вероятностей случайной величины. • Как вычисляются характеристики центра распределения – математическое ожидание, медиана мода? Как они соотносятся между собой? Проиллюстрируйте ответ графически (схематично). • Сформулируйте основные свойства математического ожидания случайной величины. • Что такое моменты случайной величины? Дайте соответствующие определения. Моменты какого порядка обычно используются в статистических расчетах? • Как определяются математическое ожидание и дисперсия произвольной функции случайного аргумента? • Сформулируйте основные свойства дисперсии случайной величины. • Что такое выборочный статистический метод? Как он соотносится с результатами экспериментальных измерений? • Что такое генеральная совокупность и выборка применительно к результатам измерений? • Как строится эмпирическая функция распределения? Сформулируйте теорему, гарантирующую близость эмпирической и теоретической функций распределения? • Как строится гистограмма и полигон частот (относительных частот)? С какой целью прибегают к построению этих графиков? • Какие методы получения точечных оценок Вы знаете? • Какие числовые характеристики выборки относятся к показателям положения, формы, разброса? • Литература: [ 1 ], [ 2 ], [9] — [18]. МАТЕМАТИЧЕСКИЕ МЕТОДЫ В ИНЖЕНЕРИИ