Вы находитесь на странице: 1из 99

^. в.

ЗАВАДСКИЙ

М Е Т О Д И К А

С Т А Т И С Т И Ч Е С К О Й О Б Р А Б О Т К И

Э К С П Е Р И М Е Н Т А Л Ь Н Ы Х Д А Н Н Ы Х
ШСТЕРСТВО ВЫСШЕГО И СРЕДНЕГО СПЕЦИАЛЬНОГО
ОБРАЗОВАНИЯ СССР

>СКОВСКИЙ АВТОМОБИЛЬНО-ДОРОЖНЫЙ ИНСТИТУТ

Факультет повышения квалификации


п р е п о д а в а т е л е й высишх учебных з а в е д е н и й

Ю. В, ЗАВАДСКИЙ

М Е Т О Д И К А

С Т А Т И С Т И Ч Е С К О Й О Б Р А Б О Т К И

Э К С П Е Р И М Е Н Т А Л Ь Н Ы Х Д А Н Н Ы Х

(курс лекций)

Рекомендовано
Методическим советом общетеоретических кафедр

МОСКВА 19 73
ПРЕДИСЛОВИЕ

Происходящая в настоящее время научно-техническая революция характе­


ризующаяся невиданным ранее уровнем производства с его высокой техниче­
ской оснащенностью и централизацией требует новых оптимальных методов
ллаккрования и управления наукой и всеми отраслями народного хозяйства.
В связи с этим XXIV съезд КПСС поставил перед советским народом о д ­
ну из важнейших задач - задачу коренного улучшения методов планирования
ч управления.
Одним из основных элементов плановой и управленческой деятельности
человеческого общества, на всех ее уровнях, является прогнозирование объ­
ективных тенденций общественного развития, которое включает в себя такие
важные составл51ющие как:
- назгчно-техническое прогнозирование перспектив фундаментальных иссле­
дований, скорость, направление и результаты практического использования
достижений н< уки и техники;
- прогнозирование освоения природных ресурсов и экономичесюгх и соци­
альных последс! ВИЙ такого освоения;
- прогнозирование основных показателей производства, его структуры, ка­
питаловложений;
- прогнозирование развития и использования отдельных механизмов, а г р е ­
гатов, машин и комплексов машин.
Каждое из указанных направлений имеет свои специфические особенности.
Вместе с тем, методы прогнозирования имеют много общего.
Фундаментом прогнозирования служат основные положения прикладной м а ­
тематики, например, теория вероятностей и математическая статистика п о э -
ВОЛ5ПОТ установить закономерности, которым следуют различные явления и
процессы.
Знание закономерностей явлений позволяет, применяя один из методов
прогнозирования, например, метод экстраполяции, метод 'Дельфы', метод опе­
рационных моделей, системный анализ, модели с обратной связью, сетевые
методы, метод статистического моделирования и другие (в обшей сложности
около 3 0 методов), дать прогноз рассматриваемому явлению и на основе
этого заранее ввести необходимые поправки, т.е. оптимизировать течение про­
цесса, что имеет весьма существенное значение при решении различных э к о ­
номических, инженерных и научных проблем.
В настоящем пособии рассматриваются статистические методы обработки
эксперименталь№1Х данных, позволяющие установить закономерности и пара­
метры изучаемых явлений, а также один из методов экстраполяшюнного прог­
нозирования.
Изложение затронутых вопросов носит популярный характер и доступно для
широкого круга читателей.
Для удобства, в конце подобия приведены таблицы наиболее часто встреча­
ющихся вероятностаых законов.
ОБЩИЕ Г.ВЕЛЕНИЯ

В природе все взаимосвязано и взаимообусловлено. Поэтому математиче­


ски можно рассматривать зависимость одной величины от другой, или з а в и ­
симость одной величины от нескольких других.
Различают два вида зависимостей:
Детерминированная - т . е . функциональная, жесткая, математическая, р е г у ­
лярная, неслучайная - когда каждому значению аргу­
мента отвечает одно или несколько значений функции.
Примером функшонапьной зависимости может служить величина свободно
падающего тела, вычисляемая по известной формуле

в этом случае каждому значению аргумента I отвечает определенное


детерминированное значение функции 5 ,
Стохастическая - т.е, вероятностная, недетерминированная, корреляционная,
нежесткая, случайная, нерегул5фная — когда каждому зна­
чению аргумента отвечает закон распределения функции.
Примером стохастической зависимости может служить зависимость диа­
метров валов, изготавливаемых на токарном станке от времени. Действитг-'ль—
пая величина вала будет зависеть от качества материала, состояния рези ^,
вибраши станка, колебаний температуры, квалификации токаря и от других
факторов и в различные моменты времени будет отличаться от размеров з а ­
данных по чертежу.
Стохастическая (корреляционная) зависимость представляет собою ломан­
ную линию. При повторении испытаний возникает новая ломанная линия. С о ­
вокупность всех ломанных линий образует собою корреляционное п^^Iе.
Для того, чтобы можно было сделать заключение о рассматри^емом я в ­
лении, например, определить закон которому оно следует, опытН'Де корреля­
ционное поле обычно осредняют какими-либо линиями или законами.
Выравнивание или осреднение может производиться каким-либо вероятно­
стным законом, например:
- законом равномерной плотности;
- биномиальным законом;
- законом Пуассона;
- показательным законом;
- законом Вейбула;
- нормальным законом;
- гамма-распределением;
- логарифмически нормальным;
— по композиционным законам и другими.
Само выравнивание может производиться:
— методом моментов;
- графическим методом с помощью вероятностной бумаги;
- методом максимального правдоподобия.
В том случае, когда экспериментальные данные не подпадают ни под один
из выше отмеченных вероятностных законов, то выравнивание производится
какой-либо аналитической функцией, например:
- степенной функцией вида у = АХ^- Из алгебраического анализа и з в е ­
стно, что степенная функция может быть преобразована и представлена в ви­
де алгебраического полинома (полиномы Чебышева)

л
Частными случаями алгебраического по.тинома являются:
- парабола нулевого порядка, т.е. прямая линия, параллельная оси а б ­
сцисс;
- парабола первого порядка, т.е. прямая линия с >-гловьпч< коэффициентом;
- соответственно параболы второго и ''олее высоких порял>:ов.
Частными сл^-чаями степенной функции является так называемое бетта-
распределение

в случае, когда р = 1 ц бетта-риспгеделение хорошо описывает


временную продолжительность работ, выполняемых в системах АСУ.
Выравнивание может также производиться показательной функцией

{/= аЬ^+ С

обобщением которой служит так называеьшя функция Крагельского

- логарифмической

- дробно-линейной, т.е, гиперболической вида

аX
Ь+х

- тригонометрической, представляющей собою разложение в ряд Фурье

у= -т^ + Е аяС05 ах+Ьд 51Д ях


2 а=о
и, наконец, так называемыми динамическими рядами, частны^ш видами
которых служит арифметическая и геометрические прогрессии.
Если выравнивание производится с помощью аналитической ф'чикции, то
для определения коэффициентов могут применяться следующие способы:
1) проведением прямой (кривой) линии Ь на глаз;
2) методом наименьших квадратов, т.е, исходя из условия

3) если возможно гра(*1Ическое или аналитическ;» дифференцирование и с -


сл»'дуемоП 4'У»5<шш, то в этом случае выравниваш1е может производиться
разложением в ряд Тейлора

Обычно после разложения функции в ряд Тейлора производится линеари­


зация функции на заданном отрезке.
Заметим также, что основ№1МИ характеристиками парней прямолинейной
корреляционной зависимости служит коэффициент корреляиу.и, вычисляемый по

5
формуле

М[(х-)с)(у-у}]
6{Х) 6(У)

и линии регрессии
М(х/у)=ах + Ь.

Для параболической криволинейной зависимости основными характеристи-


какш являются:
корреляционное отношение

Ьу/х}=

и уравнение регрессии

у^. = а х 2 +Ьх + С.

.Множественная линейная корреляционная зависимость характеризуется


корреляционной матрицей

г^^ .. . . . г^п

^23 Т2Ц. . .
1 • • тзп
• 1

II уравнением регрессии

а=ах + Ьу + св н—

Если требуется вычислить эначерше функции при аргументе, при котором


исследование не проводилось, то в этом случае возникает так называемое
прогнозирова:ш(?, включающее в себя детерминированн>то и стохастическую
составляющие.
Выявленные на основе статистической обработки закономерности, как уже
отмечалось, позволяют составить суждение о надежности процесса и его оп­
тимизировать.
Надежность процесса обусловливается постепенными (накапливающимися,
т.е. износовыми) и внезапными отказами.
Внезапные отказы хорошо описываются экспоненциальным законом, а п о ­
степенные - нормальным, логарифмически нормальным, гамма—распределени­
ем и законом Вейбула.
Ниже рассматриваются методы выравнивания экспериментальных данных
различными законами.

6
§ 1 . ВЫРАВНИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ
НОРМАЛЬНЫМ ЗАКОНОМ

Нормальный закон находит весьма широкое применение на практике. Плот—


ность вероятности нормального закона записывается так

где: Л - математическое ожидание случайной величины.


(5(х} - среднее квадратическое отклонение.
Покажем на примере порядок выравнивания экспериментальных данных
нормальным законом.
Пример 1 . Исследуется закон постепенных износовых отказов автомобиль­
ных покрышек заданной марки. Покрышка считается непригодной для даль­
нейшего употребления, если 50% рисунка протектора изношена. Согласно т е х ­
ническим условиям для изделий заданного образца установлен номинал длины
пробега = 6 0 тыс, км. Статистическими наблюдениями было зафиксиро­
вано 4 0 0 результатов. Результаты испытаний были сгруппированы в & р а з ­
рядов (см, табл. 1 ) , Требуется произвести выравнивание экспериментальных
данных нормальным законом, найти наработку на отказ, построить кривую
надежности работы изделия и найти доверительный интервал разброса средне­
го результата (центра рассеивания) при доверительной вероятности Рд~ 85 %.
Выравнивание произвести методом моментов и применяя логарифмическую
бук'агу. Построить также полосу надежности работы изделия, отвечающей з а ­
данной доверительной вероятности.

Решение
1. Строим гистограмму распределения опытных частостей. Значения час—
тестей получаем делением частот на объем выборки. Для рассматриваемого
примера получаем:

Для построения гистограммы должно выполняться условие

Для нашего примера = Л, поэтому высоты прямоугольников гисто­


граммы составл5Пот

Полученные значения /У ^,• '^''^/г заносим в строку 7 табл. 1, На


основе этого строим гистограмму распределения опытных частостей. Для э т о ­
го по оси абсцисс откладываем середины разрядов, а по оси ординат - о т в е ­
чающие им опытные частости (см. р и с , 1 ) .
2. Вычисляем статистическое математическое ожидание отклонения длины
пробега изделия от номинала

1-1
7
1-4
Таблица 1 . Статистическая обработка экспериментальных данных -
длины пробега автомобильных покрышек до их выхода из строя -
нормальным законом

1 Номе/) разряда N < г 3 5 7 8


1 Границы разрядов ос,-/. -16 -11 -8 -4 0 4 8 12
-12 -8 -4 0 4 8 12 16
3 Середины разрядоб ^1 СР -14 -10 -6 -2 2 6 10 14
Опытные частоты
4 9 42 32 120 31 38 6 2
попадания б разряды

Опытные частости
5 попадания 5разряды 0М23 0,1050,23 0,20 0,116 0,035 0,015 0,005
N
Накопленные частос­ к
6 ти попадания 6 0М23 0,1250,555 0,655 0,881 0,376 0,391 0,396
разряды
7 Высоты прямоугольни- 0,057 0,076 0,057 0,01к 0,038 0,001
0,00560,0251
коЬ гистограммы
8 Иентриробанные -11 -8 -4 0 4 8 12 16
отклонения
Иентриробанные и
9 нормиробанные 2,07 1,33 о,бд 0 0,69 1,38 2,07 2,76
отклонения ' <^(Х)
10 Плотности бероят- 0,01*70,15^ 0,314 0,338 0,314 0,151+
Д047 0,008
ностей. \ ё1х) 1
Теоретические
11 бероятности
попадания 6 разряды 0,0^ 0,1050,216 0,274 0,216 0,105 0,0Ш 0,006

Теоретические
12 частоты попадания 16 42 87 110 87 42 16 1
6 разряды
Нбадраты откло­
13 нений опытных 3 0 0,29 0,9 0,185 0,66 5
частот от теоре­ 0,2
тических
Теоретическая 1 ля п рабог0 пре11ела разря да
14 интегральная
функция (Вероятное -
та отказа изделия) 0,1580,ЗВ1 0,636 0,8'*1 0,Э550,331 0,393

Вероятности
15 исправной работы Рц1х} = 1-Р(х) Х35В 0,М 0,638 0,361*0,159 0,0'*50,003 10001
(
изделия

Примечание. Расчет строк 14 и 15 дан в табл. 2


- г г 6 10 14 X
Рис.1. Опытная гистограмма распределения частостей ^1
выхода из строя автомобильных покрышек (1) и выравниваю­
щая ее теоретическая кривая закона Гаусса (2);Х - с е ­
редины разрядов

Учитывая, что номинал равен 60 тыс, км, а вычисленное статист)1Ч( С)ос


математическое ожидание равно - 2 тыс, км нетрудно сделать заключение,
что наработка на отказ составляет
X = 60 - 2 = 58 тыс, км,
н.о.
Это значит, что центр опытного распределения смещен влево на 2 тыс.км.
3. Вычисляем статистическую дисперсию

*{-6^2]^0ЛЗ^(-2*2)Ч^0^ -^('>^^2) ^ 0,005=23.

4. Находим исправленное среднее квадратическое отклонение

п.

Таким образом, применяя метод моментов экспериментальное распределе­


ние будем выравнивать нормальным законом следующего вида

1 -Гх-х)^ 1 -1x^2)^

5. Вычисляем вероятности попадания случайной величины в разряды. Для


этого можно воспользоваться точной формулой с использовашюм функшш Лап­
ласов л Г /а - \ -
или с помощью интегральной функции

Однако, более быстрым является приближенный способ, при котором площа­


ди трапеций заменяются равновеликими площадями прямоутюльников. При этом
вероятность попадания в полосу численно равна произведению плотности в е ­
роятности на шаг интегрирования, т.е.

ё(Х)

Применим для рассматриваемой задачи приближенный способ (см.табл. 1,


строки 8 - 1 1 ) ,
6. Вычисляем теоретические частоты попадания случайной величины в
разряды и квадраты отклонений (строки 1 2 - 1 3 ) ,
Суммируя данные строки 13, получаем:

7, На основании полученного значения -10,^3 и числа степеней


свободы г -К~3 -8~3~5 входим в таблицу Шфсона (см, табл, 5, прило­
жения) и находим

Р():^;г)=Р(Щ'гЗ;5)=о,075Н01.

Это значит, что гипотеза о принадлежности опытных данных к нормально­


му закону при уровне значимости СС - 0 , 0 1 , проверенная по критерию с о ­
гласия Пирсона оправдывается.
8. Производим проверку принятой гипотезы с помои ью критерия Р о м а ­
новского, согласно которому должно выполняться неравенство

X-Г
- ^ - ^ < з .

Для рассматриваемого при1\<ера имеем:

Следовательно, и по этому критерию гипотеза оправдывается.


9. Правдоподобность принятой гипотезы может также быть проверена с
помощью критерия согласия А,Н.Колмогорова,
В качестве меры расхождения берется максимальное значение модуля
разности между статистической интегральной функцией, и соответствующей
теоретической интегральной функцией

д=тах Г^(х)-Т{х) .

10
Затем вычисляется величина Л = В к с помощью спеи;!альной таблицы
[ 1 ] находят вероятность Р(/1)', при этом, если вероятность Р(Л) мала,
то гипотеза отвергается.
Для рассматриваемого примера имеем (см, рис.4).

^тах'^^'Ч^в-0,125 = 0,033; п^Ш

Поэтому Отпак^0,033-/Ш =0,66; Р(0,66)^0,8. Следовательно и


по критерию согласия Колмогорова гипотеза оправдывается.
10. Выравнивание экспериментальных данных распределенных по нормаль­
ному закону с помощью вероятностной бумаги.
Если имеется в наличии, так называемая, вероятностная бумага специаль­
но рассчитанная для закона Гаусса, у которой по оси абсцисс отложена рав­
номерная щкала, а по оси ординат логарифмическая шкала, то проверка при­
надлежности экспериментальных данных к закону Гаусса может производить­
ся значительно быстрее. Покажек; это на рассмотренном примере.
Нанесем точки, отвечающие опытному распределению, на вероятностн>то
бумагу (см. рис, 2 ) . По оси абсцисс отложим правые границы рй.-рялов, а
по оси ординат, отвечающие т.^ накопленные кумулятивные частосту; (строка
6 табл. 1 ) ,
Рассматривая рис, 2, видим, что точки экспериментального распределения
располагаются по прямой линии. Это является показателем правдоподобности
принятой гипотезы. Следовательно, вычислять критерии ^( ^ Пирсона, крите­
рий Романовского или критерий Колмогорова нет неоГхоплмост);,
Параметры нормального распределения могут приближенно определяться
с помощью вероятностной б\т\лаги. Математическое ожидание равно абсшюск,
отвечающей накопленной частости, равной 0,50. Для рассматриваемого п,'И-
мера это составляет Х=—2-
Среднее квадратическое отклонение ^1^) равно разности абсцисс точек
с накопленньп^1и частостями 0,50 и 0 , 1 5 9 . Для рассматриваемого примера
это будет ^
6(к)--2-И,8) = ^5,8
Как видим, полученные результаты совпадают с результатами полученны­
ми с помощью аналитических формул.
1 1 . Вычисл]гг.1 доверительный интервал разброса среднего результата
М^(Х) (в дальнейшем средний результат будем называть центром рассеива­
ния) при доверительной вероятности
Как известно, среднее квадратическое отклонение разброса опытного
среднего результата М* (^) относительно его истинного значения равно

Поэтому полуинтервал разброса центра рассеивания определяется по фор­


муле
(§=б^ ' агдФ(Рд) • агд Ф(Рд).

Для рассматриваемого примера величина полуинтервала разброса центра р а с ­


сеивания составляет:

•ГСО- "
I
0,995 11 1 1 \ 1
Порядок работы; ! 0,99\
0,990 1 . По оси абсцисс наносят правые \ ^
границы разрядов
2. По оси ординат наносят отвеча-- X
0,980
юшие этим точкам накопленные 1 0,916 ^ ' \
(кумулятивные) частости 1 /
0,960 / 1
3. ]Математическое ожидание отве—
чает точке накопленных ч а с т о ­
0,920 стей, равной 0,5
0,900 4. Среднее квадратическое откло- г^р^ у
нение равно
равно разности
разности накоплен--^^^Р^—т\—
0,84 ных частостей 0,50 и 0,15'&
7^
Т
0,150 7 ^

0,655
0,65
7"

0,500 А
\ 1 / 1
0,400 ... 1 1
\ 0,355 У

*сГ 0,300 / \ 1
/ 1
1 0,200 у—
/- 1 ——\ • ^ • •
0,160 / 1 1 1 1I
0,115 1 ; 1, 1 1 1
/ 1 1
^ 0,100 / 1 1
/ 1 1
I 0,060
/' ( 1
I 0,040 / 1\
г •
// 1 1
I 0,020 и 1!
1 1
1
- 0,010 1

0,005 1
1
0,002 11
1 и .е.» .
-12 -8 -4 О 4 8 Хер 12
Р*ис, 2. Проверка гипотезы о принадлежности экспериментальных
данных к закону Гаусса с помощью вероятностной бумаги

12
Значение 1^^^ Ф1Рд-в5%) - 1,46 определяется обратной интерполяш1ей
по таблице функций Лапласса (см. табл. 2 приложения).
Следовательно, доверительный интервал разброса среднего результата
(центра рассеивания) составляет

или

или 55<М(Х}<61.
Это значит, что с вероятностью, равной ---- «5% можно утверждать,
что изделие (покрышка) в среднем пройдет не меньше, чем 55 тыс, км и
не больше чем 6 1 тыс. км.
Очевидно, что при другом значении доверительной вероятности доверитель­
ный интервал будет иметь другое значение.
Графически разброс случайной величины X - длины пробега изделия до
его выхода из строя со срединным отклонением б(К)~5,8,1ПЫС.ИМ. -
представлен кривой 1 на рис. 3, а разброс среднего результата выхода и з ­
делия из строя со сред, квадр. отклонением
б(х) 5,8 .
бр^^^Л^'"-^^ ~~^~С.ШЫС.1<М представлен кривой 2 на рис, 3.

д^-6тыс.т

Рис. 3. Доверительный интервал разброса сред­


него результата исправного состояния изделия

1 2 . Определяем вероятности того, что изделие откажет. Для этого вы-


числяе'м интегральную функцию отказа изделия. Указанная операция может
быть выполнена двумя способами:
- либо суммированием вероятностей попадания в разряды, т.е. суммиро­
ванием данных строки 1 1 табл. 1

1=1
13
- либо с помощью табличной интегральной функции (см. табл. 3 прило­
жения)

Расчет вероятности отказа изделия с помощью табличной интегральной


функции удобно вести в таблице (см. табл. 2 ) .

Таблица 2. Расчет интегральной функции отказа изделия при


А / * С х ; = _ 2 тыс. км

1 Номер разряда Н 1 2 3 5 6 7 8
Прабый предел
2 -п -8 -4 0 4 8 У2 16
разряда Р1
Центриробанное
3 и нор миро банное -1,12 -1,0 -0,35 0,35 %о 1,1 2.4 3,1
отклонение
Значение интег­
ральной функции
0,044 0,158 0,361 0,636 0,841 0,955 0,991 0,999
тероятностпь от­
каза изделия/
Надежность ра­
5 боты изделия 0,956 0,842 0,638 0,364 0,159 0,045 0,009 0

Вычисленные вероятности отказа изделия наносим на график (см.рис,4).


13. Определяем вероятности безотказной работы изделия по формуле

?^=1-Ьг1-т}к

Полученная кривая Р(х)= 1~Г(х) и представляет собою кривую на­


дежности работы изделия.
14. Заметим, что найденная кривая исправной работы изделия отвечает
среднему значению статистического математического ожидания, равному
М^(х) - 58 ШЬ/С.АМ. в действительности всегда имеет место разброс с т а ­
тистического математического ожидания относительно его истинного з н а ч е ­
ния. В рассматриваемом примере указанный разброс характеризуется средин­
ным отклонением среднего результата, равным

^м*М~ V^ ~ ~ 2 тыс.ш.

Очевидно, что рассеивание М^(х} обусловливает разброс кривой надеж­


ной работы изделия. Это значит, что вместо одной кривой надежности имеет
место полоса характеризующая надежность работы изделия. При различных
значениях доверительной вероятности указанная полоса имеет различную ши­
рину. Для рассматриваемого примера, когда = 85'/о разброс статисти­
ческого математического ожидания составляет

' ЩФ(Р^=85%)=2-т=Зтыс.нм.

14
дальнего предела М^[к)--2-^3 = 1 ТПЫС. КМ.

/7.77/Г
I
-0,955— 0.881
\р,81-И 1
—*5. 1
ч 1
-\ 1655^
N 1
0,636^ —V ,о ^0,63 6 1
Л
\
0,4 \
0.362^ V/ V \кО.ЗЬ1
0.3 \
\351
У чч Л )
0.1 0,158 \ , -^,15В
—__
0.1 -0,0 44 - 1
^
^ — -4
-12 -8 -4 \ 0 +4 +8 +12 -
ям

Рнс.4. графики вероятностей отказа изделия (кривая 1), ве­


роятностей исправной работы изде/шя (кривая 2 надежности),
накопленных кутч1улятиви1.1х частостей (кривая Л - по данном
строки 6 табл. 1 ) : - правые границы ралрядо!,; -
отвечающие им значения интегральных функ1тй

Вычисления границ полосы производятся по табл. .4 и 1.

Таблица .'). Расчет интегральной функции т клза изделия при


М^(х)= -5 тыс. км.

Номер разряда N 1 2 3 4 5 б 7 8
Прабый. предел
-м -8 -4 0 4 8 12 16
разряда
Ц ей три ро5а нное
и нормироЗанное 1- -1,2 -0,52 0,17 0,87 1,55 2,2 2,5 3,5
отнлонение
Значение интег­
ральной функции 0,11 0,31 0,56 а 8 1 0,34 0,38 0,95 0,дЭ9
бероятности
отказа изделия
Вероятности
испраЗмой работы 0,89 0,69 0,44 0,19 0,06 0,02 0,001 0,0001
изделия

1Г,
Произведем теперь подобный расчет для ближнего предела полосы на­
дежности.

Таблица 4. Расчет интегральной функции отказа изделия при М ^{к)--^1

Номер разряда N 1 2 3 4- 5 6 7 8
Прадый предел
разряда -12 -8 -ч 0 8 12 16

Центриробанное
и нормированное -1,3 -1.2 -0,52 0,17 0,87 1,55 2,2 2,9
отнлонение
Значение интег­
ральной функции
0,003 0,11 0,31 0,57 0,81 0,94 0,38 0,39
бероятности
отказа изделия
Вероятности
аспрадной работы 0,337 0,83 0,69 0,45 0,13 0,06 0,02 0,001
изделия

На основании данных табл. 3 и 4 строим график полосы исправной рабо­


ты изделия (см. рис, 5 ) .

- Рк

-12 -8 -4 -2 0 4 8 12 ^^З^

Р^с. 5. Полоса исправной работы изделия, отвечающая дове­


рительной вероятности = 85%: 1 - вероятность отказа
изделия; 2 - полоса вероятностей исправной работы изделия

Следовательно, кривая надежности изделия (рис, 4), отвечающая средней на­


работке изделия на отказ М ^(к) = 58 тЫС. КМ, является детерминированной,
составляющей прогнозирования рассматриваемого явления. Разброс статисти­
ческого среднего результата М*(х) и обуславливаемый этим разброс кри­
вой надежности может рассматриваться в качестве стохастической составля­
ющей.
Таким образом задача решена. Найдены основные характеристики надеж­
ности работы изделия: наработка на отказ равная для нашего примера
М 1к)= 58 тыс. км , кривая надежности, доверительный интервал и полоса
надежности.

16
^^-^^ ^ ™ ^ Н Ь 1 X распределенной ПО нормально­
му закону, в соответствии с центральной предельной теоремой Лапунова.
п р и м е н и предельный переход поступают следующим образом:
1) Берут сумму нескольких случайных чисел распределенной по закону
равномерной плотности. Для рассмотренного выше примера возьмем шесть
чисел из строки 8 табл. 14. Сумма указанных чисел составляет

2) Центрируют полученное число, для чего из него вычитают математи­


ческое ожидание суммы шести взятых чисел

Л "= X '-М1(у) =2,79-$-^^ '0^1;

3) Нормируют полученное число, для чего делят его на среднее квадра­


тическое отклонение суммы взятых шести случайных чисел

х'" = л" : е[1(у)у-0,21: =

4) От полученной величины х"' переходят к искомой случайной величи­


не Л с математическим ожиданием ~? и средним квадратетеским
отклонением равным б(х) — 5,8 ^

X = х"'-6{х)+х = ' 0,15'5,В'2^'2,75 ть/скм.

Применяя указанный порядок можно промоделировать любое число случайных


чисел , X расзфеделенных по нормальному закону с параметрами Х~ - 2
^ 0(Х}-5,8 > у с л о в и й , рассмотренной выше задачи.
Примечание. Более подробные сведения о порядке моделирования случай­
ной величины распределенной по ворп^альвому закону см. Сб^ стр. 2 9 ] ,

§ 2, ВЫРАВНИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ


ЗАКОНОМ ПУАССОНА

Зшон Пуассова шировсо применяется для количественной характеристики


целого ряда явлений. Например, поток автомобилей прибывающих на станцию
обслуживания, поток пассажиров вход5шшх в метро, поток покупателей, поток
вызовов абонентов на АТС, поток вызовов скорой помощи и другие явления
хорошо описывахттся законом Пуассона.
Вероятность появления числа событий Х - 0 , 1 , 2 , 3 , . в законе Пуаосова
определяется по формуле

Л/ х/
где X — число событий, появляющихся за данный отрезок времени;
X =1.2, 3,4, ... и т,д.;
"Ь - отрезок времени;
X - плотность или интенсивность, т.е. оредвее число событий появ-
Л51ЮШИХОЯ В единицу времени;
а. ^ А.^. ^ математическое ожидание числа событий, появляющихся эа дан­
ный отрезок времени, ^ >-у | . / л
•ОХ и I ь
2-1
Рассмотрим на примере порядок выравнивания экспериментальных да»»
ных законом Пуассона,
Пример 2. Исследуется закон распределения машин прибывающих на станшпо
обслуживания в промежуток времени в . 0 0 - 9 . 0 0 . Всего было зафиксировано
3 0 0 наблюдений. Результаты наблюдений Сх руппированы в 9 разрядов (см,
табл. 5 ) ,

Таблица 5, Статистическая обработка экспериментальных данных -


числа машин прибывающих на станцию обслуживания — законом Пуассона

Разряды Опытные Опытные Теор)етичес- Теоретиче­


(число прибыва­ частоты частости кие вероят­ ские ч а с ­
ющих машин) попадания попадания ности тоты
в разряды в разряды
ч ''1

0 10 0,0333 0,055 16,5


1 46 0,153 0,16 48
2 72 0,24 0,232 70
3 78 0,26 0,224 67
4 53 0,177 0,160 48
5 25 0,0855 0,095 28
6 10 0,0331 0,046 14
7 4 0,0134 0,0195 6
8 2 0,0067 0,0077 2

300 1,0 1,0 300

Требуется выровнять экспериментальные данные законом Пуассона, про­


верить правдоподобность принятой гипотезы и найти доверительный интервал
1эаэброса статистического математического ожидания при доверительной в е ­
роятности равной р = ^5"% .

Решение
1 . Строим полигон распределения опытных частостей попадания случайной
величины — числа прибывающих машин в каждый из разрядов. Значения ч а с ­
тостей получаем делением опытных частот на объем выборки. Для рассмат^
риваемого примера получаем (см. табл; 5 )

На основании полученных данных строим полигон (см, рис,6).


2. Вычисляем статистическое математическое ожидание

18
0,260
0,240
0,220
0.9200
0,180
0,160
0,140
0,120
0,100
0,080
0,060
0,040
0,020

0 1 2 3 4 5 6 1 8 )^
Ряс, 6. Полигон распределения опытных частостей (кривая 1) -
числа машин прибывающих на станцию обслуживания в проме­
жуток вр>емени 8 . 0 0 - 9,00 утра - и выравнивающая ее теоре­
тическая кривая закона Пуассона (кривая 2)

3, Вычисляем статистическую дисперсию

=1 ^г-М/;)Ур]'-\0-2,884у-0,0333+М,8в4)^-0.153-^'-=2,5В.

4, Находим исправленную (несмещенную) дисперсию

В(х) = —-Л^х) = /- '2,58 = 2,9.


П-1 У-1
При этом исхфавленное среднее квадратическое отклонение равно

6()(}=ЩГ}= /19=1,1
и среднее квадратическое отклонение среднего результата составляет

_б(х)_1,1 _
*(хг -0,566-

5, Проич-чводим предварительную проверку гипотезы о принадлежности


экспериментальных данных к закону Пуассона.
Как известно, для закона Пуассона дисперсия должна быть равна матема­
тическому ожиданию. Для рассматриваемого примера имеем
2,9 - 2,884.
Это является показателем того, что опытный закон следует выравнивать за­
коном Пуассона.
Для окончательного суждения о правдоподобности принятой гипотезы про­
верка должна быть произведена с помощью критерия согласия Пирсона
и критерия Романовского.
6, Вычисляем значения вероятностей Р(х,а.) закона Пуассона при м а т е -
матггческом ожидании,равном д =2,9^.
19
2-2
Для этого пользуемся таблицей (см. табл. 4 приложения)

Р{ХЛ) = ^7^''^^ ^(0' ^ ^ 055;


|2
т ^ ; = 7 Г ^ " • Ч ^ о ; Р а л ) ~ е'''-олзг\

Полученные значения вероятностей заносим в колонку 4 табл. 5,


На основе полученных значений вероятностей строим вьфавнивающую кри­
вую (см. рис. 6 ) .
7, Проверяем правдоподобность принятой гипотезы с помощью критерия
согласия "Х^ Пирсона, Для этого вычисляем теоретические частоты попа­
дания случайной величины в заданные разряды по формуле

7711=?^ А/; т^-0,055-300'16,5;

тг~0,15'300=48; т3=0,231-300 = 10 ит.д.

Полученные значения теоретических частот заносим в пятую колонку


табл. 5.
Суммируя данные колонки 5, получаем

у-2 ^ 1Ш1-Шг)\ 110-16,5)446-48)'-, ^2'2)1^^

Входим в таблицу вероятностей для закона Пирсона при ^С^-8,3 и при


числе степеней свободы Г -К-8 = 9~3=6

Р():';г)=Р(8,з;б)=о,25>о,1.

Это значит, что при уровне значимости = 0,1 гипотеза о принадлеж­


ности экспериментальных данных к закону Пуассона оправдывается.
Правдоподобность принятой гипотезы может быть проверена с помощью
критерия Романовского

Х^-г 83-6
^ ^ ^ = ^ 1 ^ = 0 , 6 6 < 3 .
"Пг \П7б

Следовательно, и по этому критерию гипотеза оправдывается.


3. Вычисляем доверительш=1й интервал разброса среднего результата от­
носительно истинного математического ожидания при доверительной вероят^
ности = 90%.
При рещении этой задачи могут применяться два способа: перагй - об­
работкой интерполяцией по таблице функций Лапласса; второй - с использо­
ванием понятий квантилей.
Применяя первый способ, величина полуинтервала разброса среднего р е ­
зультата равна

^" '^^^^(^3^00%) = ^1- • 1,64=0,57-^64=0,94.

20
Следовательно, доверительный интервал равен

или

2,884-0,94 < М(х) < 2,884^0,94,


или

1,9 <М(х}<3,82

Применяя второй способ по табл. 12, получаем

и следовательно

(^'•^•1.64 = 0,51-1,64=0,94.

т.е. получили тот же результат.


Это значит, что с вероятностью равной 90% можно утверждать, что чис­
ло прибывающих машин будет не меньше чем 1,7 и не больше чем 4 маши­
ны. Величина доверительного интервала представлена на рис. 7.

Р и с , 7 . Доверительный интервал разброса среднего резуль­


тата числа машин прибывающих на станпию обслуживания

На кривой 1 - разброс случайной величины Х - по закону Пуассона со сред.


квадр. ошибкой б(х} = 1,'^')^^в^ кривой 2 дан разброс среднего результата (^*{х)
по закону Гаусса со сред, квадр. ошибкой 6^»,*^^^= б(х]/'/К-0,565,

Заметим, что если число машин, прибывающих на станшпо обслуживания


распределено по закону Пуассона, то распределение времени между двумя
прибывающими машинами следует показательному закону с параметром, рав—
ньп^1 величине обратной математическому ожиданию.
21
2-3
Действительно, для показательного закона вероятность того, что событие
произойдет, равна

Р(1,а) = РЦ) =///^^"^^^^ = /-ё^^^.

Вероятность противоположного события, т.е. вероятность того, что собы­


тие не произойдёт , равна

РГо,а; = '^-[^-е-^*] = е->*^ (Л)


Если закон Пуассона описывает простейший поток событий во ^емени,
то в этом случае вероятность появления заданного числа событий за данный
отрезок времени выражается формулой (1)

Нетрудно видеть, что вероятность того, что событие не произойдет для


закона Пуассона и участок окажется пустьпл, равна

Р1ол) = ~г-е-^*=е-^^ . (в)

Сравнивая выражения 'А' и 'В' заключаем, что длины промежутков вре­


мени между двумя соседними событиями в законе Пуассона распределены по
показательному закону с параметром Я -
Для рассмотренного примера получаем

Л= —= -——^ 0,35часа .
М*{х} 2уЬ84
Это значит, что каждые 0,35 часа на станшпо обслуживания, в среднем,
будет прибывать одна машина.
В реальной действительности, время между двумя прибывающими маши­
нами всегда будет отклоняться от этого среднего значения.
Прщугечание. Если поток заявок на обслуживание следует закону Пуассона,
а время их обслуживания следует показательному закону, то в этом случае
процесс обслуживания является марковским.
Для моделирования случайной величины распределенной по закону Пуассо­
на при больших значениях а закон Пуассона обьгано аппроксимируют нор­
мальным законом. Действительно, применяя формулу Стирлинга, можно напи­
сать

а' - а^2-°-

X - о.
Логарифмируя указанное выражение и обозначив у ~ получаем:
^ Яа.

X.'

22
или потешшруя

X.' чап^ "ИяШ

Следовательно при больших й. распределение Пуассона можно аппрок­


симировать нормальньлл распределением с параметрами

Порядок моделирования случайных чисел распределенных по нормальному


закону был показан выше (см. стр. 1 7 ) .

§ 3. ВЫРАВНИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ


ПОКАЗАТЕЛЬНЫМ ЗАКОНОМ
(случай усеченного распределения)

Показательный закон широко применяется для количественной характери­


стики целого ряда явлений. Например, время обслуживания автомобилей на
авторемонтной станции, время обслуживания граждан на почте, время налад­
ки оборудования иа заводе, время разговоров по телефону, время внезапных
отказов изделий и другие явления хорошо описываются показательным зако­
ном.
Плотность вероятности показательного закона выражается зависимостью

где ^и, — интенсивность, или плотность событий в единицу времени, т.е.


среднее число событий в единицу В1эемени.
Рассмотрим на примере порядок вьфавнивания экспериментальных данных
показательным законом.
Пример 3. Исследуется закон распределения времени расходуемого в так­
сомоторном парке для замены двигателя у автомашин заданной марки. Всего
было зафиксировано 4 0 0 наблюдений длительности замены двигателя в часах.
Результаты наблюдений сгрупшфованы в восемь разрядов (см. т а б л . 6 ) .
Таблица 6. Статистическая обработка экспериментальных данных - вре­
мени расходуемого в таксомоторном парке для замены двигателя автома­
шины — показательнъп\^ законом
Грани иь: Опытные Опытные Вероятн. Исправлен­ Теоретич.
разрядов частоты частости усеч. ные вероят^ частоты
разря­ в часах распред. ности
да р.
^1 Р1 усеч. 7711
^1 испр.
1 0,5-1.5 128 0.32 0,233 0.30 121
2 1,5-2,5 70 0.176 0,170 0,22 89
3 2,5-3,5 72 0,180 0,116 0,15 60
4 3,5-4,5 35 0,088 0,086 0,112 45
5 4,5-5,5 42 0,105 0,064 0.084 33
6 5,5-6,5 20 0,05 0,05 0,065 26
7 6,5-7,5 27 0,068 0,О44 0,047 21
8 7,5-8,5 6 0,015 0,024 0,03 12

23
2-4
Требуется вьфовнять экспериментальные данные покаэательньп^ законом,
проверить правдоподобность прищпхэй гипотезы и найти доверительный интер->
ваг отвечающий доверительной вероятности = 95%,

Рещение
1 , Определяем опытные частости, для чего опытные частоты делим на
объем выборки

^ /77* 128 - 7(7 «72

2, Строим гистограмму распределения опытных частостей.


Учитывая при этом, что высоты прямоугольников гистограммы
равны опытным частостям (см, р и с , 8 ) .

Р*ис, 8. Гистограмма расгфеделения опытных частостей (1)


замены двигателя на станции обслуживания и выравнивающая
ее теоретическая кривая показательного закона (2)

3. Вычисляем статистическое математическое ожидание

М*а)=1 ир 1 = 1 •0,32'^ 2- 0,176 ^З-ают-^в-0,015=2,985 часа.

4, Охределяем параметр показательного закона - интенсивность, как ве­


личину обратную математическому ожиданию

5, Вычисляем статистическую дисперсию

12 ^ 2
1?7^;= 2 1\н- [М'*а)у1-0,32*2''0,176 + —^ 8'-0,015-(2,985)Щ742

24
6, Находим исправленную (несмещенную) дисперсию

т'\'13''(1)-^'3,742^4,3.

При этом исправленное среднее квадратическое отклонение равно

1,Ц)-'Ш)-^3'1,1

и среднее квадратическое отклонение среднего результата равно

. Ш 2,1 —^

Прюизводим предварительную проверку принадлежности опытных данных к


показательному закону.
Как известно, для показательного закона дисперсия должна быть равна
квадрату математического ожидания. Для рассматриваемого примера имеем

3 -г ' К О ^ С ? . -
Следовательно, экспериментальное распределение отличаетбя от показательг-
ного закона. Для окончательного суждения о возможности выравнивания э к с ­
периментальных данных показательным законом должна быть произведена
проверка с помощью критерия согласия Пирсона и критерия Романов­
ского.
7. Вычисляем теоретические вероятности попадания случайной величины
в заданные разряды ( при /1 = 0,33').
При вычислении вероятностей попадания в разряды могут примен5пъся два
способа.
Точный, по формуле

где сС^ и Р1 соответственно ближний и дальний пределы разряда.


Приближенный, по формуле

Воспользуемся точньпи способом.


Для рассматриваемого примера получаем:

Р^{0,5<1<^5)'е-о>^^<^^-е-0'^^'^'5-0,852-0,619=0,233у

Р1{1,5<1<2,5)= е-<^^зч5- 0,613-0,449^0,170',


Рз115<Ь<Зу5)= е-°'^3'2'5- е-0'^^-^^ = 0,449-0,333 = 0у116;

Р^13,5^Ь<\5)=е-°>^^^^- е-«^зз-цуУ =0,333 "Я2^7= 0,086;

Р^1к,5<Ь<5,5)=е-о,^^ '*г5- е-азз-5,5 .о^2^7-0,183^0,06^;

25
Р е ( 5 , 5 < * < Б , 5 ) = е-0'Зз-5,5_е-азз-<?,5 =С1,Ш-0,135^0,048;

Р^^6,5<^<7,5)=е-0'^=•^5-е-о,зз•^,5 =0^135-0,091=0,041*;

Р^{%5<Ь<8,5)=е-о,^^ '^'^-е'0'3^1^'^ = 0,091- 0,067 = 0,024.

Итого Г Р1= 0,771

Полученные значения вероятностей заносим в петую колонку табл. 6.


Так как сумма вероятностей не равна единице, то следовательно, имеет
место, так называемое усеченное распределение. Коэффициент усечения опре­
деляется по формуле

с= ^

Для рассматриваемого примера имеем


Р{Ь) = е-Д& = - е - 0,33-3,5 =1-о,07и = 0,926;

Р(а) = 1'е-'^°-=1-е-0'330,^=1-0,845= 0,Ш

и, следовательно, коэффициент усечения равен

Р(Ь}-Р1а} 0,926 - 0,155 0,771 ' '


8, Получив значение коэффициента усечения вычисляем исправленные тео­
ретические вероятности попадания случайной величины в разрвды. Для этого,
вероятности колонки пятой умножаем на коэффициент усечения, равный 1,3
и полученные цифры заносим в колонку шестую табл, 6,
9, Вычисляем теоретические частоты попадания случайной величины в
разряды по формуле

т1 = р1СЫ.

Для рассматриваемого примера получаем:

= Р^-0-Ы = 0,223 • 7,3 • 400 =116 ;


Шг = Р2 •С-Л/ = 0,Ш 'Г,3-™ = 55 ;

тз = Р^-С-Ы =0,116-1,3-400 = 60 ит.д.

Полученные значения заносим в табл, 6.


10, Вычисляем значение критерия согласия Пирсона

и входим в таблицу вероятностей для закона Пирсона при Л^^ = 11 6 и чис-.


ле степеней свободы Т - 8 — 3 = 5, получаем

26
Р(/';т) = Р{п,Б;5) = 0,00^5>0,001.

Это значит, что гипотеза о принадлежности экспериментальных данных к по­


казательному закону оправдывается только при уровне значимости ОС = 001
Применяя критерий Римановского, получаем:

Следовательно критерий Романовского дает отрицательный ответ.


1 1 . Офеделим доверительный интервал разброса среднего результата о т ­
носительно его истинного значения при доверительной вероятности = 95% •
Полуинтервал разброса равен

^ ^^^^ / » 2И
а = — = — а г о Ф1Рд)= - р ^ • 1,36= 1,47часа.
\|пГ \8
Следовательно, доверительный интервал составляет

или
Од-{2,985-1,45<М(г)<2,385-^ 1,'^5} ,

или
1,5<М{1}<4,5 .

Это значит, что с вероятностью ~95 % можно утверждать, что замена


двигателя в среднем будет протекать не меньше чем 1,5 часа и не больше
чем 4,5 часа.
Разброс центра рассеивания, как уже отмечалось выше, характеризуется
средним квадратическим отклонением среднего результата. Для рассматрива­
емого примера оно составляет

Величина доверительного интервала и разброс среднего результата приво-


Д51ТСЯ ниже на рис. 9. ^
На кривой 1 дан разброс среднего результата М Ц] по закону Гаусса
со сред, квадр. ошибкой ^ А 7 » / ^ ; = ^ 7 ^ , « кривой 2 - разброс случай­
ной величины X по показательному закону с параметром ^и =0,33 двигат.ь
час и в(1)='2,1 тыс КМ.-
12, Построение кривой вероятностей времени окончания работы по з а м е ­
не двигателя.
Для того, чтобы построить кривую вероятностей времени окончания рабо­
ты по замене двигателя, вычислим интегральную кривую, для чего просумми­
руем вероятности попадания в разряды (исправленные вероятности), по фор­
муле
К

Результаты вычислений приведены на рис. 10.


X,
^ 1
/
/ \
\
\ 9г
>
/
/
/ 1^84
/ ч [д,041 0.03
/ \ 0 0 ^ 5 ^
9 0
0 1 5 6 1 8 9

Р и с , 9 . Доверительный интервал разброса среднего значе­


ния времени Ь , расходуемого в авторемонтной мастерской
для замены двигателя

Р ^ с , 1 0 , Графики распределения вероятностей времени окончания


операции по замене двигателя (кривая 1) и вероятностей того,
что операция по замене двигателя не будет окончена (кривая 2)

Таким образом задача решена. Исследованием установлено, что закон


распределения времени расходуемого в авторемонтной мастерской для замены
двигателе о некоторьпл приближением, может рассматриваться, как показа­
тельный закон с параметром уи. = 0,33 двигателя в час. Среднее время,
расходуемое на замену одного двигателя (наработка на отказ), составляет
1Л*[Ь] = Зчасо., Кривая вероятностей окончания замены двигателя постро-
ана. Доверительный интервал найден. Полученные характеристики являются
средними, т,в, могут рассматриваться как детерминированные составляющие

28
процесса. Разброс среднего результата представляет собою стохастическую
составляющую,
Рримечанне; Случайная величина распределенная по поаьаэательному з а ­

кону легко моделируется, Действмтельво если

§ 4 , ПРИБЛИЖЕННЫЙ СПОСОБ ВЫРАВНИВАНИЯ


ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ ПОКАЗАТЕЛЬНЫМ ЗАКОНОМ

Как уже отмечалось выше (см. § 3), вьфаышвание экспериментальных


данных покаэательньл! законом может производиться приближенным способом.
Рассмотрим порядок вьфавнивания приближенным способом на примере.
Пример 4 . Исследуется закон распределения времени расходуемого для
установления неисправностей у автомобилей на сташши технического обслу­
живания. Всего было зафиксировано 175 наблюдений в минутах. Результа­
ты наблюдений сгруппированы в 12 разрядов (см. т а б л . 7 ) .

Таблида 7, Статистическая обработка экспериментальных данных


- времени расходуемого на обнаружение неисправностей у автомобилей -
показательным законом

Гранины Середины Опытные Теоретиче­ Квадраты


разрядов рас^ядов частоты ские час­ отклонений
разряда
* тоты
т1
т.

1 0-10 5 49 50 0,2
2 10-20 15 27 36 2.25
3 20-30 25 32 25 1,96
4 30-40 35 20 18 0,22
5 40-50 45 15 13 0,31
6 5О-60 55 8 9 1.11
7 60^70 65 8 7 0,14
8 70-80 75 4 5 0,20
9 80-90 85 5 3 1.33
10 9 0 - 1 ОО 95 2 2 0,0
11 100^110 105 3 2 0,5
12 1 1 0 - 1 20 115 2 1 1.0

175 171 9,22

Требуется вьфовнять экспериментальные данные показательным законом.


проверить правдоподобность принятой гипотезы • мфеделить величину дове­
рительного интервала, отвечающего = ^5 % •

29
Решение
1 , Строим гистограмму опытного распределения частот времени расходу­
ем го на обнаружение неисправностей. Для этого по оси абсцисс откладыва­
ем середины интервалов, а по оси ординат, отвечающие им опытные частоты
(см, рис. 1 1 ) .

25 35 45 55 65 15 95 105 15

Р>ис.11. Гистограмма распределения опытных частот времени,


расходуемого для обнаружения неисправностей у автомобиля
на станции технического обслуживания (1) и вьфавнивающая
ее теоретическая кривая (2)^показательного закона с пара­
метром Х = 0,0333'у /'(С]=/1б~

2, Вычисляем статистическое математическое ожидание

5-.^./5-27^.25-52.- ./15-2 ^^^^^^^^


175

3. Опредетшем интенсивность или плотность процесса, т.е. среднее время


расходуемое на обнаружение неисправностей у автомобиля

^-^Г 29,91-^^^^^ мин. час


Рассматривая гистограмму видим, что экспериментальное распределение
времени, расходуемого на обнаружение неисправностей у автомобил51, может
вьфавниваться показательным законом, плотность вероятности которого имеет
вид:
ЗС
где л = 0.0335 о<?нару?|у
мин, *
4 . Проверим правдоподобность принятой гипотезы о принадлежности а
; ! ^ ^ ^ п 1 Т ° ^ ° ' ^ распределения к показательному закону. Воспользуемся
критерием согласия X Пирсона.

г-1 т{

Для вычисления теоретических частот воспользуемся приближенным оно-


собом. Как известно

Прологарифмируем выражение (А), тогда получим

Сдт^^ Сдп-^едЛ-Л11С^е^е^ЛЬ. (В)


Положим:

^^Щ'У I ^1 »х ; -л еде ^ а ; Сдп ^едЯ-^бдл1=Ь .

Тогда уравнение (В) можно представить в виде уравнения прямой линии

у » а л +Ь • (С)

Для рассматриваемого примера имеем:

Ь'СдПб-^едО. 0335^Сд 10 - 2,2*^9 -^2,525-^^ - /, 768.

Пбэтому для середины первого Интервала ^^сР~^ * получаем

едт^ = -0,0335 -0.433-5^1,763 -1,694.


Потенцируя имеем: ТП^ ^50 •
Для середины второго интервала ^1са получаем:

1дш^= - 0,0335 • 0,433 -15* 1.763 = 1,55.

Потенпируя имеем: Щ2 = 36
Аналогичными вычислениями получаем теоретические частоты попадания
случайной величины в остальные разряды:

тпз=25', 7711^13', тп^^д ит.д.

Полученные значения теоретических частот заносим в табл. 7 (колонка


5 и 6).
Суммируя данные колонки 6, получаем

^2.1(тЫ}'_(^9-50)' 127-36)\ ^±п!.дпи


^ ' тг " 50 3$ 1 '^'^

31
Входим в таблицы распределения Пирсона при числе степеней свобо»
ды т ^К~3 * 11~3^9» при этом получаем:

Р(/^;г) =Р(т: 9)'0,з42<о,1.

Следовательно, гипотеза о принадлежности экспериментальных данных к


показательному закону по критерию согласия Пирсона оправдывается.
Проверяем правдоподобность принятой гипотезы с помощью критерия со­
гласия РЪмановского.
Для раосматриваемого примера имеем

/'-г_т-$_

Следовательно, и по критерию Романовского гипотеза о принадлежности


экспериментальных данншс к показательному закону оправдывается.
5« Вычисляем величину доверительного интервала разброса среднего ре­
зультата М*и) при доверительной вероятности Р^'ЗЗУо'
Полуинтервал разброса равен

Х1ля показательного закона среднее квадратическое отклонение, как и:^


вестяо, равно математаческому ожиданию, т . е .

би)^М'*(г} или 6/1)^29,91 ,

Поэтому для рассматриваемого примера полуинтервал разброса равен

При этом доверительный интервал составляет

или
23^97' 16,5 <Й(Ь1 <29,91Ч6,5,
или
13.5КМЦ) <4-6.

Это значит, что с вероятностью ©5% можно утверждать, что


среднее щюмя обнаружения неисправностей у автомобиля на станции техни­
ческого обслуживания будет не меньше, чем 13,5 мин и не больше, чем
4 6 мин.
Для моделирования случайной величины ( распределенной по показа­
тельному закону с параметром X поступают следующим образом

32
Логарифмируя и разрешая равенство относительно случайной величины Ь ,
получаем:

Ь=--!- еп(1-у) или 1 = -'^Спу.

Покажем для рассмотренного выше примера, для которюго параметр Я. ~


= 0 , 0 3 3 обнаружеш1Й в минуту, порядок моделирования случайной величины
распределенной по показательному закону. Промоделируем, например пять
случайных значений Ь.
Берем пять случайных чисел распределенных по закону равномерной плот­
ности из таблицы 14 Строка 8 и далее поступаем в соответствии с выше
приведенным алгоритмом

0,04 0,82 0,58 0,21 0,34


У

2,В 1,91 1,76 1,32 1,53

-/Л -0,09 -0,24 -0,68 -0,47


-^ду

Спу=2,3 Сдгу -3.2 -0,21 -0,55 -1,56 -1,1

1=-• (,пу( 6 минутах) 91 6,3 16,6 П2 33

Применяя указанный порядок можно промоделировать любое число случай­


ных чисел 6 распределенных по показательному закону с параметром Д =
- 0033 , т.е. для условий, выше рассмотренной задачи.

§ 5. ВЫРАВНИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ


ПОКАЗАТЕЛЬНЫМ ЗАКОНОМ С ПОМОЩЬЮ ВЕРОЯТНОСТНОЙ БУМАГИ

Проверка гипотезы о принадлежности экспериментальных данных к пока­


зательному закону и определение его параметра, кроме рассмотренных выше,
точного и приближенного способов, может производиться с помощью так н а ­
зываемой вероятностной или полулогарифмической бумаги. При заготовлении
отмеченной бумаги по оси абсцисс откладывается равномерная шкала, а по
оси ординат логарифмическая шкала. Покажем на вышерассмотренном приме­
ре (см, табл, 7 ) порядок выравнивания экспериментальных данных с помо­
щью вероятностной бумаги.
Наносим точки отвечающие опытным частотам на полулогарифмическую
бумагу: ^ и = 1а49'
- для середины первого разряда 1^ 3,
- для середины второго разряда <2~^^' !/2~^5^^^'
- для середины третьего разряда
Аналогично для последующих разрядов (см. р и с 1 2 ) . „„^ 1 о
Полученную ломанную пинию 1 осредняем прямой линией 2. Из рис, 12
видно, что осредняюшая пиния 2 проходит через две точки
А15,Ед50) ^81115; 8^1,2).

!


' \ '
л
\\ )
\п 20
1п 1

10
(> 8 [8 —\
8 (> 1 к
6 -^^
Ь
\
г \^ \
л
4ч 3
, \
р Л
ч \ \
\
5 С 2 N
В (115-,63^
<> — * »
15 25 35 ^5 55 65 75 85 95 105 115

Р ^ с . 1 2 , Выравнивание экспериментальных данных (ломанная


линия 1) - опытных частот Ш* времени обнаружения н е ­
исправностей у автомобиля на станции технического обслужи­
вания с помощью вероятностной бумаги

Из рис. 12 видно, что экспериментальные данные,нанесенные на полу­


логарифмическую бумагу, представляют собою прямую линию. Это значит,
что экспериментальные данные следуют показательному закону.
Убедимся в этом.
Для этого составим уравнение прямой линии проходящей через точки
"к' и "В"
У-У1 X -X
или
Уг-У1 Х2 X, 6д1,2-^д50 115-5

У-У ^ х-5
Откуда 0,08-1,1 110

1,62
у=--:[^^-^1ЛП=-о,отзх+ьт.
Значит

-я ^де =-0,01411.

(>^КVД^

0,433 мин
34
Как видим, получили тот же результат, что в при аналитическом способе.

Выводы
Если имеется в наличии веро5ггностная полулогарифмическая бумага сле-
циально рассчитанная для показательного закона, то для проверки пржнао-
лежности опытных данных к показательному закону поступают следующим об­
разом:
1 , Наносят на бумагу координаты экспериментального распределения, а
именно по оси абсцисс значения середин интервалов, а по оси ординат отве­
чающие им опытные частоты.
2, Если полученная ломанная линия может быть осреднена прямой линией,
то это значит, что гипотеза о принадлежности экспериментальных данных к
показательному закону оправдывается. В этом случае вычислять критерий
согласия Пирсона или критерий Романовского нет необходимости,
3. Для определения параметра закона вычисляют среднее статистическое
математическое ожидание М^(1.) и находят параметр Л по формуле

§ 6. ВЫРАВНИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ


ЗАКОНОМ ВЕЙБУЛА

Закон Вейбула находит широкое применение при решении различных техни­


ческих и физических задач. Например, длительность исправного состояния
различных технических изделий при их постепенных (износовых) отказах хо­
рошо описывается с помощью закона Вейбула,
Плотность вероятности указанного закона записывается так:

(1)

где П и /И - параметры закона;


\ - аргумент, например длина пробега детали автомобиля до ее
выхода из строя, В общем случае аргументом служит время 1,
Покажем на примере порядок выравнивания экспериментальных данных з а ­
коном Вейбула,
Пример 5. Исследуется закон длительности исправного состояния р у л е к ^
го управления машины З И Л - 1 3 0 , обусловливаемый износовыми (постепенны­
ми) отказако.. Статистическими наблюдениями было зафиксировано 7 9 наблю­
дений. Результаты наблюдений в тыс.км были сгруппированы в 12 разрядов
(см табл. 8 ) . Требуется составить гистограмму опытного распределения
час^ост^й выхода из строя детали, выровнять экспериментальные данные за-
коном Вейбула и проверить правдоподобность принятой гипотезы; найти догч-
рительный ииторвал разброса среднего результата, отвечающего доверитель-
ной вероятности

* Вейбул - профессор королевского технологического института Швеции в


1 9 3 ^ г ! ' п р е д л о ^ л закон ^ р о ш о описывающий длительность жизни техниче-
ских изделий и названный его именем.
35

3-2
Решение
1 , Вычисляем опытные частости отказа рулевого управления, для чего
частости делим на объем выборки

Полученные значения опытных частостей заносим в четвертую колонку


табл. ^ .
2. Вычисляем высоты прямоугольников гистограммы

Полученные значения заносим в пятую колонку табл. ^

Таблица 8. Статистическая обработка экспериментальных данных длины


пробега рулевых управлений машины ЗИЛ—! 3 0 до их выхода из строя
законом Вейбула.

Границы Опыт­ Опытные , Высоты Теоретич. Вероятно­ (Теоретич,


разрядов ные частос­ гисто­ плотности сти попа­ частоты
раз­ ти
часто­ граммы вероятно­ дания в попадания
ряда
ты стей разряды в разряды
тГ РГ
"и"
1 0-10 9 0,114 0,0114 0,0112 0,112 8,8
2 10-20 14 0,178 0,0178 0,0176 0,176 13,9
3 20-30 18 0,226 0,0226 0,0177 0,177 14,0
4 30-40 7 0,090 0,0090 0,0150 0,150 11,9
5 40-50 9 0,114 0,0114 0,0122 0,122 8.8
6 50-60 9 0,114 0,0114 0,009 0,09 7,1
7 60-70 4 0.050 0,005 0,006 0,06 4.7
8 70-80 4 0,050 0,005 0,004 0,04 3.2
9 80-90 2 0,025 0,0025 0,0024 0,024 1,9
10 90-100 1 0,01 0,001 0,0017 0,017 1.3
11 100-110 1 0,01 0,001 0.0010 0,010 0,8
12 110-120 1 0,01 0,001 0,0005 0,005 0,4

79 1,0 1.0 79

Примечание. Условия примера позаимствованы из С 9, стр. 20 ]

3. Строим гистограмму для чего по оси абсцисс откладываем середины


разрядов, а по оси ординат, отвечающие им высоты прямоугольников (см.
рис. 1 3 ) ,
4 . Вычисляем статистическое математическое ожидание для середин
интервалов

- —т—* = ^ ~ = Зол тыс. км.


1 т{ ^ 79

36 - ,| '1 . 1 '

1
С,0226

Рис. 1 3 . Гистограмма распределения поразрядных опытных часто­


стей (1) выхода из строя рулевого управления машины З И Л - 1 3 0
и вьфавнивающая ее теоретическая кривая (2) плотностей по з а ­
кону Вейбула с параметрами /2 = 1,5 и /I " 0,0243;

5. Вычисляем статистическую дисперсию и статистическое среххнее ква;^»


ратическое отклонение ^- ^ г ^ ^

При этом среднее квадратическое отклонение равно * , '' С

ё(1) = 'Щ. = \/б30 = 25,1тыс.км ,


6, Находим среднее квадратическое отклонение среднего результата

^м-ш'-^'Ш'^""""'""'
7, Находим коэффициент вариации

3-3 37
8, Производим выравнивание экспериментапьных данных законом Вейбула.
Для этого необходимо вычислить параметры закона Л. и и на основе
этого подсчитать плотности вероятностей закона Вейбула,
Для решения этого вопроса преобразуем выражение ( 1 ) ,
Положим

Тогда плотность вероятности закона Вейбула запишется так

(3)

Значения плотноста вероятности закона Вейбула записанных в форме (3) та­


булированы (см. табл, 8 приложения).
Для определения параметров 71 и /И дадим вывод формул теоретиче­
ских математического ожидания и дисперсии закона Вейбула,
Указанные характеристики вычисляются по формулам

дЦ}-/о'^Ь2• е-^''^''фЧ V -(МШ)^ • (5)


Интегралы 4 и 5 не берутся ' п о ч а с т я м ' и легко вычисляются с помо­
щью гамма-ч})ункдии Эйлера, выражающейся зависимостью

Г1а)=!^Ь'^-'е-Ч1. (б)

Преобразуем выраже^шя 4 и 5 к виду удобному для применения гамма-


функции Эйлера, Положим
±

МЧ^ = 1; /.'^=^74; 1-^^- (7)

Тогда:

(8)

При этом коэффициент вариации вьфажается следующей зависимостью

У=-ГТ 7—Г\ • (10)


М1Ц г(.Д)

Разрешая равенство ( 1 0 ) относительно И , получаем

38
Следовательно, первый параметр закона Вейбула есть функция коэффици­
ента вариации. Значение ( Ц ) табулировано (см. табл. 7 приложения)
Для рассматриваемого примера коэ(}4ициент вариации был вычислеи* выше
Он равен V = 0 , 6 8 . Обращаясь к таблице 7, получаем.

Я = Г(^) = Ч^(Ц6в)=1,5.

Разрешая равенство (8) относительно /€ получаем выражение для оп­


ределения второго параметра закона Вейбула

Для рассматриваемого примера имеем

^ г11-^] _ Г(1,666) ^ ^ п пол ,


МП) " 36,6 36,6 '"^^"^

По формуле (2) находим значение параметра

11
а - 41
Л 0,0243
Таким образом, оба параметра закона Вейбула найдены, и следовательно,
для рассматриваемого примера, плотность вероятности имеет вид

-15: 1,5
а/ = (13)
Т! •е
41

Рассчитаем теперь плотности вероятностей закона, для чего воспользуемся


табл. 8 приложения.
Таблица 9. Вычисление плотностей вероятностей закона Вейбула и
вероятностей попадания в разряды
Середины Один из входов Табл. Плотности Вероятн. Интеграль­
разрядов в таблицу знач. вероятностей п о п а д а т я ная функ-
в тыс.км функции в разряды Ш1Я
к - ^
а 41 ри)1
5 5 : 41=0,12 0,46 0,40:41=0,0112 0,112 0,112
15 15:41=0,37 0,721 0,72:41=0,0176 0,176 0,288
25 25:41=0,61 0,73 0,73:41=0,0177 0,177 0,465
35 35:41=0,85 0,6 2 0,62:41=0,0150 0,1Г)0 0,615
45 4 5 : 4 1 = 1,1 0,50 0,50:41=0,0122 0,122 0,737
55 55:41=1,34 0,37 0,37:41=0,0000 0,000 0,827
65 65:41=1,6 0,25 0,25:41=0,00(30 0,0(Ю 0,^87
75 75:41=1,84 0,16 0,16:41=0,0040 0,040 0,927
85 8 5 : 4 1 = 2,1 0,10 0,10:41=0,0024 0,024 0,951
95 95:41=2,3 0,07 0,07:41=0,0017 0,017 0,П6Н
105 105:41=2,55 0,04 0,04:41=0,0010 0,О10 0,960
115 1 1 5 : 4 1 = 2,8 0,01 0,01:41=0,0005 0,0 О,970

39
3-4
Полученные значения плотностей вероятностей наносим на график р и с . 1 3
и этим самым выравниваем экспериментальное распределение законом Вей­
була с параметрами

а=1,5; Ас = Су0243; (1=41.

9. Проверяем правдоподобность принятой гипотезы о принадлежности э к с ­


периментальных данных к закону Вейбула.
Для этого необходимо вычислить вероятности попадания случайной вели­
чины в разряды. Определение указанных вероятностей может производиться
двумя способами:
по точной формуле

где о^•^^ ^ ^1 - соответственно ближний и дальний пределы разрядов,


по приближенной формуле

Воспользуемся приближенной формулой. Для рассматриваемого примера


АХ = 1 0 , Поэтому перемножив данные колонки 4 табл, 9 на АХ = 1 0 п о ­
лучаем искомые вероятности .которые заносим в колонку 5 табл. 9.
Перемножив данные колонки 5 на N получаем теоретические частоты
попадания в разряды 'П^_ = Р^^•Л/^ АП^ = 0,112*79=8,8; Я?2 =0,176'79=13,9
и т.д.
Теперь вычисляем значение х'^

Щ 8,8 13,д 0,4

Входим в таблицу ^С , при этом получаем:

Р(х2,т} = Р(7,8;3)=(153>0,1.

Следовательно, гипотеза о принадлежности экспериментальных данных к


закону Екэйбула по критерию Пирсона оправдывается.
Проверяем правдоподобность принятой гипотезы с помощью критерия с о ­
гласия Романовского

Следовательно, и по критерию Романовского гипотеза о принадлежности э к с ­


периментальных данных к закону Вейбула оправдывается.
10. Определяем величину доверительного интервала разброса среднего
результата МЦ), представляющего собою наработку на отказ, отвечающей
доверительной вероятности = 95% (см. р и с , 1 4 ) .
Полуинтервал разброса равен

40
^ ^ ^ • а т д Ф1Р=957о] = • 1,96- 14,1тысмм

Следовательно, доверительный интервал составляет

или
36.6-14,1<М1Ц <36,6-14.1,

22,5<МП) <50,7.

95 105 115

Рис. 1 4 . Доверительный интервал разброса средней длины


пробега детали до ее выхода из строя: 1 - разброс случай­
ной величины ^ по закону Вейбула с параметрами П = 1 , 5 и
^Ч = О, 0 2 4 3 ; 2 - разброс среднего результата М*(и
по закону Гаусса со сред, квадр. ошибкой Ъ^»^1^'1 = 7,2ГПЫС. КМ;

Таким образом, с вероятностью Рд = ПГ)".. мс^жно утверждать, что ру­


левое управление машины З И Л - 1 3 0 в среднем будет работать исправно не
менее чем 22,5 тыс. км и не более чем 50,7 тыс.км, т.е.

МП) = 36,5 ± 14,1 тыс. км .

11. Определим основную характеристику работы изделия- кривую надеж­


ности, для этого вначале вычислим интегральную функш1ю (кривую вероятно­
стей отказа изделия) и далее по формуле

получим кривую надежности работы изделия.


Интегральная функция может быть вычислена двумя способами;
- либо суммированием вероятностей попадания в разряды, т . е . суммиро­
ванием данных колонки 5 табл. 9

1-1
(результат заносим в колонку 6 табл. 9)
- либо с помощью табличной интегральной функции

На основе полученных данных построим для рассматриваемого примера,


график вероятностей отказа изделия и график вероятностей исправной рабо­
ты изделия (кривая надежности см, р и с , 1 5 ) .

Рис. 15, Графики вероятностей отказа изделия


(кривая 1) и исправной работы изделия (кривая 2)

Таким образом задача решена. Найдены основные характеристики процес­


са эксплуатации изделия. Это наработка на отказ, равная для рассмотренно­
го примера М(Ь) ~ 36,6 тыс.км и кривая надежности работы изделия.
Заметим, что в общем случае формула наработки на отказ может быть
получена исходя из следующих соображений. Вероятность исправной работы
изделия равна

Дифференцируя это выражение по верхнему пределу, получаем

Поэтому

42
Интегрируя это выражение по частям, получаем

Следовательно, в обшем случае наработка на отказ равна площади огра­


ниченной кривой надежности и осями координат.
Интенсивность отказов равна отношению плотности вероятности к вероят­
ности безотказной работы изделия,

^'«-^-^-^^^"'"^

В некоторых случаях, при вычислении надежности изделия распределен­


ной по закону Вейбула, вводят следующий параметр

\Ы^)]^^
/I

Щи)

Для рассматриваемого примера значение параметра ^о составляет

(36,5;

° (0,894)^^ '

§ 7. ВЫРАВНИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ


ЗАКОНОМ ВЕЙБУЛА С ПОМОЩЬЮ ВЕРОЯТНОСТНОЙ БУМАГИ

Если имеется в наличии специально рассчитанная для закона Вейбула


дважды логарифмическая бумага, то проверка принадлежности эксперимен­
тальных данных к обмеченному закону и определение его параметров п и
^и. может производиться с помощью указанной бумаги.
Покажем на выше рассмотренном примере (см. § 6) порядок обработки
опытных данных с помощью вероятностной бумаги.
Для этого составим таблицу опытных данных и подсчитаем накопленные
частости (см. табл, 1 0 ) ,
Для того, чтобы применить вероятностную бумагу сделаем замену пере­
менного в законе Вейбула, для чего положим

Тогда интегральная функция запишется так

РИ)-!и ^-Ц'^"'' ' ' ^ '^(^1"''"^''''

43
Таблица 1 0 , Опытные частоты и накопленные частости выхода из строя
рулевого управления машины З И Л - 1 3 0

№ границы Опытные Опытные ч а с ­ Накопленные опыт^


интервалов интервалов частоты тости о т к а ­ ные частости отка­
отказов зов зов

ТТ11

1 0-10 9 0,114 0,112


2 10-20 14 0,178 0,292
3 20-30 18 0.226 0,518
4 30^0 7 0,090 0,608
5 40-50 9 0,114 0,722
6 50^60 9 0,114 0,832
7 60-70 4 0,050 0,882
8 7О-80 4 0,050 0,932
9 80-90 2 0.025 0,957
10 90-100 1 0,001 0,958
11 100-110 1 0,001 0,959
12 110-120 1 0,001 0,960

79 ~1

или
(А)

Прологарифмируем вьфажение (А) первый раз, тогда получим

Прологарифмируем выражение (А) второй раз

Положим:

Тогда получим уравнение прямой линии

44
Наносим на дважды логарифмическую бумагу точки отвечающие опытному
распределению для правой границы разрядов
Для первой точки X, = 10, у^= 0 , 1 1 6 .
Для второй точки = 20, 0,292,
Для третьей точки А^= 30, Уз= 0,518,

4
Для двенадцатой точки Х^^= 120, у^= 0,960 (см, рчс.16).
Из рис. 16 видно, что опытные данные, нанесенные на дважды логари4^
мическую бумагу, представляют собою прямую линию. Это значит, что опыт
ные да нные^следуют закону Вейбула. Следовательно, вычислять 1фитерий
согласия ^^ Пирсона или критерий Романовского нет необходимости.
Убедимся в этом, Д^я этого составим уравнение осредняющей прямой ли­
нии, проходящей через две точки

А18д, 10; б^бд. 0,1) а 8(6^30; бдбд 0,97/,

Или подставляя численные данные

1 • 1,35-1
[ Л з ? ] ' ^ ' ^ [ 1-0,1

При этом:

-^=1,11; еа1,11=0,045} 6д(0,0451=2,658;

;р^ = 33,3; ^9^3)^,522; 1,522 = 0,1318.

Поэтому

0,т-1б56 ' 0,05 "-"^^ о, 1818 ^ 1,35 0,95

Откуда

11Ш(,.^]-135 ила у= 1,6-^-2,35.


У=

45
4 4,15

Порядок р1аботь^:
1 , По оси аб|с1шсс' наносят пра—
эые границы разрадов;
2, По оси ор!динат, наносят от^
: этим ; точкам на­
копленный (кук^улятивные
частости
3. Параметры закона снимают-
ся непосредственно с графика
5 618910 20 30 40 60 80 100
' ' ' ?• А
Р*ис, 1 6 . Проверка гипотезы о принадлежности опытных данных
к закону Вейбула с помощью вероятностной бумаги: 1 - линия,
отвечающая распределению накопленных (кумулятивных) часто­
стей; 2 - пиния осредняющая линию 1
Таким образом, один параметр опытного расгфеделения выравниваемого
законом Вейбула получен
а = 1,6.
Теперь определим второй параметр

46
Откуда ^д1о = Ед,Ед,в~Ь.
I Для рассматриваемого примера имеем:
«
1^1о-Ед (ОЛЗЗ) - -2,95=7,636 ^2,95=2,586
Потенцируя, получаем значение второго параметра

Аналитическим способом было получено

п=1,5; а Ьо = П7.

Некоторое расхождение параметров, полученных с помощью дважды лога­


рифмической бумаги и аналитическим способом, объясняется ошибками выбо­
ра точек А и В,
Обычно для определения параметров опытного распределения следующего
закону Вейбула с помощью лог. бумаги поступают следующим образом:
1 . Наносят точки на дважды логарифмическую бумагу и проводят осред-
Н5ПОщую линию.
2. Из точки Ь с координатами Ь (2,7180,632) проводят линию па­
раллельную прямой АВ до пересечения с вертикальной прямой X = 1. При
этом на правой вертикальной шкале получают значение первого пчраметрп.
Для рассматриваемого примера имеем П. = 1,5.
3. По верхней горизонтальной шкале определ5Пот значение

Для рассматриваемого примера имеем

Откуда еаЬо = п.-Ч,15=1,5- 4,15=6,25,

Для моделирования случайной величины [, распределенной по за>сону


Вейбула поступают следующим образом

у=Ни=^^ а^^'' 1^-' в-^''^"-сИ=1-е-^''^'' " ?'^"'''=/-у •


Логарифмируя и разрешая равенство относительно сл.^чвймои ^к•^^I^шн1 ^ ,
получа'л)

Покаж<-м для рассмотренного иьиио пример;!, \ < гл:^/и —0,0243] П. - 1,5


и порядок МОДО/ШрОИ.ПИГЯ СЛуЧ.-ШИОЙ ИолИЧИН!-! расиреПсЛС т.
закону В«. ьОу.'1.1.
Промоделируем, например, пять случайных эипч< ний I .
Берем пять случайных чисел распределенных по закону равномерной плот­
ности из строки 8 табл. 14 и далее поступаем в соответствии с алгоритм
мом

0,04 0,82 0,58 0.21 0,34

ЧУ -1Л -0,09 -0,24 -0,68 -0,47

Спу^2,3 еду -3,2 -0,21 -0,55 -1,56 -%1

1^-1 о'Ьпу 57^7 37 98 276 195

п Ед1 2:75 1,56 1,99 2,44 2,29

едЬ=0,67-ЕпЬ 1,85 1,05 1,34 1,65 1,54

1 б тыс. нм. 71 11,2 22 45 35

Применяя указанный порядок можно промоделировать любое число случай­


ных чисел 1л распределенных по закону Вейбула с параметрами ^ = 0,0243]
71 — 1,5 7 и /г(7 = / 7 7 , т . е . для условий вышерассмотренной задачи.

§ 8. ВЫРАВНИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ


ГАММА-РАСПРЕДЕЛЕНИЕМ

Гамма-распределение на ряду с другими законами находит широкое при­


менение при исследовании и описании различных явлений. Например посте­
пенные (износовые) отказы изделий хорошо описываются гамма-распредепе-*
нием.
Плотность вероятности этого закона имеет вид

^Ш=С1''-' е^'-^^ 1^-'е-^' -.^1'=^-^е'^', (А)


ТН] (и-1)1

где: Л. - параметр (количество повреждения не приводящих к отказу из­


делия);
— параметр (количество повреждений приводхпцих к отказу и з д е ­
лия).

^(^)~1о^- гамма-функция Эйлера,

Коэффициент С определятся по формуле

48
графики плотностей вероятностей гамма распределения при различных
значениях параметров можно представить следующим рисунком ( с м . р и с 1 7 )
т

Р ^ с , 1 7 . График плотностей вероятностей гамма-распределения

Из рис. 17 в идно, что при о6=1 гамма-распределение преобразуется


в показательный закон

что согласуется с модель') отказов изделий при единичном повреждении. При


некоторых значениях параметров гамма-распределение приближается к р а с ­
пределению Вейбула. По мере увеличения параметра оС гамма-распр)едел©-
ние преобразуется в нормальный закон

Числовые характеристики гамма распределения вычисляются по формулам

Рассмотрим на примере порядок выравнивания экспериментальных данных


гамма-распределением.

Пример 6. Исследуется закон распределения вероятностей времени (дли­


ны пробега) постепенных износовых отказов ручного тормоза автомашины
Г А З - 2 1 . Статистическими наблюдениями было зафиксировано 76 результатов
в тыс.км. Результаты были сгруппированы в 9 разрядов (см. табл. 1 1 ) .
Требуется вьфОВНять опытные данные гамма-распределением в проверит1
правдоподобность принятой гипотезы.

49
4-1
Решение
1 . Вычисляем опытные частости Р^*^ и строим полигон распределения
частостей ^^ е о

г ^ 16
Полученные значения заносим в табл, 11.
На основашш полученных данных строим полигон распределения опытных
частостей (см. рис. 1 8 ) .

Таблица 11. Статистическая обработка экспериментальных данных -


длины пробега ручного тормоза автомашины ГАЗ—21 до его износового
отказа - гймма-распределением

1 Номер разряда N 1 2 3 Ч 5 6 7 8 9
Границы раз­ Ч 16 28 40 52 Б'* 76 88 100
2
рядов-6 тыс.км 16 28 40 52 64 76 88 100 111
Середины раз­
3 рядов умножен­ Ь.ср 1 2,2 3,4 4,6 5,8 7 8,1 9,4 Щб
ные на 0,1

Ч Опытные тГ Б д 15 11 12 7 9 3 4
частоты
Опытные
5 частости. Р." 0,079 0,118 0,15 0,145 0,158 0,032 0,118 0,04 0,052

Плотности
6 дероятностеа т 0,048 0,143 0,162 0,148 0,110 0,073 0,052 0,027 0,0137

Теоретические
7 0,057 0,171 0,194 0,178 0,132 0,088 0,082 0,032 0,016
бероятности
Теоретические
8 частоты щ 4,1 13 15 13,5 10 8,7 4,7 1,4 1,1

2. Вычисляем статистическое математическое ожидание и статистическую


дисперсию

М^Я) =Игср-=1-0,019^2,2 • 0,118^3,4-0,15*-тб'0,052 =4,929;

д''{1)^11\ср'-^Л^1Ц]^=1^-0,019*2,2^-0,11В*--*10,6^-0,052-14,929]^=^^^^

3. Определяем параметры гамма-распределения, для чего решаем совме­


стно два уравнения

-у = 4,929 и -^ = 7,899.

При этом получаем оС=3,1^3: л = 0,625 .

4. Вычисляем плотности вероятностей гамма-распределения. Для этого


сделаем замену переменного, положим:

X=2яг.

50
1,тыс.км
Ртлс, 18, Полигон распределения опытных частостей выхода
из строя детали: 1 - распределение опытных частостей попа­
дания случайной величины в разряды; 2 - выравнивающая тео­
ретическая кривая распределения вероятностей попадания слу­
чайной величины в разряды (гамма-распределение); ^ - серзе—
дины разрядов замасштабированные умножением на 0,1
[тыс.км] ; Р\ - опытные частости

Тогда плотность вероятности гамма-распределения запишется так

или

или

Функция *^(х) (выражение В) имеет важное преимущество перед функцией


•^{Х.) (выражение А) - она зависит только от одного параметра , в то
время как функция {(Ь) зависит от двух параметров оС я Я . Зависимость
между функциями /^^^ и ^(х)
Г(1}=2ЯГ(2ЯЬ) .
Отметим также, что значение функции ^(х) табулировано* . Пользуясь
табл. 13 приложения рассчитаем плотности вероятностей гамма-распределе-
ни для рассматриваемого нами примера.

т=1}='2А ' Ц2Ы) = 2'0,В25 ^12-0,625)=1,25-0,0384048


ЦМ,2]ЧЛ5- т.г5-2.2}=Щ 1(2,75) = 1,25-0,115 =0,143
ПН4} 4,25-111,25-2,4) ^1,25 1(4,25} = 1,25- 0,130 = 0,152
Ш--4,бНг5-425-4,6) =1,25 1(5,75} = 1,25 - 0,118 = (1148
Ф5,8}нг5'1(1,25-5,В} = Ь2$ 1(7,1) = 1,25-0,088 = 0.110
Ш^1} = %г5-а1,25- 1] = 1,25 1(8,7} = 1,25-0,059^0,073
^(М,2)Н25 • ^(1,25- 8,2) = 1,25 1(10.4} = 1,25- 0,42 =0.052
=1,25'1(1,25-ЗЛ) ^1,25 1(11.7} =1,25-0.022 = 0,027
^1М0,В1-%25 ^111,25-т)^ 1,25 1(13.г} = 1Л5-0,011'0,137

Полученные значения плотностей вероятностей заносим в таблицу 1 1


строка 6.
5, Вычисляем вероятности попадания случайной величины в разряды.
Воспохьзуемся приближенным способом

Х1пя рассматриваемого примера получаем

= //с; • 4х = 0,048 ' 1,1 = 0,057


Рг = Ш) • Лк^ 0,143 • 1,2 = 0,172
Рз = Ш}' Ах = 0,162' 1,2 = а т
= Ш) - Ах = 0,148 - 1,2 = (1178 и т.д.

Полученные значения вероятностей заносим в строку 7 табл. 1 1 ,


6. Проверяем правдоподобность принятой гипотезы о принадлежности
опытных данных к гамма-распределению с помощью критерия согласия ^(
Пирсона, Для этого вычисляем теоретические частоты попадания случайной
величины в разр5ШЫ, по формуле

%=Р^Л/; = 0,057- 7,6=4,2;

т 2=0,171-76 = 131 тз = 0,134-76= 15: чт.д.

Полученные значения заносим в строку 8 табл. 1 1 .


Далее вычисляем

2 , Г К - ^ б ) ' _ ( ^ ' М ) ' \ (3-13)^^ (15-15)^^11-13,5)' (4-1,2)^^


42,25.
/П! " 4,2 13 15 13.5
13,5 1.9 "

Входим в таблицу вероятностей для закона Пирсона,при этом получаем

См. табл. 13 приложения.


52
Это значит, что при уровне значимости оС- 0,01 нудавая гипотеза оправ­
дывается.
Таким образом, задача решена. Явление износовых (постепенных) выхо­
дов из строя ручного тормоза машины ГАЗ-21 следует гамма-распределению.
Доверительный интервал разброса среднего результата вычисляется по­
добно тому, как это было показано в предыдущих примерах.
Заметим, что гамма-распределение с параметрами оС и Л получается в
результате композиции СС независимых случайных величин, имеющих одина­
ковое экспоненциальное распределение с параметром X •
В рассматриваемой нами задаче оС = 3, Это значит, что рассматривае­
мое в данном примере гамма-распределение есть сумма трех показательных
законов.
Плотность вероятности запишется так

Для моделирования случайной величины описываемой гамма—распределе­


нием поступают следующим образом:
1 , Вначале моделируют случайную величину, распределенную по показа­
тельному закону в том порядке, как это было показано на стр. 32, Пусть
для шести реалиэашй были получены следующие числа
2,2 0,99 1,1 4,2 2,1 7,1
2. Моделируют вторую случайную величину распределенную по показа­
тельному закону. Пусть для первых шести реализадий были получены следу­
ющие числа
0,7 1,2 1,6 3,7 2.4 1,4
3. Моделируют третью случайную величину распределенную по показа­
тельному закону. Пусть при этом были получены следующие числа
2,6 1,7 2,3 0,2 0,7 0,&
Поскольку гамма-распределение в нашем примере есть сумма трех пока­
зательных законов, поэтому складываем полученные выше числа и получаем
случайные числа, описываемые гамма-распределением. Для нашего прот.1ера
они равны
5,5 3,89 5,0 8,1 5,2 9.3
В таком порядке может быть промоделировано любое число случайных чисел,
описываемых гамма-распределением.

§ 9. ВЫРАВНИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ


ЛОГАРИФМИЧЕСКИ НОРМАЛЬНЫМ ЗАКОНОЛ^

Логарифмически нормальный закон, как и другие рассмотренные выше


законы, применяется для исследования и описания различных явлений. Напри­
мер, для некоторых условий постепенные износовые отказы изделий хорошо
ОПИСЬ! вакугся логарифмически нормальным законом.
Указанный закон имеет место тогда, когда не сама случайная величина,
а ее натуральный логарифм распределен по закону Гаусса.
Плотность вероятности логнормального закона имеет вид

53
4-3
1 -{Спх-1Спх}]^

х^(ш)Ш
Кривые плотностей вероятностей логар.хфмически нормального закона мож*
но представить следующими графикагли (см, р и с , 1 9 ) ,

'^^^^ 61Спх)=0,1

О X
Ряс, 1 9 , Графики плотностей вероятностей логарифмически нор­
мального закона при математическом ожидании равном одному и
различных среднеквадратических отклонениях

Рассмотрим на примере порядок вьфавнивания опытных данных логарифми^


чески нормальным законом.
Пример 7. Исследуется закон распределения вероятностей времени (длинц
пробега) исправной работы карданного вала автомашин заданной марки. Ста­
тистическими наблюдениями было зафиксировано 95 наблюдений. Результаты
наблюдений сгруппированы в 1 2 р а ^ я д о в (см. табл. 12 и р и с . 2 0 ) .
Требуется выровнять экспериментальные данные логарифмически нормальным
законом и найти надежность работы изделия.
Решение
1 , Строим гистограмму распределения опытных частостей.
Для рассматриваемого примера имеем

Полученные значения заносим в строку 5 табл. 12,


2, Вычисляем десятичные и натуральные логарифмы для середин разрядов
(см, отроки 7 и 8 табл, 1 2 ) ,
3, Вычисляем статистическое математическое ожидание натурального ло­
гарифма переменной величины

М ""(Ш) =1 бпх • = 1,587 • 0,021* 1,75 -(1118^94 -0,105+

+г^77 • 0,159+1т • а105-^2/'0.157+'-^2,78-а021''2.22

4, Вычисляем статистическую дисперсию и несмещенное среднее квадра­


тическое отклонение натурального логарифма переменной величины х

П7Ч =2алх)^'Р-*^х)^Щ587^^0,021Ч,79^-0,118+ - -• +

••+2,78^ -0,021' (2,22)^ - 5,025- 4,928 = 0,0975 ;

54
б{елх)=^~ •П''(ет1х) = ^ ~ 0,0975=0,327 .

5, Вычисляем центрированное и нормированное отклонение, по формуле


. _ Елх-{Гпх} ,

0,327 ^ 0,327

, _ 1,943-2,22 _ ^ _ 2,077-2,22_ „ .

6. Пользуясь функцией плотности вероятноста нормального закона (см.


табл. 1 приложения) находим табличные плотности вероятностей.
Они составляют:

^^Ц=т)= 0,062 ; 4^МЛб)^ 0,1311 ^3(1=0,79)-0,292

и т.д. Полученные значения заносим в строку 10 табл. 12.

10 11 12 13 14 15 16 17 х/(7^ям

Р и с , 2 0 . Гистограмма распределения опытных частостей (1) вы­


хода изделия из строя карданного вала машины и выГ''Вниваю-
щая ее теоретическая кривая (2) логарифмически нормального
закона

4-4 55
Таблица 1 2 . Статистическая обработка экспериментальных данных -
длины пробега карданного вала машины до его выхода и з строя -
логарифмически нормальным законом

Номера 7 8 3 10 11 12
1 разрядов N 1 2 3 4 5 6
Границы 4,5 5,5 6,5 7,5 8,5 9,5 10,5 11,5 12,5 13,5 14,5 15,5
2 разрядоб 5,5 6,5 7,5 8,5 3,5 10,5 11,5 12,5 13,5 14,5 15,5 16,5
3 Середины 5 6 7 8 9 10 11 12 13 14 15 16
разрядоб
Опытные
ч 2 11 10 16 10 13 8 9 7 3 4 2
частоты
5 Опытные 0,011 0,1160,1050,1690,1050,137о,т 0,095007^ 0,0310,0420^021
частости ^ N
Накоплен­
6 ные 0,021 0,1370,2420,Н110,5180,5530,7370,832 0,9060537 0,9791,000
частости
Логарифм
7 переменного 0,69 0,778 0,8460,303 1,00 1,0к1 1,113 1,1761,т
X
Натуральный
8 логарифм х 1лх1^2,ЪЕд,х1,587 1,73 1,94 2,077 2,т 2,3 2,391*2,48 2,56 2,63 2,7 1,78

иентрар.
9 и нормир. 1,93 1,25 0,79 0,455 0 0,03 0,59 0,87 1,1 1,33 1,53 \74
отклонение ё(1пх)
Плотности
10 бероятностей 0,062 0,1820,1920,3520,398 0,3580,3350,1730,117о,ш 0,1130,087

Плотности
И Ьероятностей 0,0380,0940,1270,1370,1350,1230,091*
0,07 0,0510,0330,0250,02
Х-61Ш
Теоретич
12 бероятности 0,0380,0340,1170,1370,1350,123о.т 0,07 0,0510033 0,0250,02
Теоретическ.
13 3,6 8,9 12 13 12,8 11,5 8,8 6,6 4,8 м 1,4 1,9
частоты
НЬадраты
14 отклонений 0,7 0,45 0,3 0,7 0,7 0,2 0,1 0,9 0,9 0,1 0,9 0,1
Интегральная
15 функция Р(х)=ЬР1 0,038 0,1310,2530,33В0,5310,651,
0,71*8
о,т 0,8690,9080933 0,953

Надежность
16 ра5оты 9 = 1-Пх) 0,ЭБ2 0,868 0,Ъ1 0,Ш 0,3'*8
0,252о,т 0,1310,0920,061Щ7
изделия

56
7. Вычисляем плотности вероятносте]! {Чх} по форму
ле

' х-бЦлх)
При этом получаем:

Полученные значения заносим в строку 1 1 табл. 12.


8. Вычисляем теоретические вероятности попадания случайной величины
в разряды

Учитывая, что для нашего примера 4Х = 1. следовательно, вероятности


численно равны плотностям вероятностей (см. строку 12 табл. 12).
9. Вычисляем теоретические частоты

т^-^ Р.,-N=0.038 •95=3,6; тг = 0.094-95=8.9 ит.д.


(см. строку 13 табл. 12).
10. Вычисляем критерий согласия Пирсона и входим в табл. П при­
ложения

^2 12-3,6)\ (11-8.9}\(10-12}' (2-1,9)' ,


3,6 ~1Г^~12~^'''"~й~^^''

Р()[^;г} = Р(8;9)=0,433>0,1.
Следовательно, гипотеза о принадлежности опытных данных к логарифми­
чески нормальному закону оправдывается.
По данным строки 16 табл. 12 может быть построена кривая надежиг>-
сти работы изделия. ^
Для определения наработки на отказ,рассмотрим выражение А/ (^ПХ) =2,22.

Как известно 6д N = 0,4343 Еп N , поэтому

(Едх) = 0,4343 М'^(Ш] = 0,4343-2.22 =0,95.

Потенцируя по таблицам антилогарифмов, получаем


5
X = 8,9 • 10 км пробега.
наработка на отказ
Заметим, что выравнивание может также производиться с помощью дважды
логарифмической бумаги, в том же порядке, как это было показано для ).|-
кона Вейбула.
Таким образом, задача решена. Опытные данные подпадают под логари^^
мически нормальный закон. Характеристики закона вычислены.
Учитывая то обстоятельство, что логарифмически нормальный закон пред­
ставляет собою нормальное распределение логари4ыа случайной величиш^!. по-
57
этому при моделировании случайных чисел распределенных по логнормапьно-
му закону поступают следующим образом:
1 . Вначале моделируют случайные числа распредепенньте по нормальному
закону в том порядке, как это было показано на стр. 1 7 .
2. Далее потснш^руют полученные числа, и этим самым, получают цент­
рированные и нормированные случайные числа распределенные по логарифми­
чески нормальному закону.
3. От полученных таким образом центрированных и нормированных чисел
х ' переходят к случайным числам распределенным по логарифмически нор­
мальному закону с математическим ожиданием СпК и средним квадратиче­
ским отклонением 6(Епх) , по формуле

X = х' •в(Еп.х) + Ш.

'\. В таком порядке может быть промоделировано любое число случайных


чисел распределенных по логарифмически нормальному закону,

§ 10, ВЫРАВНИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ


АНАЛИТИЧЕСКИМИ ФУНКЦИЯМИ. ЛИНИЯ РЕГРЕССИИ

В предыдущих параграфах был рассмотрен порядок выравнивания опытных


да1шых каким либо вероятностным законом. В том случае, когда опытные
данные не подпадают ни под один из вероятностных законов, выравнивание
производится какой либо аналитической функцией, например: прямой линией,
параболой, гиперболой, показательной функцией, логарифмической кривой,
степенной функцией и т.п.
Во всех этих случаях основой выравнивания служит метод наименьщих
квадратов.
Покажем на примерах порядок выравнивания опытных данных аналитичес­
кими функциями.

Выравнивание прямой линией


Рассмотрим случай, когда опытные данные с некоторым разбросом пред­
ставляют собою пр^пV1ую линию (см, р и с . 2 1 ) .

0 1 2 3 4 5 6 7 8 9 10 11 к
Р'ис, 21. Разброс опытных точек, отвечающих прямолинейной
пол'-яштельной корреляционной зависимости между результатив­
ным и факториальным признаками: у - результативный признак;
X - факториальный признак; 1 - корреляционное поле; 2 - лишя
регрессии

58
Разброс опытных точек обычно называют корреляционным полем. Очеаид-
НО, что в рассматриваемом случае вьфавнивание надлежит осуществлять пря-
мое линией вида

где X - факториальный признак (аргумент);


У - результативный признак (функция);
а - тангенс наклона гфямой к оси абсцисс;
Ь - свобохшый член.
Указанная осредняющая линия называется линией регрессии. Линия регрес­
сии устанавливает зависимость между факториальным и результативным
признаками. При этом, поскольку каждому значению аргумента отвечает не­
сколько значений функции (в общем случае отвечает распределение функции),
следовательно, имеет место стохастическая зависимость, при изучении ко­
торой надлежит пользоваться вероятностными положениями,
В теории вероятностей, зависимость одной случайной величины от другой,
принято характеризовать с помощью так называемого момента связи, вычис­
ляемого по формуле второго смешанного центрального момента

Кху = М[(х-х)(у-у}]=\ ? [х-.-Щ-у] Р1ХЩ),

где X в у - математические ожидания случайных величин.


Если момент связи отнести к произведению средних квадратических от^
клонений, то в этом случае получим так называемый коэффициент коррелв-
ононной зависимости, или прюсто коэффициент корреляции.

Кху (х-хЦу-у) Р(чи^


6(х) ё1у) 1-1 >=1 ^(х)-ё(у)

Несложными преобразованиями коэффициент корреляции обычно приводят


к следующему виду (рабочая формула)

Г -
х1 Е(Х'Х}2 \ШЕШ.^
N—71

Как будет показано ниже, момент связи и коэф(1шшент корреляции вхо­


дят непосредственно в уравнение регрессии.
Применяя метод наименьших квадратов исходят из условия, чтобы сумма
квадратов отклонений ординат точек корреляционного поля от ординат осред­
няющей линии была бы наименьшей, т . е .

и = 1У1 опытн. - У1 осредн.) =2: лу^ — тСп

и = 11ах1-^Ь)'У1средн]^

4 [((1х,.Ъ)'У2 среднГ^-^Ъ'^^^^^^'^'^^^^Т'*''"''"' '


Для того, чтобы найти минимум функции и. , решим обычную задачу на
экстремум. Для этюго вычислим частные производные по неизвестным пере­
менным а, и ^ и приравняем их нулю
59
Эц
да

да
2 (ах1-^Ь-у1)+2(ах2 * 6 -Уг; - - + +Ь - у ^ ^ = 0 .
дЬ

Раскроем скобки и сгрушшрувм переменные, тогда получим так называе­


мые нормальные уравнения

(1^
аИ X? + & Г х . =2: X: у : ;

а! X: + 6-л =2; у; ,
1=1 >=1 '

Разделим полученные уравнения на Я тогда получим

"Г л а '

л я
или
аоС2{х) + Ъх=ас^^(х,у);
ах -•- 6 =у,

где сХ,2(Х)— второй начальный момент;


оС^^^(Х^^)~ второй начальный смешанный момент;
X ц У ~ математические ожидания случайных величин.
Решим полученную систему двух уравнений с двумя неизвестными мето»
дом Крамера

ац(х1/) X
у 1 _ оС^^(ху)-ху ^ Иху

X 1

0С2(Х} <Х^^(Х У)
л 2 (х)-у-(Х.^^(ху)-7- хух + хух
аС2(х)-х 1)(х)

^_У[сСг(х)-х^ х[сс^,(ху)-х-у] Иху


Ш) ВIX) Ъ{х)^ '

Подставл51Я выражения для определения коэффишентов О. и Ь ь уравнение


осредняющей пинии, получаем

60
или

где У-М(у/Х) - условное математическое ожидание функции, вычисляемое


при заданном значении аргумента.
Полученное уравнение называется уравнением регрюссви. Тангенс угла
наклона линии регрессии к оси абсоисс называется коэффициентом регрес­
сии. Он равен

Линия регрессии позволяет судить о корреляционной зависимости резузть-


тативного признака от факториальвого, так как каждому значению аргумен­
та отвечает среднее значение функции.
Покажем на примере порядок выравнивания опытного корр>еляпионного п о ­
ля прямой линией - линией регрессии.
Г]ример Исследуется закон зависимости частостей числа поломок к о ­
ленчатого вала двигателя заданной марки от числа предшествовавших капи­
тальных ремонтов. Статистическими наблюдениями было зафиксировано 6 9
результатов, отвечающих числу капитальных ремонтов равному 1,2 и 3
(см. табл. 1 3 ) .
Требуется:
1 , Составить уравнение регрессии;
2. Найти коэффициент корреляшонной зависимости;
^ Произвести прогнозирование явления для числа капитальных ремонтов
равном 4 .

р>ешение
1 . Находим общие статистические математические ожидания по каждому
из признаков

М*(х}= ^-^^= тг '

2. Находим общие статистические дисперсии по каждому из признаков

61
Таблица 1 3 . Корреляционная таблица зависимости частости числа
поломок коленчатого вала двигателя от числа предшествовавших
капитальных ремонтов

Числе предшествовавших капитальных


1 Число поломок колен­ ремонтов
чатого вала
1 2 3 Л,.

2 1 2 2
При объеме выборки 2 2 2
равной 6 9 двигателей 3 1 2 3
4 1 1
5 2 2
"6 2 2 4
7
8 2 2

3 Опытные частоты поло­


мок коленчатого вала
по группам 5 5 6 16

4 Средние арифметические
числа поломок валов по Ун
группам 3 4 5,7

5 Дисперсии числа поло­


мок по группам 3,2 3,2 2,3

6 Средние ква/фатические
числа поломок по груп­ ^(УНь
пам 1.8 1,8 1,5

7 Средние квадратические
отклонения разброса ^ - ^^^^ 0,8 0,8 0,6
среднего результата по
группам

3, Находим несмещенные средние квадратические отклонения по каждому


из признаков

^ " " = \ | Ш ^ = \ | 3 ^ = 0.855;

?((/;=\|;^В*Г«) =^^- 5,03^ =2,315.

4. Находим несмещенный момент связи рассматриваемых двух признаков

'^'^"Ы! Тв (2,062)Ш)1=0,33.
62
5. Находим коэффициент корреляции

б[х)б(у) 0,855-2,315

6. Находим коэффициенты линии регрессии

^жу 0.98
а=—^ = —— = 1из1-
9(х) 0,686
I

2 7. Составляем уравнение линии регрессии

У -1,431 х+1,3613.

8. Наносим линию регрессии на график: если Х = 1 , то у =219',


^ если Л'=3, то у =5.65 (см, рис. 22, где представлено опытное корреля­
ционное поле).
9. Для прогнозирования вычисляем условные средние арифметические по
каждой из групп
1-2-^ 3-1-^5-2
Ух1 =
5

_2-2 + 4,1 + 62 _
5

ТУ {Пуз _ 5-2-*6-2-^8-2
я АЗ 6

10, Находим дисперсии и средние квадратические по каждой из групп

11, Находим средние квадратические отклонения разброса среднего ре­


зультата по каждой из групп

> ^ ё(У}Х1 _ 1,8 _п ол.


бм»м1 = • — = -7=- = 0,8^;

03
1 2 , Находим детерминированную и стохастическую составляющие экстра-
поляиионного прогнозирования для параметра X = 4 капитальных ремонта.
Детерминированная составляющая определяется путем экстропол5П1ии прямой
линии, и, следовательно она равна

^(лрих'4г1''^31^''1'36=1,431-4*136=7,08.

Ряс, 2 2 . Зависимость частоты поломок коленчатого вала (ось


ординат) от числа пред шествовав щих капитальных ремонтов
(ось абсцисс): 1 - опытная линия регрессии; 2 - теорети­
ческая выравнивающая линия регрессии опытного корреляци­
онного поля; 3 - детерминированная составляющая прогнози­
рования; 4 - стохастическая составляющая прогнозирования

64
Стохастическая составляющая характеризуется средним арифметическим
средних хвахфатических отклонений взятых по всем группам.

^ _ 0,8*0,8*0,$
при Х'Ч 8

Детерминированная и стохастическая составляющие вьшолненного экстра-


поляпионного прогнозирования приведены на рис, 22,
Таким образом, задача решена. Статистической с^работкой установлено
что корреляционная зависимость между частотой числа поломок колеичатоД
вала и числом предшествующих капитальных ремонтов следует прямолинейной
зависимости. Чем больше было капитальных ремонтов, тем чаще будут ло­
маться коленчатые валы. Тангенс наклона линии к оси абсцисс (коэффициент
регрессии) для рассмотренного примера равен / ( у / х ) '=1Л31, Коэффици­
ент корреляции равен Гц-0,40. Это свидетельствует о том. что корреля-
шонная зависимость является достаточно высокой.
Экстрополяция полученной линии регрессии позволила получить детерми­
нированную составляющую прогнозирования. Из рис, 22 видно, что при числе
капитальных ремонтов равном четырем, в среднем будет иметь место 7,08
поломок коленчатого вала при объеме выборки, равной 69, что отвечает ч а с -
7 08
тосги -т^10%.
69
Стохастическая составляющая характеризуется срединньпи отклонением
Следовательно, разброс детерминированной составляющей при
Р^ = 100%, составляет:

1,08-3-0,13 < уср < 108*-3-0,13,


лрих-ч

или

4,89<у1.р <д,п,
лрихч

8 1 1 , КРИВОЛИНЕЙНАЯ ПАРАБОЛИЧЕСКАЯ КОРРЕЛЯЦИЯ

В некоторых случаях опытное корреляционное поле по внешнему виду я^


ляется криволинейньпл, В этом случае вьфавнивать поле прямой линией уже
нельзя.
Вьфавнивание может производиться какой либо кривой линией, например
параболой второго порядка

В соответствии с методом наименьших квадратов потребуем, чтобы сум­


ма квахфатов отклонений была бы наименьшей

и.»(ах^*Ьх^*с*у^)^+(ах1^Ьх^с-у^1^ + -+(ах{+Ьхп*с-уп)^.

Дифференцируя указанную функцию по переменньп^ а., Ь я с и группируя


члены, получаем так называемые нормальные уравнения

65
5-1
аЕх1 п,^+ ЬЕх1 .+ С1Х1П^-^1.Х1У^(.'. ;

аIx^пx•^Ыx^пx^•*•сIx^п^^^=Ix^п^^•^'д^^.;

а1хи^11'Ых1П;^--1-СЫ=Еу^^.

Применя51, например, метод 1^амера, получаем искомые коэффишенты й , Ь


и С , и, следовательно, получаем уравнение регрессии. Уравнение регрессии
поэвол51ет составить суждение о закономерности рассматриваемого явления,
выбрать наивыгоднейишй режим работы и сделать прогноз о дальнейшем про­
текании процесса. Покажем на пример» порядок вьфавнивания корреляцион­
ного поля параболой второго порядка.
Пример 9. Исследуется закон расхода горючего в зависимости от давле­
ния в баллонах колес автомашин заданной марки при движении по болотио-
той местности. Испытаниям было подвергнуто 1 0 0 автомашин одной и той
же марки. Все машины были разделены на пять групп и для каждой группы
задано определенное давление в баллонах (см, табл. 1 4 ) .
Требуется составить уравнение регрессии, найти корреляционное отноше­
ние и прогнозировать явление для давления р = 6 атмосфер.

Таблица 1 4 , Корреляционная таблица расхода горючего на 1 0 0 км


пути в зависимости от давления в баллонах

Давление в баллонах Опытные


частоты
числа ма­
1 2 3 4 5 шин с
указанным
рзасходом
гориочего

1 2 3 4 5 6 7 8

15 7 6 9 22
20 2 9 11
Расход горючего 21 1 1
на 1 0 0 км пути 25 2 2
в кг 27 1 1 1 10 13
30 2 2
33 1 2 1 4
35 6 6
39 7 9 1 17
43 2 2
46 9 9
53 1 1
59 10 10
Опытное число м а ­
шин по группам 15 18 21 22 24 100

Условные средние
арифметические т. _ 2 У { ^ У г 27 Общее
25 27 33 43
по каждой из среднее
групп ^1

66
Продолжение табл. 14

1 2 3 4 5 6 7 8

Условные диспер-
син числа машин 135 72,5 145 157 220
по группам
Условные сред­
ние квадратичес­ 11.6 8.5 1 2 . 1 12,5 14.6
кие отклонения
по группам
Условные сред­ Среднее
ние квадратиче­ ври4ь4ети—
3 2 2,6 2.6 3,06
ские отклонения ческое
разброса средне­ ^1
го результата по
= 2,3 кг
группам

Рис. 2 3, Зависимость расхода горючего на 100 км пути


(ось ординат) от давления в баллонах (ось абсцисс): 1 -
выравнивающая парабола (уравнение регрессии) опытного кор­
реляционного поля: 2 - детерминирующая составляющая прог-
новирования; 3 - стохастическая составляющая прогнозиро­
вания

67
5-2
Решение
1, По данным табл. 14 строим коррелвпшонное поле (см, рвс.23).
2, Находим общее статистическое математическое ожидание (среднее
арифметическое) результативного признака

А/ " 100 ' '


3. Находим условные средние арифметические по каждой из групп

. Еу.Пу, 15-1* п-1*39-1


Ухг ^ У - ^ г?
15 =27,
1

15-6 *20'2-*25-2-^30'2*35-6
д = = 25,
'Г 18

15-9*21-1*33-1*39-9
= 27;
Ухз 21

- _ 20-9-^27-1-*-33'2+39-1-*'46'9
-33;

21-10^33-и 43-2-^ 53-1*59-10


Ух\
24
4 . Теперь составл51ем расчетную таблицу для вычисления коэффициентов
а, Ь а С (см, табл. 1 5 ) .

Таблица 15. Расчетная таблица для вычисления коэффициентов парабо­


лического уравнения регрессии

^1 41
Ун 4'^Н Х^^Х! 9X1-^X1 ' { • ^ Х 1 - ^ 5 ' ^ Х Г

1 15 27 15 15 15 15 405 405 405


2 18 25 36 36 72 144 288 450
3 21 27 36 189 567 1701 567 1701 5103
4 22 33 83 35 2 1408 5632 726 2984 1 1 6 1 6
5 24 43 120 600 3000 15000 1032 5160 25800

100 - 322 1228 5134 22636 3180 11070 44720

Среднее з н а ­
чение 3,22 12,28 51,34 226,36 31,8 110,7 447.2

68
На основании данных табл, 15 составляем нормальные уравнения
0.226,36 + Ь 5 1 , 3 4 + С 12,28 - 4 4 7 , 2 ;
а 51,34 + * 12,28 + с 3,22 = 110,7;
а 12,28 + Ь 3,22 + с 1. = 31,8.
Решая систему трех уравнений с тремя неизвестными методом Крамера,
получаем: в. = 2, Ь = —8 и С = 3 3 ,
Следовательно, уравнение параболической регрессии запишется так

Ух1 = 2х^+8Х =33.

Кривая параболы, отвечающая уравнению регрессии, нанесена на рис, 23.


Проведенный анализ показывает, что наименьший расход горючего имеет
место в том случае, когда давление в баллонах равно двум атмосферам. При
возрастании или уменьшении давления в баллонах расход горючего увеличи­
вается.
5, Корреляционное отношение.
Коэффициент корреляции ^ Ху служит мерой тесноты парной корреляци­
онной зависимости для линейного случая. В случае, когда корреляционная
зависимость является криволинейной пользуются корреляционным отношением,
вычисляемым по формуле

^^Утежгууп. _ у д/
^у/х =
^(У)обшее 12(у-у)Ы,.
N

где ^У/Х ** '^°РР®™1™°""°® отношение;


^ - объем выборки;
. _ условные средние признака у по каждой из групп;
у - общее среднее арифметическое;
^ - частоты признаков у их.
Находим общую статистическую дисперсию признака д

г _ Е(у-у)^пу1_ (15-31,8)^ 22Ч20-31,В)^'11*--Н59-31,8}'-10о,


^ (у/общая 100

При этом общее среднеквадратическое отклонение равно

б(у)о6щее^'^1 = ^^'^^-

Находим межгрупповое среднее квадратическое отклонение ё(у)„ежгруп. '


характеризующее разброс групп относительно общего среднег
|его

Г/ , - 1^(У^гУ}'пн-
^{У/межгрГ у д/

\(21-31,8)'•15425-31.8}'-18* -*(43-31,8Г-2^. ^^.^^^^

69
Вычисляем корреляционное отношение

^У^'~ б(у)одщее ~ 13,82

Это значит, что факториальный признак - давление в баллонах X является


доминирующим и колеблемость результативного признака у на 49% зави­
сит от признака X . Остальные 5 1 % разброса результативного признака
вызываются другими причинами, например плохой регулировкой карбюратора,
неправильньПVI пользованием педалью г а з а и т.п.
Прогнозирование рассматриваемого явления
Для того, чтобы можно было прогнозировать рассматриваемое явление,
находим дисперсии и средние квадратические отклонения по каждой из групп

^,^^^^^^)5-г5)?5.(г(>-?5)?г./гу5]^гЧз^-»;?гЧ35-г^;%^^^^^. ^^^^^^^^^^

. 115-ф*1а-27Мг7-27}Ьнт7}^9*139-г7]Ь ^,,

^2^^^^ _ {20-ззМг7-ФНзз-зз1?1Нз9-зз)Цу-ф _ ^5^. ^^^^^ ^,^ 5

Проверка правильности полученных результатов.


Из дисперсионного анализа известно, что общая дисперсия равна сумме
межгрупповой и средневзвешенной дисперсий, т.е,

^о5ш,ая ^ ^межгруп. * ^ср. 5з5. Й)

Средневзвешенная дисперсия вычисляется по формуле

'^7//— ИЛ =
Ч-ПУ + П Х +ПХ +Пу
^1 ^3 '^Ч ^5
Для рассматриваемого примера, получаем:

ё(1)г г г - ^^5-15*72,5-18Ч45-21Ч57??^??П-Р4 ^
^"'Р-^'^- 15^18-21*22^24 ^^""^'

Подставляя полученные значешя в формулу (А), убеждаемся, что равен­


ство выполняется. Действительно;
1 9 1 ^ Н6,2 + 1 4 8 .
Следовательно, расчеты выполнены верно.

70
Находим средние квадратические отклонения разброса среднего результа-
<гв по каждой из групп

^Аг*г%=-^=^.^^; ^М*1У)^^^-Щ.

Находим детерминированную составляющую прогнозирования. Если X = 6,


то тогда:
У =2х^-8х*33^2-6^'8-6*33=57лГ.

Стохастическая составляющая характеризуется средним арифметическим


средних квадратических отклонений разброса среднего результата взятых по
всем группам. Для рассматриваемого примера она равна:

_ 3*2*2,62*164*3:06 _
^м*(у} -2 2,22 хГ
•при Х'В о
Детерминированная и стохастическая составляющие проведенного экстро-
поляпионного прогнозирования приведены на рис. 23,
Таким образом, задача рещена. Статистической обработкой установлено,
что стохастическая зависимость между расходом горючего и давлением в
баллонах следует криволинейной параболической зависимости. Корреляционное
отношение ^ — 0^49> значит, что колеблемость результативного
признака на 49% зависит от давления в баллонах.
Экстрополяиионное прогнозирование показало, что при увеличении давления
в баллонах до 6 атмосфер расход горючего возрастет, в среднем до 57 кг
на 100 км пути.
Примечание. Множественная корреляционная зависимость рассматривается
в / 5 , стр. 4 1 / .

§ 1 2 , ВЫРАВНИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ


ПОКАЗАТЕЛЬНОЙ ФУНКЦИЕЙ

Рассматривая разброс опытных точек, в некоторых случаях (см. например


р и с . 2 4 ) , нетрудно сделать заключение, что выравнивание должно производить­
ся не прямой линией, а какой либо криволинейной функцией, например степен­
ной, показательной, логарифмической, гиперболической и другими подобными
функциями.
Показательная функция имеет вид

у^аЬ-^ (А)

Заметим, что функция ( А ) отличается от функции показательного закона


(§ 3) тем, что она является двухпараметрической (параметрами являются
переменные а и * ), в то время, как функш1я показательного закона зави­
сит только от одного параметра ]Ч . Поэтому показательная функция, в и з ­
вестном смысле, является более избирательной.
Покажем на примере порядок вьфавнивания опытного корреляционного пс^

71
3-4
ля показательной функцией вида (А ) .
Пример 10. Исследуется закон зависимости числа неисправностей обна­
руживаемых при осмотрах автомашин от длительности времени их эксплуата­
ции. Статистическими наблюдениями было зафиксировано 4 8 результатов. Р е ­
зультаты сгруппированы в 8 разрядов (см, табл. 1 6 ) . Примешы метод наи­
меньших квадратов требуется вьфовнять опытное поле показательной функ­
цией.

Решение
1 , Преобразуем уравнение показательной функции в уравнение прямой ли­
нии, для чего логариф1^шруем вьфажение {А ), тогда получаем

у'*а[х-*-Ь\ (уравнение прямой линии)

где
у'=Суу; а'^едЬ; Ь'=1да.

Таблица 16, Статистическая обработка экспериментальных данных


показательной функцией вида у = а,-Ь*

•Сере­ Опыт— • Величины вход5шхие в Теоре-^ Отклонения тео­


Грани­
дины ное выражение коэффици­ тичес- ретических ор­
р а з ­ цы
р а з ­ значе­ ентов (г'; Ь' кие динат от опыт­
ряда разря­
рядов ние орди­ ных
дов орди­ наты
наты

Н'^ду* У^теор.

1 1-2 1.5 1 2,25 0 0 1,36 0,36 0,13


2 2-3 2,5 4 6.25 0,6 1.5 1,90 2,10 4,4
3 3-4 3,5 2 12.2 0,3 1,05 2,7 0,7 0,49
4 4-5 4,5 5 20 0,7 3,14 3,75 1.25 1,55
5 5-6 5,5 4 30 0,6 3,3 5,38 1,35 1.82
6 6-7 6,5 9 42 0,95 6,15 7,5 1,5 2,25
7 7-8 7,5 8 56, 0,9 6,75 10,7 2.7 7,3
8 8-9 8,5 15 72 1.17 10.0 14,8 0.2 0,04

Сумм а щ о 48 240,7 5,22 31,89 17,98


1
Ореднее
значение 5 30 0,65 4

Применяя метод наименьших квадратов получаем нормальные уравнения

/7 •*• Л ' а '

пп
72
Решая систему двух уравнений с двумя неизвестными получаем:

Значения величин, входяпхих в выражения а' и ' Ь' для рассматривае­


мого примера, составляют:
1,5*2,5*3,5*4,5*5,5*6,5*7,5-^8,5 40 г-
Х = - ^ = 8 =

. . . 1x1 1,5^*2,5^*3,5^*^5^*5,545^*7/*8,5' 240,7^.


о^^х)-—= = —

0*0,5*0,3*0,7*0,6*0,95*0^*1,17 _ 5X2

1х1ду 0*1,5*1,05*3,14 *3,3*6,15*6,75* 10,0 _ 31^^


^ Ц М ) ^ „ ^ д - Л - •

Полученные данные заносим в колонки 3, 5, 6 и 7 табл. 16, Подставляя


полученные числа в выражения а ' я Ь' , получаем
, . , 1,-5о,б5 Л : Ж . о . п _
" ' ' Э * - - ! ^ Г"'^'^'

^555''

Потенпируя по таблицам антилогарифмов, находим

Ь=/,« а а =0,79.

Следовательно, искомая показательная функция имеет вид

у'аЬ^'0,79-(1,'^2}\ (В)

Для построения графика показательной функции прологари({мируем выраже­


ние ( б )» тогда получим:

или

+ х-а^5.

73
5-5
А-р

14

13 > I аV
/ ГШ
12
/ / ' ' 1{
11
10 ^ 1
'/ /
9

8
7 >^ 8
7 / ^
6
х' /
5

1 2 3 Ч 5 6 1 8 9х
Рис, 2 4 , Опытное корреляционное поле и вьфавнивающая его по
методу наименьших квадратов кривая показательной и кривая
степенной функций: 1 — ломанная опытная линия;2 - пиния показа­
тельной функции; 3 - линия степенной функции

Задаваясь различными значениями аргумента, например, величинами, р а в -


УШ серехшнам разрядов, получаем:
Для X = 1.5 • - - 0 , 1 + 1.5 • 0,15 =• 0,125;
91 = 1.36
Для х = 2 . 5 ; - 0 , 1 + 2,5 • 0,15 а 275 1.9
Для х = 3,5 • в - 0 , 1 + 3,5 • 0,15 ш 0,425, Уз' 2,7
Для х = 4 . 5 ; = - 0 , 1 + 4 . 5 • 0,15 ш 0 , 5 7 5 ; Уи.- 3,75
Для X = 5,5 • - 0 , 1 + 5,5 • 0,15 - 0 , 7 2 5 ; У5 = 5 , 3 8
Для х = 6,5 ; - 0 , 1 + 6,5 • =8 0 , 8 7 5 ;
^5 = 7.5
Дня х = 7 / 5 • ^9У1 = - 0 , 1 + 7.5 • 0,15 1.03; 10,7
УТ
Для X = 8.5 = - 0 , 1 + 8.5 • 0,15 1Д7;
Уз- 14,8
Полученные значения ординат теоретической показательной функции заносим в
колонку 8 табл. 1 6 .
На основании полученных данных строим график показательной функции.
выравнивающей экспериментальные данные (см, рис; 2 4 ) ,
Заметим, что опытные данные рассмотренного примера, можно было по
методу наименьших квадратов, выровнять какой либо другой аналитической

74
функпией; например погари4мической функцией или степенной (параболой в т о ­
рого, третьего и более высоких порядков). Для определения степени прибли­
жения избранной аналитической функции к опытным данным, и следовате;ь-
но, для определения наилучшей функции, обычно вычисляют, так называемую,
основную ошибку, по формуле

Чем меньше основная ошибка, тем в большей степени избранная аналити­


ческая функция приближается к опытным даиньо-и
Суммируя данные колонки 10 табл. 16, для рассмотренного примера, по­
лучаем следующее значение основной ошибки

§ 1 3 . ВЫРАВНИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ


СТЕПЕННОЙ ФУНКЦИЕЙ

Рассмотрим орядок вьфавнивания опытных данных по методу наименьших


квадратов степенной функцией вида

Применим прием, который применялся для показательной функции. Для


преобразования уравнения степенной функции в уравнение прямой линии про­
логарифмируем выражение (С), тогда получаем:

1ду-Е^П.+Ы.^Х (уравнение прямой линии)

или

Применяя метод наименьших квадратов получаем нормальные уравнения

^—= п

Решая указанную систему двух уравнений с двумя неизвестными, полу-

, сС^1(ху}-х У л п п.

п[пI

70
I ^2^^)У " п - т а ~7Г"

Покажем для примере рассмотреннотю в 8 1 2 порядок вьфавнивания опыт"


ных данных степенной функцией {сьл^ табл. 17).

Таблица 17, Статистическая обработка экспериментальных данных


степенной ф1'Т1киией вида у-ИХ^

Сере­ Опыт­ Величины входящие в выраже­ Т е о р е ­ Отклонения тео­



дины ные ния коэффициентов а ' и V т и ч е ­ ретических ор­
раз­
ряда ра:>- орди­ ские динат от опыт­
рядов наты орди­ ных
наты

Чср. У!
Сдх.Еду п УгУ1 ( У Н Г

1 1,5 1 0,17е 0 0,030 0 0,014 0,88 0,74


2 2.5 4 0,400 0,60 0,16 0,24 1,75 2.25 5,15
3 3,5 2 0,540 0,30 0,29 0 , 1 6 2 3,45 0,10 0,01
4 4,5 5 0,650 0,70 0,4 2 0,595 5.1 0,1 '45,01
5 5,5 4 0,750 0,60 0,56 0 , 4 4 8 6,9 2.9 8,5
6 6,5 9 0,810 0,955 0,66 0,77 8,5 0,5 0,25
7 7,5 8 0,871 0,905 0,765 0,79 10,5 2,5 6,25
8 8,5 15 0,930 1,175 0,86 1,08 12,9 2.1 4.4

Сумма 48 5,09 5,23 3,735 4 , 0 4 5 20,16

Среднее з н а ч е ­
ние 0,635 0,65^ 0,465 0,506

Значениа величии входящих в вьфажения коэффициентов о! и состав­


ляют:

0,175*0,400*0,540 *"-*0,930 0,509^^.,.


X ^ =- =_ = 0,635;

г:,.Е^9Уь. 0^0,60*0,30*0,70 *•-* 1,175 5,23 ^....


У- п в —д-=0,656;

,у ''^11 0,'*75ЧО,40)^*(0.54)^ *-*{0.970]^ 3,732„ исс


•^1^4 ^ - д =-^—=^,4ьь,

ЕШСду 0*0,24+0,162 *-* 1,08 4042 ^„^^^


о^г(''!/';« =—— я "в" '

76
Полученные данные заносим в колонка 4 , 5 . 6 и 7 табл. 1 7 . Подставляв
полученные значения в выражения а' и Ь', получаем

0,505-0,635-0,656 0Ш_^
0,Ш-(0,635)2 0,062

0Л66-0,656-0.506-0,635 -0,015
0,466-(0,635)2 '~Щ-=-0'2'*2''1,78.

Потенцируя по таблицам антилогарифмов выражение [да-116, получаем:


а = 0,576 и 1,45.
Следовательно, искомая степенная функция вычисленная по методу наи­
меньших квадратов, имеет вид

У'ах^=0.576х^''^. (Е)

Для построения графика, полученной теоретической степенной функции,


прологарифмируем выражение „ Е " , тогда получим

(ду = 1да*Ъ^х^176*1,45-1дх.

Задаваясь различньп^1и значениями аргумента д , например, задаваясь


серединами интервалов, получаем
1.5; 1,76 + 1,45 - 0,175 » 0,015; Уг = 0,014
дДР^ = 2.5; 1,76 + 1,45 ' 0 . 4 0 0 - 0,240; 1,75
Для X = 3.5; 1,76 + 1,45 • 0 . 5 4 0 = 0,540; Уз- 3,45
Для X = 4,5; 1,76 1,45 ' 0 , 6 5 0 = 0,705; У4 = 5,1
Для д = 5.5; 1,76 + 1,45 « 0 . 7 5 0 = 0,840; У5 = 6.9
Для х = 6,5; 1,76 + 1,45 - 0 , 8 1 0 = 0,930; Уб = 8,5
Для X = 7.5; 1,76 + 1,45 • 0,875 = 1,020; У7 = 10,5
Для х = 8.5; 1,76 + 1,45 • 0 . 9 3 0 - 1,11; Уь- 12.9

Полученные значения ординат степенной функции заносим в колонку 8


табл. 17 и вычисляем значения колонки 9 и 10 той же таблицы.
На основе полученных данных строим график степенной функции, вырав­
нивающей опытную ломанную (см. рис, 2 4 ) ,
Для определения степени приближения степенной функции к опытным дан­
ным вычис;1яем величину основной ошибки. Она составляет

Сравнивая основные ошибки вычисленные для показательной и для степен­


ной функции ( 1 , 6 < 1,7), заключаем, что для рассмотренного примера, боль­
шая степень приближения обеспечивается при выравнивагаш опытных данных
показательной функцией.

77
§ 1 4 . ВЫРАВНИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ
ЛОГАРИФМИЧЕСКОЙ ФУНКЦИЕЙ

В обшем виде, логарифмическая функция вьфажается следующей завися-

у^а-Сдх+Ь.

Применяя метод наименьшил квадратов и полагая 1дX = х\ получаем

с1М')-д-осМГ (Ш1)!-^_1у1^ Пдх


Ь=— 11— п п п ~~п—
Л(х') •-

Вьпшсление коэффициентов й и Ь производитоя подобно тому, как это


было показано выще (см. § 1 2 и § 1 3 ) . Для определения с т о п е 4 прибли-
жения^логарифмической функции к опытным данным вычисляют основную

§ 15. ВЫРАВНИВАНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ.- 'ж


ГИПЕРБОЛИЧЕСКОЙ ФУНКЦИЕЙ

"^"^ практики, корреляционное поле желательно выра^


ниватъ гиперболической функцией вида вьрав-

У(хГТ*^-

Указанное уравнение вначале преобразуют в уравнение прямой линии. Для


этого делают замену переменной, полагая

7= 1

Тогда уравнение гиперболы записываетоя в виде уравнения прямой линии

Нормальные уравнения имеют вид

п л " п ~

78
Решая указанную систему двух уравнений с двумя неизвестными полу­
чаем: .4

п \ п I

п \ п I

Значения коэффициентов а и 1) вычисляются подобно тому, как это было


показано выше.

§ 16. КРИТЕРИЙ ДЛЯ НЕПРИНЯТИЯ РЕЗКО ВЫДЕЛЯЮЩИХСЯ


НАБЛЮДЕНИЙ

При статистической обработке опытных данных часто возникает вопрос:


следует, или не следует отбросить одно или несколько резко выделяющихся
наблюдений, т.е, считать, или не считать их грубыми ошибками.
Решение этого вопроса производится на основе сравнения вероятностей
рассчитанных с учетом и без учета указанных подозрительных наблюдений
при определенном заранее принятом уровне значимости.
Покажем на примере порядок указанной проверки, » - ^
Пусть в результате наблюдений было получено шесть значений какой ли- 1^ ,
бо случайной величины ^
у = 3, 4, 5, 15, 6, 2.
Измерение у = 1 5 вызывает подозрение, так как оно заметно отличается
от остальных.
Для решения поставленной задачи отбросим у = 15 и для оставшихся
измерений вычислим числовые характеристики.
Статистическое математическое ожидание равно

- * 1у1 3*4*5+6+2 .

Исправленное среднее квадратическое отклонение, равно

бм ',58.

Теперь по табл, 18 для д = 5 при уровне значимости ^5 = 0,01 нахо­


дим ^ л = 5 , 0 4 3 , , , ,
В ь ^ с л я е м отклонение \у -у = 1 5 - 4 | = 1 1 . Произведешь
1^а-^(У1 составляет: I Р, ' б/у} = 5,ОЛЗ. 1,58 - 8, ,
Так как 1 1 > 8, то это значит, что при уровне значимости /Л - 0.01 зна­
чение у = 15 следует считать грубой ошибкой и, следовательно, его надо
отбросить.
Если вз5ггь меньший уровень значимости, например р= 0 , 0 0 1 , тогда
^;3=.9,43, При этом произведение ^/5'^1У}^ 9 , 4 3 . 1,58 = 15 и
11 < 15, Это значит, что при меньшем уровне значимости результат у =15
можно считать случайным и, значит исключать его из опытного ряда не
надо, '

Таблица 18. Таблица для непринятия резко выделяюкшхся наблюдений

Число
Уровень значимости
наблюдений
п уЗ= 0,05 0,02 уЗ= 0 , 0 1 уЗ= 0,001

2 15,561 38,973 77,964 779,696


5 3,041 4,105 5,043 9,432
2,616 3,360 3,963 6,370
10 2,372 2,959 3,409 5,014
15 2,215 2,710 3,075 4,276
20 2,145 2,602 2,932 * 3,979
25 2,105 2,541 2,852 3,819
30 2,079 2,503 2,802 3,719
60 2,018 2,411 2,683 3,492
Примечание. Полную таблицу см, [ 8 , стр, 1 9 ]

80
ДРИЛОЖР^^д
МАТЕМАТИЧЕСКИЕ ТАБЛИЦЫ

Таблнш 1 . Дифферешшальная функшя нормального закона

1 -ф
И Г '

Сотые доли X

1 ^ I 7
1 ® 1 ^
0.0 0,398 398 398 398 398 398 398 398 397 397
0.1 397 396 396 395 395 394 393 393 392 391
0.2 391 390 389 388 387 386 385 384 383 382
0,3 381 380 379 377 376 375 373 372 171 369
0.4 368 366 365 36 3 36 2 360 358 357 355 353
0.5 352 350 348 346 344 34 2 341 339 337 335
0,6 333 331 329 327 325 323 320 318 316 314
0.7 312 310 307 305 303 301 298 296 294 292
0.8 289 287 285 282 280 278 275 273 270 268
0,9 266 263 261 258 256 254 251 249 246 244
1.0 0,242 239 237 234 232 229 227 225 222 220
1,1 217 215 213 210 208 205 203 201 198 196
1.2 194 191 189 187 184 182 180 178 175 173
1.3 171 169 166 164 162 160 158 156 153 151
1.4 149 147 145 143 141 139 137 135 133 131
1.5 129 127 125 123 121 120 118 116 114 112
1.6 110 109 107 105 104 102 100 098 097 095
1.7 094 092 090 089 087 086 084 083 081 080
1.8 079 077 076 074 073 072 070 069 068 066
1.9 065 064 063 062 060 059 058 057 056 055
2,0 0,054 052 051 050 049 048 047 046 045 044
2.1 044 043 042 041 040 039 037 037 037 036
2.2 035 034 033 ОЗЗ 032 031 031 030 029 029
2,3 028 027 027 026 025 025 024 024 023 029
2.4 022 021 021 020 020 019 019 018 018 018
017 017 016 016 015 015 015 014 014 013
013 013 012 012 012 011 011 011 011 010
010 010 009 009 009 009 008 008 008 008
007 007 007 007 006 006 006 006 006 006
006 005 005 005 005 005 005 004 0О4 004
0,004 004 004 004 0 0 3 0 0 3 003 003 003 ООЗ
Таблица 2 . Функция Лапласса

X —-
ф{х).

~-х

Сотые доли X

0.0 0.0000 0.0080 0.0160 0.0239 0,0319 0.0399 0.0478 0.0558 0.0638 0.0717
0.1 0,0797 0.0876 0,0955 0,1034 0.1113 0.1192 0.1271 0.1350 0.1428 0.1507
0.2 0.1585 0.1663 0.1741 0.1819 0,1897 0.1974 0.2051 0,2128 0,2205 0,2282
0.3 0,2358 0.2434 0.2510 0.2586 0,2661 0,2737 0.2812 0.2886 0.2960 0.3035
0.4 0,3108 0.3182 0.3255 0,3328 0.3401 0,3473 0.3545 0.3616 0.3688 0,3759
0.5 0.3829 0,3899 0.3969 0.4039 0,4108 0.4177 0.4245 0.4313 0,4381 0.4448
0.6 0.4515 0,4581 0.4647 0.4713 0.4778 0.4843 0,4907 0.4971 0.50350.5098
0.7 0.5161 0,5223 0.5285 0.5346 0.5407 0,5467 0,5527 0,5587 0.5646 0.5705
0.8 0.5763 0.5821 0.5878 0.5935 0.5991 0,6047 0.6102 0,6157 0.6211 0.6265
0.9 0.6319 0.6372 0.6424 0.6476 0.6528 0,6579 0.6629 0,6679 0,6729 0.6778
1.0 0,6827 0,6875 0.6923 0.6970 0,7017 0,7063 0,7109 0.7154 0.7199 0.7243
1.1 0.7287 0.7330 0.7373 0.7415 0.7457 0.7499 0.7540 0,7580 0.7620 0.7660
1.2 0.7699 0.7737 0,7775 0,7813 0,7850 0.7887 0,7923 0.7959 0.7994 0.8029
1.3 0,8064 0.8098 0,8132 0.8165 0.8198 0,8230 0,8262 0.8293 0,8324 0.8355
1.4 0.8385 0.8415 0.8444 0.8473 0,8501 0.8529 0,8557 0.8584 0.8611 0,8638
1.5 0,8664 0,8690 0,8715 0.8740 0.8784 0.8789 0,8812 0,8836 0.9070
0.8859 0.9090
0.8882
1.6 0.8904 0.8926 0.8948 0,8969 0.8990 0.90П 0.9031 0,9051 0,9249 0.9265
1.7 0.9109 0.9127 0.9146 0,9164 0,9181 0,9199 0,9216 0.9233 0.9399 0.9412
1.8 0.9281 0.9297 0.9312 0,9327 0,9342 0.9357 0.9371 0.9385 0.9523 0,9534
1.9 0.9426 0.9439 0.9451 0,9464 0,9476 0.9488 0.9500 0,9512 0.9625 0.9634
2.0 0.9545 0.9556 0,9566 0.9576 0.9586 0,9596 0.9606 0.9700
0.9616 0.9707 0.9715
2.1 0.9643 0,9651 0,9660 0.9668 0.9666 0.9684 0.9692 0.9768 0.9774 0.9780
2.2 0.9722 0.9729 0.9736 0.9743 0,9749 0,9756 0.9762 0.9822 0,9827Ю .9832
2.3 0,9786 0,9791 0,9797 0.9802 0.9807 0.9812 0.9817 0.9865 0.9869 0.9872
2.4 0.9836 0.9841 0,9845 0,9849 0.9853 0.9857 0.9861 0.9898 0,9926
0,9901 0.9904
0,9928
2.5 0,9876 0.9879 0,9833 0,9886 0,9889 0.9892 0.9895 0.9924 0.9946 0,9947
2.6 0.9907 0,9910 0,9912 0,9915 0,9917 0.9920 0.9922 0.9944
0,9960 0.9%1
2.7 0.9931 0.9933 0.9935 0.9937 0.9939 0.9940 0.9942 0.9959 0.9971 0.9972
2 в 0.9949 0,9951 0.9952 0,9953 0,9955 0,9956 0.9958 0.9970 0.9979 0.9980
0.9963 0.9981
2,9 0.9981 0.9964 0,9982
0.9965 0.9983
0.9966 0.9983 0.9968 0,9%9 0.9979 0,99850.9986
0,9967 0.9984
0,9973 0,9987
3.0 0,9986 0.9974 0.9987
0.9975 0.9988
0,9976 0,9988 0.9977 0.9978 0.9985 0,9990 0.9990
0,9976 0.9989
3.1 0,9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9984 0.9989 0.9993 0.9993
3,2 0,9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9989 0.9992 0.9995 0,9995
0.9992 0.9995 0.9997 0,9997
3.3 0,9905 0.9996 0,9996 0.9996 0,9996 0,9996 0.9390
9995 0.9996 0.9998 0.9998
3.4 0,0997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997
3.5 0,9998 0,9998 0.9998 0,9998 0.9998 0.9998 0,9998 0.9998 0.9998 9998
3.6 0.9999 0.9999 0,9999 0.9999 0,9999 0.9999 0.9999 0.9998 0.9999 0.9999
3.7 0,9999 0,9999 0.9999 0.9999 0.9999 0.9999 0,9999 0.9999 0.9999 9999
3.8 0,9999 0,9999 0.9999 0.9999 0,9999 0,9999 0,9999 0,9999 0.9999 0.9999
3.9 0.9999
4.0

82
Таблвоа 3. Интегральная функция нормального закона

X ФЪ) X Ф'(х}
1 '

-0,00 0,500 -2,70 0,003 1.40 0.919


-0,10 0.460 -2,80 0,002 1,50 0.933
-0,20 0,4 20 -2,90 0.001 1.60 0.945
-0.30 0,382 -3,00 0,001 1.70 0,955
-0,40 0,344 -3,10 0.001 1.80 0,964
-0,50 0.308 -3.20 0.000 1.90 0,971
-0.60 0,274 -3,30 0,000 2,00 0.977
-0,70 0,24 2 -3.40 О.ООО 2,10 0,982
-0,80 0,211 -3,50 0.000 2,20 0.986
-0,90 0,184 -3,60 О.ООО 2,30 0.989
-1,00 0,158 -3,70 0,000 2,40 0.991
-1.10 0,135 -3,80 0,000 2,50 0,993
-1.20 0,115 -3,90 0,000 2,60 0,995
-1.30 0,096 О.ОО 0,500 2,70 0.996

-1.40 0,080 0,10 0.539 2.80 0.997

-1,50 0,066 0,20 0,579 2,90 0,998

-1,60 0,054 0,30 0,617 3.00 0,998

-1,70 0,044 0,40 0,655 а ю 0,999

-1,80 0.035 0,50 0,691 3,20 0,999

-1.90 0,028 0,60 0.725 3,30 0,999

-2,00 0,022 0,70 0.758 3,40 0,999

-2.10 0.017 0,80 0,788 3,50 0,999

-2,20 0,013 0,90 0,815 3,60 0,999

0,010 1,00 0,841 3,70 0,999


-2,30
0,008 1.10 0,864 3,80 0,999
-2,40
0,006 1,20 0,884 3,90 1,000
-2,50
-2,60 0,004 1,30 0,903

вз
Таблица 4 , Вероятности закона Пуассона

ОД 0,2 0,3 0,4 0,5 0,6 0,7 0.8 0,9


. 4

0 0,90 0,81 0,74 0,67 0,60 0,54 0,49 0,44 0,40


1 0.09 0,16 0.22 0,26 0,30 0,32 0,34 0,35 0,36
2 0,00 0,01 0,03 0,05 0,07 0,09 0,12 0,14 0,16
3 0,00 0,00 0,00 0,00 0,01 0,01 0,02 0,03 0,04
4 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,01
5 0,00 0,00 0,00т 0,00 0,00 0,00
6 0,00 0,00 0,00

1 2 3 4 5 6 7 8 9 10

0 0,36 0,13 0,04 0,01 0,00 0,00 0,00 0,00 0,00 0,00
1 0,36 0,27 0,14 0,07 0,03 0,01 0,00 0,00 0,00 0.00
2 0,18 0,27 0,22 0,14 0,08 0,04 0,02 0,01 0.00 0,00
3 0,06 0,18 0,22 0,19 0,14 0,08 0,05 0,02 0,01 0,00
4 0,01 0,0 9 0,16 0,19 0,17 0,13 0,09 0,05 0,03 0.01
5 0,00 0,03 0,10 0,15 0,17 0,16 0,12 0,09 0,06 0,03
6 0,00 0,01 0,05 0,10 0,14 0,16 0,14 0,12 0,09 0,06
7 0,00 0,00 0,02 0,05 0.10 0,13 0,14 0,13 0,11 0,09
8 0,00 0,00 0,02 0,06 0,10 0,13 0,13 0,13 0,11
9 0,00 0,00 0,01 0,03 0,06 0,10 0,12 0.13 0.12
10 • 0,00 0,00 0,01 0.04 0.07 0( С 9 0,11 0,12
11 0,00 0,00 0,00 0.02 0,04 0,07 0,09 0,11
12 0,00 0,00 0,00 0,01 0,02 0,04 0,07 0,09
13 0,00 0,00 0,00 0,01 0,02 0,05 0,07
14 0,00 0,00 0,00 0,00 0,01 0,03 0,05
15 0,00 0,00 0.00 0,00 0,01 0,03

84
Табгаца 5, Вероятности закона Пирсона в зависимости от иГ

1 2 3 4 5 6 7 8

1 0,317 0,606 0,801 0,909 0,962 0.985 0.994 0,998


2 157 367 572 735 849 919 959 981

3 083 223 391 557 700 808 885 934


4 045 135 261 406 549 676 779 857
5 025 082 171 287 415 543 660 757

6 014 049 111 1У9 306 423 539 647

7 008 030 071 135 220 320 4 28 536

8 004 018 046 091 156 238 332 433

9 002 011 029 061 109 173 25 2 342


10 001 006 018 040 075 124 188 265

ООО 004 011 026 051 088 138 201


11
12 ООО 002 007 017 034 062 100 151

13 ООО 001 004 011 023 043 072 111

ООО ООО 002 007 014 029 051 081


14
ООО 001 004 010 020 036 059
15 ООО
ООО 001 003 006 013 025 04 2
16 ООО
ООО ООО 001 004 009 017 030
17 ООО
ООО 001 002 006 012 021
18 ООО
001 004 008 014
19
001 002 005 010
20
Примечание 003 007
001
21 - число степеней свободы, равное
Г - ; 002 004
22
х ' - сумма квадратов отклонений опытных 001 003
23
частостей от теоретических 001 002
24
001
25
001
26

6-1
8 й с§ — 3 С4 <0 <0 ем со (О
о — С1 со со 1Л — 1^ 3
о о о о о о о•ч- ою о ю о о о о о
о оо со (О 00 00 о о о (О (О о
о ^- 2 й о § 3 «о — «э » «
оо оо о о ого осо о о о о о о о о во
оо со сч (О <о г>> 00 ю о о 'Г ^ о еГ
г- 1Л со о •ч•ю^л<о«о^*^-^;а
о оо о о осо о«о о о о о о о о о

00 <г> со со со со о
г~ 1Л со о о со ем 5 2 § I
о' оо о— о04 осо ооо о ою ою о со о о С) о' о
оо со сч со со со •Ч" 2 2 см ем 00 о
г* 1Л со о о со _ —• Ю 00 см
о оо о— осм осо осо о ою о ю о (Оо соо о г>.о (>: 00
00 со см со со см со о со со со см см со 00
ю со о - со — ю 00 - I
о оо о— см о со о о* о о о о о о о о
о со со со 00
оо со см ^ со см •ч* 'Г со со о о со со
г- ю со о о с о — со — ю о о —
о оо о— осм осо осо о о ЮоЮ оС ОоС О о Го^ | ^о ( ^©0 0
00 со см о см •Ч" см со ^ 00 00 3 2
ю со со со •ТГ о со « со о 1^ 00
о оо о—• см о о о о ю о ою осо осо г<о о* о* о'
00 со о о о см о 00 со 3
г*. 1Я со со со тГ о со со со о ТГ 00
о оо о— см о о о о* о о* о" о* о о* о*
§ оо 3 ^ ТГ см о С<
о «>- Т Г о
| о см см со ТГ о ем
со со о ТГ со
о_ ~ см _ _
о* о* со
о" соо о" ош ою осо осо о о о г-о 00
о* о"00 ТГ о см см оо о 00 о о см см 00 00
Й г- ю со со со со о — со о ТГ о
о* ооо* — о •о"смо* о* о* о*. со со ^- г» 00
§ 00 00 см см со 00 со 00 со о о ТГ ТГ
о" о" о' о' о' о'
г-^ о> ю о со ю о ТГ г* о
1Л см о ь-
'Я тГ о*ТГ о*
Ш о" о
8 ^ 00
о — т*" с00
м_ ^ со ТГ со т г- (~~
со со о
об
о' о оо —о*1Л о о ' со сл 3 о'
(О о' о' о'
смсм ю о о со г*
оооооооооо Ф о ТГ ТГ.
ю со о* о* о о о
со см 00 о 00 см ТГ о с^ о сч" 1^ Г~
1^ Ю см со _ со со С7> Ю о «л о»
о оо о—I осм осо осо оТГ оТГ о1Л о(О о соо соо о о
со см со ^ с§ й § со 00 (Л ТГ ^ 18
ю см см со ТГ ТГ ТГ С> 00 см 1^ г*
о оо о— осм о о о о о о о о соо о о
со о ТГ ТГ см со ТГ о о 00 со
. л см О) со сч 00 ТГ ю Г-- —• Гг. Гг.
о оо о-* см о смо соо о 10 о о со- о ог- о о
? ТГ 00 о о о 00 см о со оо ТГ со со
Ь о" о* 00 см со
5 ог» — ТГ С смМ см
СП со см ТГ ТГ со ю 1Л со сО о со сО
г» г» (>.
со «б об о со оо 00 00 ТГ со тГ
оо© о о о—о осмо осмООО ООО
^ ^ т г — о о тео г — со — 323 —. тГ
о о' о' о' о' СЭ о' о о С) о' о' о СЭ
о о оо см ТГ см оо со ТГ 00
о ТГ о 1^ «о ео ю со г»
о о о— ем о см о соо о о о о о о' о' о о
§ •4' сО со см <р 00 §5 8 § §
ТГ от ТГ 00 ТГ ТГ л 10 § 1
^ см 00
см см со л о" о о о о о о
оооо
о' о' о о' * о — *Я. Т>
о о ' о о о о о" о" о* о ' —"——*" ^
да ^ ^ —ю л о о
да о> о> §1 35 35 «3
о о" о' о о
о — о— _ Ф
о ТГ ТГ да о о о о о о' о*
8 •ч- см да ем ю о» X
СЭ 1Л (У> и
см ТГ
«N4 «о да да о" о о о ода о оа> СТ) (XI о о о —
да о" о" СП <з> 01
ООО ТГ ем См ТГ да см см см ю да и
о* о да ю да
о о о о о о о о СоП оо5 о ст>
2 .
о о — а «и Ф
да СМ о ю да да СМ см да СМ ТГ да да д
«О
о о'г- о" см го ю да- о>. сг> . о СП§5
да о о* о С оТ) 01 о оо о" о" СЭ о о — Э а «а
да о см •ч- да см о ю СМ ТГ да
да да о см со г— да . да, и
о* о да о ог> оо о о о о <л О) о о С
с о
П
— •8 I II
о да ТГ ю СП СП 01С> О) о,
о о «э С М ТГ №
СГ) о СМ СО да да а> о" о' 8 о1 о
о о ода оСП о о о о о СП
о о о о о о о ф о
да о да СМ ТГ < 7> СП СП
о о тГ СТ> О) СП
СП
да Г ю
да да да о о X со
со г-^ да да СП О) СП о» о о II
о* ода о С оП о СП о СТ)о о о
СГ) СП <т>о О О О О О О —о л II'
СП с ф
см да да о ТГ 00 да •ст' о см да да
оФ >.
ТГ ода ода о оем осо о одаог- о00 о Йо§5 о о о
да да С П СП О О О о
о о о о
о — я
о X К X ю
о'о да да ТГ см да да ТГ 00 см •г да да да о о ? с
3 да — со да да да 00 о о 8? §5 о о
о о ода о оо о о оо оО оО О о оо о о о о о о о — с;I I X
да ем ем о да о о о о
3 да сч 38 §5 да да да о а
С>1 со да да о — со - г-~ да о о о о С
ода ода ода оо оо о о о оО оО О о о о с оо о о о' —
да о о да •ч- да см -ч- сч да да о
да да 2
со да да о —• см да 1^ да да о
о §5 8 о
о о о о
да ооо ТГо оО Оо Оо оо о О О О о о -'
см да дада дао
о см о 3 8 о да да
3 35
— см да о о 35
о о о о да о о о оо оо о о о о* о о о о" о'
да сч о о оо да оо да 3 §8 сч
35
да да да да О
ем да о сч ю да о о 85 оО О^ Оо 8! 8
ода дао о дао о о о о Оо ОоО о о о о о о о ООО* о —
см 3 да о ТГ да сч •Ч' тГ 3 3 см да да да да да
см да да 3 о СО да да о о 35 о о О О О
да о ода о о оо оО оО оО о о о да оо о о о оо о о оО оО оО — да да о
тг да о да о да да сч
о' да да да о о со ТГ да да да да О О О
да о о о ода оо оо оО оО О о оо о о о о о о О О О о' о' о' о О о Оо О —
ч" да о да см сч о да 3 см см 3" со
да о
со да со об о см со да да ,о о о о о» $ 35 з;
о* о о о*
о да да
сч да
да да о О
оо оооооооо да Оо Осч 3 см да § Зо оооооооооо
а ё а В § § ^ ' ^ ^ $ ^ о
10 3 о см -д- о
да о о 0 0 ) 0 0 0 0 0 0 0 0 9 0
9> да 2 да о
о о о о о оо оо о~ о о о о о' ооооооооооо
о*
о см о да о «л о С1 см с? 00 см да да о 3 3 ^ о о СП СП
о со ТГ да да о ем со ТГ л да г- ^ да а>^ о_ оо о о о
_р о 00 да да да О О О О о_ оо о о оо О О О о о о'
да да см да сч да ем да да см да о см "*
одао оо о—о о о да о оо о"о со о^ о'
да о'да г- к »^
см О О О о о о о о Оо ОоО о о о о о О О О
о о о о да о дао ода да
о да
со ем да ем ТГ да да да сч да да да да 1 о Й З й | ^ д а З ч ф 5
ООО
СЧ1 ем да о о см да да о о сч со дааоаосодаоодааоооао
о о о о о о о о 1>о» да о да об сэосаооооооо
да да г~ сс' 00 о
ю да г- да о да во о с< да^ о
СЭ см ^ да «О- о см
со ео" да ю да ю да
— см см ем ем со со со

8-2 87
Таблица 7, Коэффициенты для распределения Вейбула

' Показатель с т е - - Нррмированное Нормированное


Коэффициент
пени у интенсив­ матем атическое среднее квадра­
вариации
ности отказов ожидание тическое откло­
нение

71 . - т )
мш '^^ а. а

15,83 0.2 120 1900


5,29 0,3 8,86 46.9
3,14 0.4 3,32 10,4
2,24 0,5 2,00 4,47
1,74 0,6 1,50 2,61
1,46 0,7 1,27 1,86
1,26 0,8 1,13 1,43
1,11 0,9 1,05 1.17
1,00 1,0 1.0 1,0
0,910 1,1 0,965 0,878
0,837 1,2 0,941 0,787
0.775 1.3 0,924 0.716
0,723 0,911 0,659
0,678 1,5 0,903 0,612
0,640 1.6 0,897 0,574
0,605 1.7 0,892 0,540
0,575 1,8 0,889 0,512
0,547 1.9 0.887 0,4 85
0,523 2,0 0,886 0,463
0,4 98 2,1 0,886 0,441
0,480 2,2 0,886 0,4 25
0,461 2,3^ 0,886 0.409
0,444 2,4 0,887 0,394
0,4 28 2,5 0,887 0,380
0,365 3,0 0,893 0,326
0,315 3,5 0,900 0,285
0,281 4„0 0,906 0.255

88
Таблица 8. Плотности вероятностей закона Вейбула умноженные
на постоянную ' а '

0,2 0,4 0,6 0,8 1.0 1.2 1.4 1,6 1.в 2.0 3.0 4,0

0,1 0,67 1,06 1,17 1,08 0,90 0 , 7 1 0,53 0,39 0,28 0,19 0,03 0,00
0,2 0,35 0,62 0,78 0,83 0,81 0,75 0,66 0.56 0.47 0,38 0.11 0,03
0,3 0,24 0,44 0,59 0,69 0,74 0.74 0,72 0,67 0,61 0,55 0.26 0,10
0,4 0,18 0,34 0,48 0,59 0,67 0,71 0,73 0,73 0,71 0,68 0,45. 0.25
0,5 0,15 0,28 0,40 0 , 5 1 0,60 0,67 0,73 0,76 0,78 0,78 0,66 0,47
0,6 0,12 0,24 0,35 0 , 4 6 <3,55 0,63 0,67 0,75 0,80 0,83 0,87 0.76
0,7 0,10 0 , 2 1 0 , 3 1 0,40 0,50 0,58 0,66 0,73 0,79 0,85 1,04 1,08
0.8 0,09 0,18 0,27 0,36 0,45, 0,53 0,61 0,69 0,77 0.84 1,15 1,35
0,9 0,08 0,16 0,25 0,33 0,40 0.49 0,56 0,64 0,72 0,80 1.17 1,51
1.0 0,67 0,15 0,22 0,29 0.37 0,44 0,51 0 , 5 8 1 о . 6 6 0,73 1,10 1,47
1,1 0,07 0,13 0,20 0,27 0,33 0,40 0,47 0,53 0,59 0,65 0,9© 1,23
1,2 0,06 0.12 0.18 0,24 0,30 0,36 0,41 0,47 0,52 0,59 0.77 0,87
1,3 0,06 0 . 1 1 0,17 0,22 0,27 0.32 0,37 0,41 0,45 0.48 0.56 0.50
1,4 0,05 0.10 0,15 0,20 0.27 0.29 0.33 0,35 0,38 0,39 0,38 0,24
1.5 0,05 0,1О 0,14 0,18 0.22 0,26 0,28 0,30 0 , 3 1 0,32 0,23 0,08
1,6 0,05 0,09 0,13 0,17 0.20 0,23 0.24 0,25 0,25 0,25 0,13 0,02
1,7 0,04 0,08 0,13 0.16 0,18 0,20 0 , 2 1 0 , 2 1 0,20 0,19 0,06 0,00
1,8 0,04 0,08 0 , 1 1 0,14 0.16 0,18 0,18 0,17 0,16 0,14 0.02 -
1,9 0,04 0,07 0 , 1 0 0,13 0,15 0,16 0,15 0,14 0,13 0.10 0,01 -
2,0 0,04 0,07 0 , 1 0 0,12 0,13 0,14 0,13 0,12 0.09 0,67 0.00 -
2,1 0,03 0.07 0,09 0 , 1 1 0,12 0,12 0.11 0,09 0.07 0,05 0.00 -
2,2 0,03 0.06 0,09 0,10 0,11 0,11 0,09 0,07 0,05 0.03 -
2.3 0,03 0,06 0,08 0,10 0,10 0,09 0,08 0.06 0,04 0,02 -
2.4 0,03 0,05 0,08 0,09 0,09 0,08 0.07 0,05 0,03 0,01 -
2,5 0;03 0.05 0.07 0,08 0.08 0,07 0,05 0,03 0,02 0,00 - -

88
6-3
Таблица 9, Интегральная функция закона Вейбула

•Ах

0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1.2

0.1 0,45 0,53 0,66 0,67 0,73 0,78 0,82 0.85 0.88 0,90 0,92 0,94
0.2 0,43 0,48 0,54 0,59 0,64 0,68 0,72 0,76 0,79 0,82 0,84 0,86
0,3 0 , 4 1 0,46 0,49 0,54 0,58 0 , 6 2 0,65 0,68 0 , 7 1 0,74 0,76 0,79
0.4 0,40 0,4 3 0,47 0,50 0,53 0.56 0,59 0 , 6 1 0,64 0,67 0,69 0,71
0,5 0,39 0,42 0,44 0,47 0,49 0,52 0,54 0,56 0.58 0 , 6 0 0,63 0,64

0,6 0,39 0,40 0,4 2 0,44 0,46 0,48 0,49 0 , 5 1 0,53 0,54 0,56 0,58
0,7 0,38 0,39 0 , 4 0 0,4 2 0,4 3 0,44 0,49 0,47 0,49 0,49 0,51 0,52
0,8 0,37 0,38 0,39 0 , 4 0 0 , 4 1 0,4 2 0,42 0,4 3 0,44 0,45 0,46 0,46
0,9 0,37 0.37 0,38 0,38 0,38 0,39 0,39 0,39 0,40 0,40 0,41 0,41
1.0 0,37 0,37 0,37 0,37 0,37 0,37 0,37 0,37 0,37 0,37 0, 37 0,37

1,1 0,36 0,36 0,36 0,35 0,35 0,35 0,34 0,34 0,34 0,33 0.33 0,32
1.2 0,36 0,35 0,35 0.34 0,33 0,33 0,32 0 , 3 1 0.30 0,30 0,29 0,29
1,3 0,34 0,35 0,34 0,33 0,32 0 , 3 1 0,30 0,29 0,28 0,27 0,26 0,25
1,4 0,35 0,34 0,33 0 , 3 2 0,30 0,29 0,28 0,27 0, 26 0,25 0,23 0,23
1,5 0,35 0,34 0.33 0,30 0,29 0,28 0,26 0,25 0,24 0,22 0 , 2 1 0,20

1.6 0,35 0,33 0 , 3 1 0 , 3 0 0,28 0,26 0,25 0,23 0,22 0,20 0,19 0,17
1,7 0,35 0,33 0 , 3 1 0,29 0,27 0 , 2 6 0,23 0,22 0.20 0,18 0,17 0,15
1.8 0,34 0,33 0,30 0,28 0,26 0,24 0,22 0,20 0,18 0,16 0,15 0,13
1.9 0,34 0 , 3 2 0,29 0,27 0,25 0,23 0 , 2 1 0,19 0,17 0,15 0,13 0,11
2,0 0,34 0,32 0,29 0, 26 0,24 0.22 0,20 0,17 0,15 0,13 0,11 0,10

2,1 0,34 0 , 3 1 0,29 0,26 0,23 0 , 2 1 0,19 0,16 0,14 0,12 0,10 0,08
2,2 0,34 0 , 3 1 0,28 0.25 0,23 0,20 0,18 0.15 0.13 0 , 1 1 0,09 0,08
2,4 0,34 0 , 3 0 0,27 0,24 0 , 2 1 0,18 0,16 0,13 0 , 1 1 0,09 0,07 0,06
2,5 0,33 0.30 0,27 0,27 0 , 2 0 0,18 0,15 0,12 0,10 0,08 0,06 0,05

90
Продолжение табл. 9

1.3 1.4 1.5 1.6 1.7 1,8 1.9 2,0 2.5 3,0 3,5 4,0
* \

0,1 0,95 0,96 0,97 0,97 0,98 0,98 0,99 0,99 0,99 0,99 0,99 1
0.2 0,88 0 , 9 0 0 , 9 1 0,93 0,94 0,95 0,95 0,96 0,98 0;99 0,99 1
0,3 0;81 0,83 0,85 0,86 0,88 0 , 8 9 т 0 , 9 0 0 , 9 1 0,95 0 , © 7 0,98 0,9С
0.4 0,74 0,76 0.77 0,79 0 , 8 1 0,82 0,83 0,85 0,90 0,93 0,96 0,97
0,5 0,67 0,68 0,70 0,72 0,73 0,75 0,76 0,78 0.83 0,88 0,91 0,93

0,6 0,59 0 , 6 1 0,63 0,64 0,66 0,67 0,68 0,70 0,75 0,80 0,85 0,88
0,7 0,53 0,54 0,56 0,57 0,58 0,59 0,60 0 , 6 1 0,66 0,71 0,75 0,79
0,8 0,47 0,48 0,49 0,49 0,5 О 0 , 5 1 0,52 0,53 0.56 0,59 0,63 0.66
0,9 0,4 2 0,4 2 0 , 4 2 0,43 0,43 0,44 0,44 0,45 0,46 0,48 0,50 0.52
1.0 0,37 0,37 0,37 0,37 0,37 0,37 0,37 0, 37 0,37 0,37 0,37 0,37

1.1 0,32 0,32 0 , 3 1 0 , 3 1 0,30 0,30 0,30 0,29 0,28 0, 26 0,25 0.23
1.2 0,28 0,27 0,27 0,26 0, 26 0,25 0,24 0, 24 0,20 0,18 0,15 0.12
1,3 0, 24 0,24 0,23 0,22 0 , 2 1 0,20 0,19 0,18 0,14 0,11 0,08 0,06
1.4 0 , 2 1 0,20 0,19 0,18 0,17 0.16 0,15 0,14 0,09 0,06 0,04 0,02
1.5 0,18 0,17 0,16 0,15 0,13 0,12 0,11 0,10 0.06 0,03 0 . 0 1 0,00

1.6 0,16 0,14 0,13 0,12 0,10 0,09 0:08 0,07 0,04 0,01 0,00 0
1.7 0,14 0,12 0,10 0,09 0,08 0,07 0,06 0,05 0,02 0 0 0
1.8 0 , 1 1 0,10 0,08 0,07 0,06 0,05 0,05 0,04 0,01 0 0 0
1.9 0,09 0,08 0,07 0,06 0,05 0,04 0.04 0,03 0 0 0 0
2,0 0,08 0,07 0,06 0,05 0,04 0,03 0,02 0 , 0 1 0 0 0 0

2,1 0.07 0,06 0,05 0,04 0,03 0,02 0 , 0 1 0 , 0 1 0 0 0 0


2.2 0,06 0.05 0,04 0,03 0,02 0 , 0 1 0 , 0 1 0 0 0 0 0

2,3 0,05 0,04 0,03 0,02 0,01 0 , 0 1 1 0 0 0 0 0

2.4 0,04 0,03 0,02 0,02 0,01 0 0 0 0 0 0 0

2,5 0,03 0,02 0,02 0,01 0 0 0 0 0 0 0 0

91
6-4
Таблица 1 0 , Значения функции у-В

X. X е-' X X
\1

0,00 1,000 0,40 0,670 0,80 0,449 3,00 0,050

0,02 0,980 0,4 2 0,657 0,82 0,440 . 3,20 0,041

0,04 0,961 0,44 0,644 0,84 0,432 3,40 0,033

0 0.06 0,94 2 0,46 0,631 0,86 0,4 23 3,60 0,027

0.08 0,923 0,48 0,619 0,88 0,415 3,80 0,022

0,10 0,905 0,50 0,606 0,90 0,407 4,00 0,018

0,12 0,887 0,5 2 0,595 0,92 0,399 4,20 0,015

0,14 0,869 0,54 0,583 0.94 0,391 4,40 0,012

0,16 0,852 0,56 0,571 0,96 0,383 4,60 0,010

0,18 0,835 0,58 0,560 0,98 0,375 4,80 0,008

0,20 0,819 0,60 0,549 1,00 0,368 5,00 0,006

0,22 0,803 0,62 0,538 1,20 0,302 5,20 0,005

0,24 0,787 0,64 0,527 1,40 0,247 5,40 0,004

0, 26 0,771 0,66 0,517 1,60 0,202 5,60 0,003

0,28 0,756 0,68 0,507 1,80 0,165 5,80 0,003

0,30 0,741 0,70 0,497 2,00 0,135 6,00 0,002

0,32 0,726 0,72 0,487 2,20 0,111 6,20 0,002

0,34 0,712 0,74 0,477 2,40 0,091 6,40 0,001

0,36 0,698 0,76 0,468 2,60 0,074 6,60 0,001

0,38 0,684 0,78 0,458 2,80 0,061 6,90 0,001

92
Таблица 1 1 . Гамма - функция Эйлера

X Г[х) X Г(х) ах) X Г(х]


' !

1,00 1Д00 1,25 0,906 1,50 0,886 1,75 0,919


01 0,994 26 _ 0,904 51 0,886 76 0,921
02 0,988 27 0,902 "52 0,887 77 0,923
03 0,983 28 0,900 53 0,887 78 0,926
04 0,978 29 0,899 54 0,888 79 0,928

1,05 0,973 1,30 0,897 1,55 0,888 1,80 0,931


06 0,968 31 0,896 56 0,889 81 0,934
07 0,964 32 0,894 57 0,890 82 0,936
08 0,959 33 0,893 58 0,891 83 0,939
09 0,955 34 0,892 59 0,892 84 0,94 2

1.10 0,951 1,35 0,891 1,60 0,893 1,85 0,945


11 0,947 36 0,890 61 0,894 86 0,948
12 0.94 3 37 0,889 62 0,895 87 0,951
13 0,939 38 0,888 63 0,897 88 0,955
14 0,936 39 0,887 64 0,898 89 0,958

1,15 0,933 1,40 0,887 1,65 0,900 1,90 0,961


16 0,929 41 0,886 66 0,901 91 0,965
17 0,926 42 0,886 67 0,903 92 0.968
18 0,923 43 0^886 68 0,905 93 0.972
19 0,920 44 0,885 69 0,906 94 0.976

1,20 0,918 1,45 0,885 1,70 0,908 1,95 0.979


21 0,915 46 0,885 71 0,910 96 0,983
22 0,913 47 0,885 72 0,912 97 0,987
23 0,910 48 0,885 73 0,914 98 0,991

24 0,908 49 0,885 74 0,916 99 0,995

1,25 0,906 1,50 0,886 1,75 0,919 2,00 1,000

93
Таблица 12« Квантили нормального распределения

0 1 2 3 4 5 6 7 8 9

0.60 .0,25 0,25 0.25 0,25 0.26 0. 27 0, 27 0,27 0.27 0,28

0.65 0,38 0,39 0,39 0.39 0,40 0,40 0,40 0,40 0,41 0,41

0,70 0,52 0,53 0,53 0,53 0,54 0.54 0,54 0,54 0,55 0,55

0,75 0,67 0,68 0,68 0,68 0,69 0,69 0,69 0,70 0,70 0,70

0,80 0,84 0,85 0,85 0,85 0,86 0,86 0,86 0,87 0,87 0,87
0,85 1,04 1,04 1,04 1,05 1,05 1,06 1,06 1,07 1,07 1,08

0,87 1,13 1,13 1,14 1,14 1,15 1,15 1,16 1,16 1.17 1,17

0,90 1,28 1,28 1,29 1,30 1,30 1,31 1,32 1,32 1,32 1,33

0,95 1,64 1,65 1.66 1,67 1,68 1,69 1,70 1.71 1,73 1,74

0,96 1,75 1,76 1,77 1,78 1,80 1,81 1,82 1,84 1,85 1,87

0,97 1,88 1,89 1,91 1,93 1.94 1,96 1,97 1,99 2,01 2,03

0,98 2,05 2,07 2.09 2,12 2,14 2,17 2,19 2,27 2,56 2,30

0,99 2,33 2,36 2.40 2,45 2.51 2,57 2,65 2,74 2,87 3,09

0,999 3,09 3,12 3,15 3,19 3,24 3,29 3,35 3,43 3,54 3,72

Пример, Задано: б(х)=5,8 П=в и М(х}-5в определить доверитель­


ный интервал при Рд=90%
Решение
1» Первый способ - обратной интерполяцией по таблице функций Лапласса

2, Второй способ - с помощью квантилей нормального распределения

(5*= .К{о6=90%*5%)= • тыс. км.

т.е. получили тот же результат.

94
Таблица 13, Плотность вероятности гамма-распределения

Значения параметра л
X 2 3
1, ^ 1. ' 7
1 « 1
0.4 0,0819 Р,0^819 0,0^546 0,0'*273 0.0^109 0,0^364
0,8 0,134 0,0268 0,0357 0,0*^357 0.0^*286 0,0^191
1.2 0,165 0,0494 0.0^988 0,00148 0.00017 0.0^*178
1,6 0,180 0,0719 0.0192 0,00383 0.0^613 0,0*^818
2,0 0,184 0,0920 0,0307 0,00766 0,0^153 0,0^255
2,4 0,181 0,108 0,0434 0,0130 0,00312 0,0^624
2.8 0,173 0,121 0,0564 0,0197 0,00553 0,0^129
3,2 0,162 0.129 0,0689 0,0276 0,00882 0.00235
3,6 0.149 0.134 0,0803 0,0362 0,0130 0,00390
4,0 0,135 0,135 0,0900 0,0450 0,0180 0,0060
4,4 0,122 0,134 0,0983 0.0541 0,0238 0,00872
4,8 0,109 0,131 0,104 0,0630 0,0301 0,0120
5,2 0,0966 0,126 0,109 0,0707 0,0368 0,0159
5,6 0,0851 0.119 0,111 0,0779 0,0436 0.0203
6,0 0,0747 0,112 0,112 0,0840 0,0504 0,0252
6.4 0,065 2 0,104 0,111 0,0890 0,0570 0,0304
6,8 0,0567 0,0964 0,109 0,0929 0,0632 0,0357
7,2 0,04 9 2 0,0885 0,106 0,0956 0,0688 0,0413
7,6 0,04 26 0,0807 0,102 0,0971 0,0738 0,0467
8,0 0.0366 0,0732 0.0977 0,0781 0,0521 0,0298
8;4 0,0135 0,0661 0,0926 0,0972 0.0817 0,057 2
8,8 0,0270 0,0594 0,0871 0,0959 0,0844 0,0619
9,2 0,0231 6,0532 0,0815 0,0938 0.0863 0.0661
9,6 0,0198 0,0474 0,0758 0.0910 0.0874 0.0699
10 0,0168 0,04 2 1 0.0702 0.0877 0,0731 0.05 22
12 0,0074 0,0223 0,0446 0.0669 0,0803 0.0803
14 0,0032 0,0112 0,0261 0.0456 0,0639 0,0745
16 0,0013 0,0^537 0,0137 0.0286 0.0458 0.0611
18 0,0^^355 0,0^250 0,0^750 0.0169 0,0304 0,0455
20 0,0^227 0,0^114 0,0^378 0.0^946 0,0189 0,0315
24 0,0^36 0,0^222 0,0^888 0.0^267 0,0^640 0,О128

28 0,0^582 0,0^408 0,0^190 0,0^666 0,0^186 0,0^434

Примечание: показатель степени указывает количество нулей после запв-


5
той, например: 0,0 5 8 2 - 0 , 0 0 0 0 0 5 8 2
Табшпа 1 4 . йлборка из таблицы псевдослучайных чисел
распределенных по квазиравномерному закону

0<у<1
86515 90795 66155 66434 56558 12332 94377 57802

69186 03393 42502 99224 88955 53758 91641 18867

41686 42163 85181 38976 33181 72664 53807 00607

86522 47171 88059 89342 67248 09082 12311 90360

72587 93000 89688 78416 27559 995 28 14480 50961

52452 42499 33346 83935 79130 90410 4 5 4 20 77757

76773 9 7 5 26 27256 66447 25731 37525 16287 66181

04825 82134 80317 75120 45904 75601 704 92 10274

87133 84778 45863 245 20 19925 04925 07824 76044

84754 57617 38132 64294 15218 49286 89571 42903

Таблица 1 5 . Выборка и з таблицы псевдослучайных чисел


распределенных по квазинормапьному закону

-3<у<*3
0, 2 0 0 5 1 , 1 9 2 2 .- 0 , 0 0 7 7 0,0348 1,04 23 - 1 . 8 1 4 9 1,1849 0,0033

1,1609 - 0 6 6 9 0 -1,5893 0,5816 1.8818 0,7390 -0, 2736 1,0828

0,5864 -0,9245 0,0904 1,5068 - 1 , 1 1 4 7 0, 2 7 7 6 0,1012 -1,3566

0,1425 -0,2863 1,2809 0,4043 0 . 6 0 7 9 - 0 , 4 4 28 - 2 , 3 0 0 6 - 0 , 6 4 4 6

0,9516 - 1 , 7 7 0 8 2,8854 0,4686 1,4664 1,6852 - 0 , 9 6 9 0 -0,0831

-0,5863 0,8574 - 0 , 5 5 5 7 0,8115 -0,2676 -1,2496 -1,2125 1,3846


Пояснения к таблицам 14 и 15
Данные табл. 14 случайных чисел вычислялись на ЭВМ с помощью с п е ­
циального алгоритма.
Указанная таблица имитирует различные комбинации чисел: 0 , 1 , 2 , 3 , 4 , 5 ,
6,7,8,9, извлекаемых 'наудачу*.
В связи с тем, что указанные числа получены по специальному алгоритму
(правилу), поэтому они являются псевдослучайными.
Ограниченность длины ячейки памяти ЭВМ приводит к тому, что указан­
ные числа фактически распределены по квазиравномерному закону. Поэтому
они и называются псевдослучайньп^си квазиравномерными числами.
Цифры аомещенныв в т а б л . 1 5 имитируют псевдослучайные числа распреде­
ленные по квазинормальному закону с математическим ожиданием равным
нулю и средним квадратическим отклонением равньпу< единице.
96
с п и с о к ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Е.С ВЕНТиЕЛЬ. Теория вероятностей, М.- 1 9 6 9 .


2, В.Е. ГМУРМАН. Руководство к решению задач по теория вероятно­
стей и математической статистике, М. 1970.
3. Я. Б. ШОР и Таблицы для анализа и контроля надежности, М.
Ф.И.КУЗЬМИН. 1968. .
4 . П.Н. ВОЛКОВ. Планирование эксперимента, МАДИ 1972.
5. Ю,В, ЗАВАДСКИЙ, Основные сведения по математической статистике,
М. 1 9 7 1 .
6. Ю.В. ЗАВАДСКИЙ. Метод статистического моделирования, М. 1 9 7 1 .
7. И.П. АЛДОХИН. Теория массового обслуживания в промьплленности,
М. 1 9 7 0 ,
8. Р.Т.М, 4 4 - 6 2 . Методика статистической обработки эмпирических
данных, М, 1 9 6 6 ,
9. Я.Б, БЕРКОВИЧ, Решение задач технической эксплуатации и надеж­
а К . ТОЛКАЧЕВ ности автомобилей, М, 1970,
и А,М.ШЕЙНИН.
10, В.А. ПУСТОВАЛОВ. Теория вероятностей, М. 1 9 7 1 .
1 1 . А.А, ЧЕРВОВЫЙ Теория вероятностей, М. 1966.
и В,А.ШВАР11.
12. А.А. ЧЕРВОНЫЙ Основы теории надежности сложных систем, М.
и В.А, ШВАРЦ. 1968,
13. И.В. ДУНИН-БАРКОВСКИЙ - Теория вероятностей и математическай
и Н,В, СМИРНОВ. статистика в технике, М. 1955.
14. Г.Г. АБЕЗГАУЗ и другие. Справочник по вероятностным расчетам,
М, 1970.
15, Б,В. ГНЕДЕНКО и другие. Математические методы в теории надежно­
сти, М. 1 9 6 5 .
16. ЭРИХ ЯНЧ. Прогнозирование научно-технического прогресса

17, И.М. СОБОЛЬ. Метод Монте-Карло, М. 1972

18. Н.П. БУСЛЕНКО. Метод статистического моделирования, М, 1970

19. А.И. КАРАСЕВ- Теория вероятностей и математическая статистика,


М. 1970.
20. Г. ХАУШТЕЙН. Методы прогнозирования в социалистической эконо­
мике, М. 1 9 7 1 .

Примечание, Автором подготавливается к изданию пособие 'Метод М о " ' ^


Карло и его применение для решения экономических и инженер­
ных з а д а ч ' .

97
ОГ Л А В Л Е Н И Е
стр.
Предисловие 3
Общие сведения 4
§ 1 . Вьфавнивание экспериментальных данных нормальным з а к о ­
ном 7
§ 2. Вьфавнивание экспериментальных данных законом Пуассона , . . . 17
§ 3, Вьфавнивание экспериментальных данных показательным з а ­
коном (случай усеченного р а с п р е д е л е н и я ) . . . . . 23
§ 4 . Приближенный способ выравнивания экспериментальных дан­
ных показательньпи законом 29
§ 5, Выравнивание экспериментальных данных показательным з а ­
коном с помощью вероятностной бумаги 33
§ 6. Вьфавнивание экспериментальных данных законом Вейбула 35
§ 7. Вьфавнивание экспериментальных данных законом Вейбула
с помощью вероятностной бумаги 43
§ 8. Вьфавнивание экспериментальных данных гамма-распределе­
нием . . . . е . , . . . ' 48
§ 9. Вьфавнивание экспериментальных данных логарифмически-
нормальным законом 53
§ 1 С , Вьфавнивание экспериментальных данных аналитическими
функциями. Линия регрессии 58
§ 1 1 . Криволинейная параболическая корреляция 65
9 1 2 . Вьфавнивание экспериментапьных данных показательной
функцией .. 71
8 13, Вьфавнивание экспериментальных данных степенной функ­
цией
§ 14. Выравнивание экспериментальных данных логарифмической
функцией 78
9 1 5 . Выравнивание экспериментальных данных гиперболической
фзгнкцией , 78
8 1 6 . Критерий для непринятия резко выделяющихся наблюдений . . . . 79

Приложения: математические таблицы для вероятностных расче­


тов, вьшолняемых при статистической обработке
экспериментальных данных 81
Список использованной литературы 97
Технический редактор К, Т . Городская

Л - 8 8 1 6 1 . 0 Т *5/П-197 3 г. Формат бумаги Т О х Ю В ^ / ^ д Тираж 10


Печ. п. в, 28 Уч.-изд. л. в, 70 Цена 34 коп. Заказ 13
Производственно-издательский комбинат ВИНИТИ
Люберцы, Октябрьский п^дспект, 403