Цепи Маркова и системы массового обслуживания
Выбери формат для чтения
Загружаем конспект в формате pdf
Это займет всего пару минут! А пока ты можешь прочитать работу в формате Word 👇
ЦЕПИ МАРКОВА И СИСТЕМЫ МАССОВОГО ОБСЛУЖИВАНИЯ
1. Марковские цепи с конечным числом состояний и дискретным
временем.
Пусть некоторая физическая система может находиться в k различных
состояниях А1, А 2 …А k . Изменения состояний системы могут происходить в
определенные моменты времени t 1 ,t 2 ,…t n …, называемые шагами. В другие
моменты времени состояние системы не может измениться. Пусть система в
некоторый начальный момент находилась в состоянии А i , в момент t 1 перешла
в состояние А j , в момент t 2 - в состоянии А r и т.д. Если переходы системы из
состояния в состояние на каждом шаге происходят случайно, то говорят, что в
системе возник случайный процесс с дискретным временем. Этот процесс
может быть описан цепочкой состояний А i А j А r …, в которые попадает
система за 1,2… шагов. Важной моделью случайного процесса является
марковский процесс (марковская цепь).
Случайный процесс с дискретным временем называется марковским, если
на любом шаге S вероятность Р i j (S) перехода системы из состояния А i в
состояние А j зависит лишь от состояния А i , в которое попала система на (S-1)
шаге , и не зависит от того, как и когда она в это состояние попала. Кратко это
свойство формулируют так: при заданном настоящем будущее не зависит от
прошлого. В силу этого марковский процесс еще называют процессом без
последствия.
Возможные переходы системы из состояния в состояние удобно
изображать с помощью графа состояний. Каждая вершина графа соответствует
состоянию системы, а стрелка, направленная из вершины А i в А j , означает
переход А i А j с вероятностью
Р i j , которая ставится над стрелкой.
Например, граф состояний, соответствующей матрице перехода P 0,40,6
0,30,7 ,
изображен на рис.1
0.6
0.4
A2
A1
0.3
Рис. 1
0.7
2. Марковские цепи с конечным числом состояний и непрерывным
временем
Пусть в отличие от предыдущего пункта, физическая система, возможные
состояния которой A1 , A2 , , Ak , может переходить из состояния в состояние не в
определенные моменты времени, а в любой момент времени случайным
образом. При этом возникает случайный процесс (цепь) с непрерывным
временем. Если этот процесс обладает отсутствием последействия, то его
называют марковским случайным процессом с непрерывным временем или
непрерывной цепью Маркова. Для такого процесса вероятность перехода из
состояния Ai в состояние Aj в любой момент времени равна нулю. Поэтому
вместо вероятности перехода Pi j рассматривают плотность вероятности
перехода i j , которая определяется как предел отношения вероятности
перехода Pij t за время t из состояния Ai в состояние
A j к длине
промежутка t при t 0 , т.е.
ij lim
t 0
Pij t
t
.
Плотность вероятности i j может быть как постоянной величиной, так и
величиной, зависящей от момента времени t , с которого начинается
промежуток t . Если плотность вероятности перехода i j не зависит от t ,
марковский процесс (цепь) называется однородным. В дальнейшем будем
предполагать, что рассматриваемые процессы удовлетворяют условию
ординарности: в один и тот же момент времени t система не может изменять
своё состояние более, чем один раз.
Для многих практических случаев важно знать, как ведут себя
вероятности p1 (t ), i 1, 2,..., , при большом времени работы системы, т.е. при
t . Если при определённых условиях существуют предельные вероятности
состояний
p1 lim p1 (t ), i 1, 2,..., ,
x
не зависящие от того, в каком состоянии система находилась в начальный
момент, то это означает, что с течением времени в системе устанавливается
предельный стационарный режим. Система, для которой существуют
предельные вероятности, называется эргодической, а возникающий в ней
случайный процесс эргодическим.
3. Процессы гибели и размножения
Процессом гибели и размножения называется
размеченный граф состояний которой изображен на рис 2.
марковская
t 1
t
k 1
0
1
2
A1
A2
...
At 1
Ak 1
A0
At
...
Ak
1
2
3
t
t 1
k
Рис.2
2
цепь,
Здесь 0 , 1...,
k 1 – интенсивности переходов системы из состояния в
состояние слева направо; 1 , 2 ..., k – интенсивности переходов справа налево.
Очевидно, все состояния A0 , A1..., Ak являются существенными сообщающимися
состояниями.
Следовательно,
существует
предельное
распределение
вероятностей состояний, которое имеет вид:
1
...
p0 1 0 0 1 ... 0 1 k 1 ;
1 2 ... k
1 1 2
...
p1 0 p0 ; p1 0 1 p0 ,… , pk 0 1 k 1 p0 .
1
1 2
1 2 ... k
§4. Основные понятия и классификация систем массового обслуживания
Заявкой (требованием) назовем спрос на удовлетворение какой-либо
потребности. Далее будем подразумевать, что все заявки однотипные.
Удовлетворение спроса назовем обслуживанием заявки.
Системой массового обслуживания (СМО) называется любая система,
предназначенная для обслуживания каких-либо заявок, поступающих в нее в
случайные моменты времени.
Устройства, непосредственно обслуживающее заявку, называется
каналом обслуживания. СМО может содержать одно такое устройство, тогда
она называется одноканальной. Если СМО содержит несколько
обслуживающих устройств, то она называется многоканальной.
Поступление заявок в СМО назовем событием. Последовательность
событий, состоящих в поступлении заявок в СМО, назовем входящим потоком
заявок. Последовательность событий, состоящих в выходе заявок из СМО,
назовем выходящим потоком заявок.
В зависимости от поведения заявки в СМО различают СМО с отказами и
СМО с очередью (или ожиданием). В СМО с отказами заявка, поступившая в
момент занятости всех каналов, получает отказ и покидает СМО. В СМО с
очередью (или ожиданием) заявка, поступившая в момент занятости всех
каналов, становится в очередь и ожидает освобождения одного из каналов
обслуживания.
Возможны СМО смешанного типа. Например, СМО с ограниченной
очередью. В такой СМО заявка становится в очередь при занятости всех
каналов, если очередь не велика, скажем, не достигла длины m . Если все m
мест в очереди заняты, заявка покидает СМО. К СМО смешанного типа
относятся СМО с ограниченным временем ожидания. Заявка, поступившая в
момент занятости всех каналов, становится в очередь, но может уйти из СМО
не обслуженной, если время ожидания слишком велико.
СМО с очередью (или ожиданием) могут быть открытого или замкнутого
типа. В открытых СМО интенсивность поступающего на нее потока заявок не
зависит от состояния самой СМО, т.к. круг « клиентов» (поступающих заявок)
практически неограничен. Примерами таких СМО являются вокзальные кассы,
метрополитен, телевизионные ателье больших городов и т.д. В СМО с
очередью замкнутого типа обслуживается ограниченный круг «клиентов» ,
поэтому интенсивность потока заявок существенно зависит от состояния
3
системы. Примерами таких СМО являются различные ремонтные системы в
автопарках, цехах и т.д.
СМО с очередью и смешанного типа различаются так же по дисциплине
обслуживания: обслуживаются ли заявки в порядке поступления, или в
случайном порядке, или есть заявки, которые обслуживаются вне очереди
(СМО с приоритетом).
5. Простейший поток и его свойства
Рассмотрим входящий поток заявок в СМО как последовательность точек
t1 , t2 ,..., tn , - моментов поступления заявок на оси времени Ot . Здесь t0 начальный момент.
Поток заявок назовем простейшим, если он удовлетворяет трем условиям
1. Отсутствие последействия. Это условие означает, что заявки поступают
в СМО независимо друг от друга, т.е. поступление заявки после момента
времени t не зависит от того, когда и в каком количестве появились
заявки до момента t .
2. Стационарность. Это условие означает, что вероятность поступления
некоторого числа заявок СМО за время
t зависит лишь от длины
интервала t t t t и не зависит от точки t отсчета этого интервала
на оси времени Ot .Если выполнено условие стационарности, то можно
говорить о среднем числе заявок, поступающих в СМО за единицу
времени, например за один час, не указывая за какой именно.
3. Ординарность. Это условие означает, что одновременное поступление в
СМО двух и более заявок маловероятно, т.е. вероятность появления за
бесконечно малое время t более чем одной заявки есть бесконечно
малое высшего порядка малости, чем t .
Таким образом, если поток простейший, то случайные моменты времени
t1 i 1, 2,... поступления заявок в СМО распределены на оси времени со средней
плотностью (стационарность); эти точки попадают в непересекающиеся
интервалы независимо друг от друга (нет последействия); заявки поступают в
СМО поодиночке (ординарность). Величина называется интенсивностью
потока заявок и представляет собой среднее число (математическое ожидание
числа) заявок, поступающих в единицу времени.
Можно показать, что для простейшего потока вероятность Pi t поступления
в СМО ровно i заявок за время t вычисляется по формуле
Pi t
t e t , (i 0),
i!
(1)
т.е. вероятности pi t распределены по закону Пуассона с параметром t . Этим
вызвано другое название простейшего потока – пуассоновский поток.
Обозначим через Т интервал времени между поступлениями двух
последовательных заявок. Найдем функцию распределения случайной величины
Т.
F t P T t 1 P0 t
4
где P T t - вероятность того, что случайная величина Т примет значение,
меньше, чем t; P0 -вероятность противоположного события (т.е. за время t в СМО
не поступила ни одна заявка). В силу формулы (1) имеем:
P0 t
t
0!
e t e t ,
откуда
F t 1 e t , (t>0) .
Найдем плотность распределения случайной величины Т:
f t F ' t e t , (t>0).
Определяя математическое ожидание и дисперсию случайной величины Т,
получим:
M T
1
1
1
, D T 2 , D T .
Таким образом, интервал времени Т между двумя последовательными
заявками в простейшем потоке имеет показательное распределение с
математическим ожиданием
1
, где - интенсивность потока.
6. Марковские системы массового обслуживания
Для задания СМО необходимо задать вероятностные характеристики
времени обслуживания одной заявки. Обозначим это время через Tобсл .Величина
Tобсл является случайной. Во многих задачах теории массового обслуживания
закон распределения времени обслуживания предполагается показательным,
т.е.
1
M Tобсл
.
(2)
Часто называют интенсивность потока обслуживания. При этом под
потоком обслуживания понимается поток заявок, обслуживаемых одна за
другой одним непрерывно занятым каналом. Если Т обсл представляет собой
случайную величину, имеющую показательное распределение, то поток
обслуживания является простейшим. Если входящий поток и все потоки
обслуживания простейшие, то процесс, протекающий в СМО, является
марковским случайным процессом (целью) с дискретными состояниями и
непрерывным временем. Поэтому СМО в которой все потоки простейшие,
называют марковской СМО. Таким образом, предположение о показательном
законе распределении времени обслуживания и интервала времени между
двумя последовательными поступлениями заявок играет исключительную роль
в теории массового обслуживания, так как упрощает аналитическое
исследование СМО, сводя его к исследованию цепей Маркова.
Пример 1. Автоматизированная система управления АСУ продажей
железнодорожных билетов состоит из двух параллельно работающих ЭВМ .
При выходе из строя одной ЭВМ АСУ продолжает нормально
функционировать за счет работы другой ЭВМ .Поток отказов каждой ЭВМ
простейший. Среднее время безотказной работы одной ЭВМ равно 10 суткам.
5
При выходе из строя отказавшую ЭВМ начинают ремонтировать. Время
ремонта ЭВМ распределено по показательному закону и в среднем составляет 2
суток. В начальный момент обе ЭВМ исправны. Найти среднюю
производительность АСУ, если при исправности хотя бы одной ЭВМ её
производительность равна 100%, а при отказе обеих ЭВМ продажа билетов
производится вручную, обеспечивая 30% производительности АСУ.
Решение.
Обозначим состояния АСУ по числу вышедших из строя ЭВМ: A0 - обе
ЭВМ исправны; A 1 - одна исправна, другая ремонтируется; A2 - обе ЭВМ
ремонтируются. Так как потоки отказов и восстановления ЭВМ являются
простейшими, то их интенсивности вычисляются по формулам:
1
1 отказов
1
1 восстановления
;
M T 10 сутки
M Tобсл 2
сутки
Размеченный граф состояний изображен на рис. 3.
Рис. 3
Поскольку в состоянии A0 работают две ЭВМ, каждая из которых может
1
, то АСУ переходит из состояния A0 в
10
1 1
состояние A 1 с интенсивностью 0 2 ; переход A 1 A 2 происходит с
10 5
1
интенсивностью 1 . Из состояния A2 в состояние A 1 система переходит
10
1
с интенсивностью 2 2 2 1 , так как восстанавливаются две ЭВМ; переход
2
1
A 1 A 0 происходит с интенсивностью 1 . Полученный граф сравним с
2
отказать с интенсивностью
графом, построенным для процесса гибели и размножения.
Следовательно, в описанной СМО происходит процесс гибели и
размножения с числом состояний k 1 3 , так как k 2 . Воспользуемся
формулами для вычисления предельного распределения вероятностей
1
1
1
0.2 0.2 0.1
p0 1 0 0 1 1
0.694.
1.44
0.5 0.5 1
1 12
0
0 1
0.2
0.2 0.1
p1
p0
0.694 0.278 p2
p0
0.694 0.028 .
1
0.5
1 2
0.5 1
6
Вычислим p0 p1 p2 0.694 0.278 0.028 1 , что и следовало ожидать, так как
система может находиться в одном из трех возможных состояний A0 , A 1 , A2 .
Средняя производительность АСУ в установившемся режиме составит
100%( p0 p1 ) 30% p2 100%(0.694 0.278) 30% 0.028 98.04% .
Расчет показывает, что параллельная работа всего двух ЭВМ обеспечивает
достаточно высокую (98.04% от номинальной ) производительность АСУ.
Следовательно, нет необходимости повышать производительность системы за
счёт, например, присоединения третьей ЭВМ.
7. Показатели эффективности систем массового обслуживания
Обычно в теории массового обслуживания интересуются предельными
средними характеристиками системы, которые называют показателями
эффективности СМО. В качестве показателей эффективности могут
рассматриваться следующие :
A – среднее число заявок, обслуживаемое СМО в единицу времени. Эту
характеристику называют абсолютной пропускной способностью СМО.
Q – вероятность обслуживания поступившей заявки или относительная
пропускная способность СМО. Очевидно, Q
A
.
Pотк –вероятность отказа, т.е. вероятность того, что поступившая заявка не будет
обслужена, Pотк 1 Q .
z – среднее число заявок в СМО (имеются в виду все заявки, как
обслуживаемые, так и не ожидающие очереди, если она есть).
r – среднее число заявок в очереди, если она есть.
tсист – среднее время пребывания заявки в СМО, как в очереди, если она есть,
так и под обслуживанием.
tоч –среднее время пребывания заявки в очереди.
k –среднее число занятых каналов.
Выбор показателей эффективности СМО зависит от типа СМО.
Например, абсолютная пропускная способность А, является основной
характеристикой обслуживания в СМО с отказами, теряет смысл для СМО с
неограниченной очередью. Для открытых СМО справедливы соотношения
A
z
r
k оч
t оч
,
,
,
(3)
где – интенсивность потока заявок, – интенсивность потока обслуживания.
t сист
Формулы (3)справедливы только в том случае, когда входящий поток заявок и
поток обслуживаний стационарны.
8. Система массового обслуживания с простейшим входящим потоком и
показательным временем обслуживания.
Здесь рассматриваются СМО, у которых входящий поток пуассоновский,
а время обслуживания – показательное.
Многоканальная система массового обслуживания
с отказами (задача Эрланга)
7
Пусть СМО содержит k каналов, входящий поток заявок имеет
интенсивность , поток обслуживания заявки одним каналом имеет
интенсивность . Будем нумеровать состояния СМО по числу занятых
каналов: A0 - все каналы свободны; A1 - один канал занят; … … …; Ai - i каналов
занято, k i каналов свободны; … … …; Ak - все каналы заняты.
Размеченный граф состояний имеет вид, представленный на рис.4.
A1
A2
Ai 1
Ai
Ak 1
Ak
A
2
3
i
k
i 1
Рис. 4
Сравнивая рисунки 4 и 3, приходим к выводу, что граф на рис.6 является
графом процесса гибели и размножения, для которого:
1 ,
1 i .
(4)
Обозначая через
, предельное распределение вероятностей состояний
можно вычислить по формулам:
2
k
1
k!
1! 2!
p1
p2
(5)
i
2
p0 ;
1!
1
k
p0 ; …; pi
p0 ; …;
2!
i!
pk
p0 .
k!
Формулы (5) называются формулами Эрланга. С их помощью вычисляются
показатели эффективности СМО:
A 1 pk
где
Q
;
A
1 pk
;
Pотк pk ;
k
A
1 pk
,
(6)
, эта величина называется коэффициентом загрузки системы.
Пример 2 . Диспетчерская служба имеет 5 линий связи. Поток вызовов
простейший с интенсивностью 0,8 вызовов в минуту. Среднее время
переговоров с диспетчером составляет 3 мин. Время переговоров распределено
по показательному закону. Найти абсолютную и относительную пропускные
способности диспетчерской службы; вероятность отказа; среднее число
занятых каналов. Определить сколько линий связи должна иметь диспетчерская
служба, чтобы вероятность отказа не превышала 0,01.
Решение. Находим интенсивность потока обслуживания
разговора
в
минуту.
Коэффициент
загрузки
СМО
1
1
M Tобсл 3
составляет
0,8
0,8 3 2, 4 . Из формул (19) при 5 имеем:
1/ 3
1
1
2 3 4 5
1
2, 4 5, 76 13,824 33,178 79, 026
p0 1
1
10, 629 0, 094
1
2
6
24
120
1! 2! 3! 4! 5!
5
5
(2, 4)5
79, 626
0
0, 094
0, 094 0, 062 ;
5!
5!
120
Находим по формулам (6):
а) абсолютная пропускная способность:
8
A (1 5 ) 0,8(1 0, 062) 0,8 0,938 0, 750
(следовательно, СМО обслуживает в среднем 0б75 заявки в минуту);
б) относительная пропускная способность:
Q
A
1 5 1 0,062 0,938
(следовательно, вероятность обслуживания вновь поступившей заявки равна
0,938 );
в) вероятность отказа: Pотк 5 0, 062 ;
г) среднее число занятых каналов:
k
A
(1 5 ) 2, 4 0,938 2, 251
(следовательно, диспетчерская служба в среднем имеет половину линии связи
постоянно занятыми).
Поскольку вероятность отказа данной диспетчерской службы Pотк 0,062
превышает 0,01 , то число линий связи следует увеличить. Допустим, что линий
связи стало 6. Тогда из формул (5) при k 6 получим:
1
1
5 6
(2, 4) 6
1
1
0 1 ...
10,629
0, 092
10, 629 0, 265
5! 6!
720
10,894
1!
6
(2, 4)6
6
0
0, 092 0, 265 0, 092 0, 024
6!
720
Следовательно, при k 6 вероятность отказов Pотк 6 0, 024 превышает
0,01. Значит, число каналов надо увеличить. При k 7 получим:
1
1
6 7
(2, 4)7
1
1
0 1 ...
10,894
0, 091
10,894 0, 091
6! 7!
5040
10 / 985
1!
7
(2, 4)7
7
0
0, 091 (0, 091)2 0, 008 .
7!
5040
Следовательно , при k 7 вероятность отказов Pотк 7 0, 008 не превышает
0,01. Таким образом, для обеспечения требуемой вероятности отказов следует
увеличить количество линий связи диспетчерской службы до 7.
МАТЕМАТИЧЕСКАЯ СТАТИСТИКА
1. Генеральная совокупность и выборка
Статистические методы связаны с обработкой числовых данных,
полученных в результате наблюдений либо измерений. Источник наблюдений
называется генеральной совокупностью, а множество измеренных числовых
значений – выборкой. Объемом выборки называется количество выборочных
значений. Задачей математической статистики является получение информации
о поведении некоторой случайной величины по относительно небольшому
количеству ее значений (выборке), полученной случайным образом из всего
множества значений случайной величины (генеральной совокупности). Для
того, чтобы по выборке можно было адекватно судить о случайной величине,
выборка должна быть репрезентативной, т.е. все элементы генеральной
совокупности должны иметь одинаковую вероятность попадания в выборку.
9
Существует два способа выборочного отбора:
1)
повторный – каждый выборочный элемент возвращается в общую
совокупность и может быть отобран повторно;
2)
бесповторный – каждый выборочный элемент не возвращается в
исходную совокупность.
§2. Вариационные ряды их способы их представления
Если из генеральной совокупности извлечена выборка объема n , в
которой число х1 повторяется п1 раз, число х2 – п2 раза,…, число хk – nk раз (то
есть выборка содержит k различных значений случайной величины), то числа xi
называются вариантами, соответствующие им значения ni – частотами, а
последовательность вариант, записанных в порядке возрастания, и относящихся
к ним частот – вариационным рядом. При этом вместо абсолютных частот ni
можно задавать распределение относительных частот
wi
ni
n.
(1)
Вариационный ряд называется дискретным, если он представляет собой
выборку значений дискретной случайной величины:
Варианты xi
x1
x2
x3
x4
x5
Вариационный ряд называется интервальным, если он представляет
выборку непрерывной случайной величины:
x1 , x2 x2 , x3 x3 , x4 x4 , x5 x5 , x6
Варианты xi
Пример 1. Дана выборка, состоящая из чисел: 3.2, 4.1, 8.1, 8.1, 6.7, 4.4, 4.4, 3.2,
5.0, 6.7, 6.7, 7.5, 3.2, 4.4, 6.7, 6.7, 5.0, 5.0, 4.4, 8.1. Составить вариационный ряд
распределения абсолютных и относительных частот.
Решение. Объем выборки n 20 . Перепишем варианты в порядке возрастания:
3.2, 3.2, 3.2, 4.4, 4.4, 4.4, 4.4, 4.4, 5.0, 5.0, 5.0, 6.7, 6.7, 6.7, 6.7, 6.7, 7.5, 8.1, 8.1,
8.1.
Составлен вариационный ряд, который показывает, что выборка состоит из
шести различных вариант.
Сопоставим вариантам их частоты и вычислим относительные частоты:
xi
3.2
4.4
5.0
6.7
7.5
8.1
ni
3
5
3
5
1
3
wi
0,15
0,25
0,15
0,25
0,05
0,15
(относительная частота
wi
ni
).
20
Если получена выборка значений непрерывной случайной величины, где
число вариант очень велико, составляется сгруппированный статистический
ряд. Для его получения интервал (a, b), содержащий все варианты, делится на k
равных частей длины
h
ba
, и в качестве абсолютных частот выступают
k
количества вариант, попавших на данный интервал.
10
Для наглядности представления о поведении случайной величины
используют графические изображения статистических рядов в виде полигона и
гистограммы.
Полигон используется для изображения дискретного ряда и представляет
собой ломаную, соединяющую точки плоскости с координатами xi , ni . Для
интервального ряда тоже можно построить полигон, но его ломаная будет
x xi 1
соединять точки с координатами i
, ni .
2
Гистограмма – столбчатая диаграмма, состоящая из прямоугольников,
основания которых – интервалы длины h, а высоты – плотности абсолютных
ni
n
или относительных i частот. При этом общая площадь гистограммы
h
hn
абсолютных частот равна объему выборки, а гистограммы относительных
частот – единице.
Пример 2. Дана выборка, вариационный ряд которой имеет вид:
10,8; 11,1; 11,7; 12,2; 13,1; 13,4; 13,9; 14,3; 14,3; 14,4; 14,8; 16,5; 17,7; 18,2; 19,9;
20,0; 20,3; 20,8; 23,1; 24,2; 25,1; 25,1; 25,7; 28,4; 28,5; 29,3; 29,8; 29,9; 30,2; 30,4.
Составить вариационный ряд распределения абсолютных и относительных
частот, состоящий из пяти интервалов, и построить гистограмму
относительных частот.
Решение. Объем выборки
n 30 . Выберем в качестве границ
интервала a 10,5; b 30,5 . Тогда
h
30,5 10,5
4, и a, b разбивается на
5
части (10,5; 14,5), (14,5; 18,5), (18,5; 22,5), (22,5; 26,5) и (26,5; 30,5).
Статистический ряд распределения имеет вид:
Номер интервала Границы
Абсолютные
Относительные
интервала
частоты
частоты
1
1
10,5; 14,5
10
2
14,5; 18,5
4
3
18,5; 22,5
4
4
22,5; 26,5
5
5
26,5; 30,5
7
Построим гистограмму:
ni
120
11
3
2
15
2
15
1
6
7
30
x
§3. Оценки параметров генеральной совокупности
Рассмотрим распределение случайной величины, зависящей от параметра
. Требуется по известным характеристикам выборки дать оценку
характеристикам генеральной совокупности. Для этого используются точечные
и интервальные оценки.
Точечные оценки параметров распределения
Точечная оценка * параметра – это оценка, которая определяется
одним конкретным числом
Оценкой математического ожидания генеральной совокупности служит
выборочное среднее (или средняя взвешенная)
1 n
x xi ni
n i 1
(2)
а оценкой дисперсии – выборочная дисперсия
n
xi x ni
D
i 1
n
.
(3)
где n – объем выборки, xi –варианты с частотами ni .
Для удобства вычислений выборочной дисперсии часто пользуются
формулой:
xi 2 ni
D
x 2 x 2 x 2
n
(4)
Заданная таким образом оценка математического ожидания является
несмещенной, то есть математическое ожидание выборочного среднего равно
оцениваемому параметру (математическому ожиданию исследуемой случайной величины). Выборочная дисперсия, напротив, смещенная оценка
n 1
D Г . Поэтому вводится несмещенная
генеральной дисперсии, и М ( D)
n
оценка генеральной дисперсии – исправленная выборочная дисперсия
s2
n
D.
n 1
12
(5)
2
Соответственно число s s
является несмещенной точечной оценкой
среднего квадратичного отклонения.
Интервальные оценки параметров распределения
Точечная оценка * параметра дает лишь некоторое приближенное
значение . Чтобы получить представление о точности и надежности оценки,
используют интервальную оценку параметра.
Интервальной оценкой параметра называется интервал , , который
с заданной вероятностью покрывает неизвестное значение параметра .
Такой интервал , называется доверительным интервалом, а
вероятность - доверительной вероятностью или уровнем надежности.
Обычно доверительный интервал симметричен относительно оценки * и
определяется формулой:
p(| * | )
и имеет вид
*
, *
(6)
(7)
т.е условие
* *
(8)
выполняется с вероятностью
Наибольшее отклонение выборочного значения параметра от его
истинного значения называется предельной ошибкой выборки и характеризует
точность оценки.
Обычно уровень надежности задается заранее и представляет собой
число, близкое к единице: 0,95; 0,99; и т.д.
Для построения доверительного интервала требуется знать закон
распределения исследуемой случайной величины. Пусть эта величина
распределена по нормальному закону. Если при этом известно ее среднее
квадратичное отклонение то доверительный интервал для математического
ожидания генеральной средней имеет вид:
x
t
t
ax
,
n
n
(9)
где а – оцениваемое математическое ожидание случайной величины в
генеральной совокупности, x – выборочное среднее, п – объем выборки, t –
такое значение аргумента функции Лапласа Ф(t), при котором
Ф(t ) .
2
Па
ра
мет
Для удобства пользования формулы для вычисления предельной ошибки
выборки сведем в таблицу:
Таблица 3
Оценка
Предельная ошибка выборки
Повторная выборка
Бесповторная выборка
13
n>30
P
x
1 n
x
n i 1 i
t
s
n
m
n
t
(1 )
n
n>30
n 30
t
n 1
s
n
t
n 30
st
n
1
N
n
stn 1
n
1
N
n
(1 )
n
1
n
N
При неизвестном среднем квадратичном отклонении доверительный
интервал для математического ожидания при заданной надежности γ задается
так:
xB
t s
n
a xB
t s
n
.
(10)
Здесь s – исправленное выборочное среднее квадратичное отклонение, а
t t (n, ) критическая точка распределения Стьюдента, значение которой
можно найти из таблиц по известным п и γ.
Пример 1.На заводе имеется N болванок. Результаты выборочной
проверки 500 болванок приведены ниже:
Масса
29-30
30-31
31-32
32-33
33-34
Итого
болванок (кг)
Количество
38
202
198
56
6
500
(штук)
Выборка собственно случайная бесповторная. Найти доверительный интервал
для оценки средней массы болванок при уровне доверительной вероятности
0.95 . Среднеквадратическую ошибку для бесповторной выборки
s2
n
2
определяют по формуле
1 , где s s выборочное среднее
n N
квадратичное отклонение, n=500, N=3000.
Решение.
Перепишем таблицу данную в условии задачи в следующем виде:
хi
29.5
30.5
31.5
32.5
33.5
итого
ni,
38
202
198
56
6
500
Для упрощения расчетов делаем замену переменного
yi xi 31.5
Получим таблицу:
yi
-2
-1
1
2
n
ni,
38
202
198
56
6
500
14
Доверительный интервал вычислим по формуле:
x x
1
1
Находим y y i ni
2 38 1 202 1 56 2 6 0.42
n
500
Обратная замена: x y 31.5 0.42 31.5 31.08
1
1
y 2 y i ni
38 4 202 1 56 1 6 4 0.868
n
500
Найдем выборочное среднеквадратичное отклонение
s s 2 y 2 y 2 0.868 0.42 2 0.8316
Среднеквадратическую ошибку для бесповторной выборки определяют по
s2
n
1
n N
0.83162 1
500
0.0341
500
3000
t
n
По таблице приложения 4 находим t ( ) t 0.95 1.965 n
формуле
1.965 0.0341
0.073
500
Искомый доверительный интервал имеет вид:
31.08 0.073 31.08 0.073
31.007 31.153
Ответ: 31.007 31.153
§4. Элементы теории корреляции. Линейная корреляция
Корреляционной зависимостью называется статистическая зависимость,
при которой изменение одной из величин влечет за собой изменение среднего
значения другой:
y x f x ,
(1)
где
yx
- условная средняя (среднее арифметическое значений
Y ,соответствующих значению X x ).
Уравнение (1) называется уравнением регрессии Y на X , функция f x
называется регрессией Y на X , а ее график – линия регрессии Y на X .
Аналогично определяется регрессия X на Y .
Если обе линии регрессии Y на Х и Х на Y – прямые, то корреляцию
называют линейной.
Выборочное уравнение прямой линии регрессии Y на Х имеет вид
y
y x y rв
x x
x
(2)
где y в - условная средняя; x и y - выборочные средние признаков Х и Y; x и
y - выборочные средние квадратичные отклонения; rв - выборочный
коэффициент корреляции, причем
15
rв
nxy xy n x y n x y
(3)
Выборочное уравнение прямой линии регрессии Х на Y имеет вид
x y x rв x y y
(4)
y
Если данные наблюдений над признаками Х и Y заданы в виде
корреляционной таблицы с равностоящими вариантами, то целесообразно
перейти к условным вариантам:
u i xi C1 h1 , v j y j C 2 h2
(5)
где С1 – «ложный нуль» вариант Х (новое начало отсчета); в качестве ложного
нуля выгодно принять варианту, которая расположена примерно в середине
вариационного ряда (условимся принимать в качестве ложного нуля варианту,
имеющую наибольшую частоту); h1 – шаг, т.е. разность между двумя
соседними вариантами Х; С2 – ложный нуль вариант Y; h2 – шаг вариант Y.
В этом случае выборочный коэффициент корреляции
rв nuv uv nuv nu v
(6)
причем слагаемое nuv uv удобно вычислять, используя расчетную таблицу 3
(см. далее решение задачи).
Величины u , v , u , v могут быть найдены либо методом произведений
(при большом числе данных), либо непосредственно по формулам:
n u , v n v n , u 2 u 2 , v 2 v 2 .
u u
v
u
v
n
(7)
Зная эти величины, можно определить входящие в уравнения регрессии (2) и
(4) величины по формулам:
x u h1 C1 , y v h2 C 2 , x u h1 , y v h2
Для оценки силы линейной корреляционной связи служит выборочный
коэффициент корреляции rв .
Для обоснованного суждения о наличии связи между количественными
признаками следует проверить, значим ли выборочный коэффициент
корреляции.
Пример 2. Данные наблюдений над двумерной случайной величиной (X,Y)
представлены в корреляционной таблице. Найти выборочное уравнение прямой
регрессии Y на Х. Выполнить чертеж.
Таблица 1.
Y
X
ny
20
25
30
35
40
16
4
6
10
26
8
10
18
36
32
3
9
44
46
4
12
6
22
56
1
5
6
16
nx
4
14
46
16
20
N=200
Решение.
Составим корреляционную таб. 2 в условных вариантах, выбрав в качестве
ложных нулей С1=30 и С2=36 (каждая из этих вариант расположена в середине
соответствующего вариационного ряда).
Таблица 2.
v
u
-2
-1
1
2
nv
-2
4
6
10
-1
8
10
18
32
3
9
44
1
4
12
6
22
2
1
5
6
nu
4
14
46
16
20
N=100
Найдем u и v :
u nu u n (4 2 14 1 46 0 16 1 20 2) 100 0.34
v
nv v
10 2 18 1 44 0 22 1 6 2 100 0.04
n
Найдем вспомогательные величины u 2 и v 2 :
n u n (4 4 14 1 16 1 20 4) 100 1.26
n v 10 4 18 1 22 1 6 4 100 1.04
u2
u
2
v
v
2
2
n
Найдем u и v
u u 2 u 2 1.26 0.34 2 1.07
2
v v 2 v 1.04 0.04 2 1.02
Найдем nuv uv , для чего составим расчетную таблицу 3.
1. Произведение частоты nuv на варианту u, т. е. nuvu, запишем в правом
верхнем углу клетки, содержащей значение частоты. Например, в правых
верхних углах клеток первой строки запишем произведения:
4 2 8; 6 1 6
2. Суммируем все числа, помещенные в правых верхних углах клеток одной
строки, и их сумму помещаем в клетку этой же строки «столбца U». Так,
для первой строки u 8 6 14 .
3. Умножим варианту v на U и полученное произведение запишем в
соответствующую клетку «столбца vU». Так, в первой строке таблицы
v 2, U 14 , следовательно, vU 2 14 28 .
17
vU ,
4. Сложив все числа «столбца vU», получим сумму
которая равна
v
искомой сумме
nuv uv . Так, для таблицы 3 uV 82 , следовательно,
u
nuv uv 82.
Суммируя числа последнего столбца таблицы 3, находим
vU nuv uv 82
v
Для контроля вычислений находим сумму чисел последней строки:
uV nuvuv 82
u
Совпадение сумм свидетельствует о правильности вычислений.
Для контроля аналогичные вычисления производят по столбцам:
произведения n uv v записывают в левый нижний угол клетки, содержащей
значение частоты; все числа, помещенные в левых нижних углах клеток одного
столбца, складывают и их сумму помещают в «строку V»;наконец, умножают
каждую варианту u на V и результат записывают в клетках последней строки.
Таблица 3.
u
-2
-1
1
2
U= nuv u vU
v
-2
-8
-6
-14
28
4
6
-8
-12
-1
-8
-8
8
8
10
-8
-10
3
18
21
32
3
9
1
12
12
24
24
4
12
6
4
12
6
2
1
10
11
22
1
5
2
10
-8
-20
-6
14
16
V= nuvv
vU 82
v
uV
16
20
14
32
uV 82
u
Найдем искомый выборочный коэффициент корреляции:
nuv uv nuv 82 100 0.34 0.04 0.76
rв
n u v
100 1.07 1.02
Найдем шаги h1 и h2 (разности между любыми двумя соседними вариантами):
h1 25 20 5;
h2 26 16 10.
18
Найдем x и y , учитывая, что C1 30,C 2 36 :
x u h1 C1 0.34 5 30 31.70
y v h2 C 2 0.04 10 36 35.6
Найдем x и y :
x h1 u 5 1.07 5,35;
y h2 v 10 1,02 10,2
Подставим найденные величины в соотношение (1), получим искомое
уравнение прямой линии регрессии Y на X:
10.2
y x 35.6 0.76
x 31.70
5.35
или окончательно y x 1.45 x 10.36 .
Построим график:
20
18.64
10
10
20
y( x)
20
24.86
40
10
x
20
Ответ: y x 1.45 x 10.36 .
5. Проверка статистических гипотез
Задача, решаемая проверкой статистических гипотез: по выборочным
данным сделать вывод о том, выполняется ли определенное свойство для
исследуемой популяции. Также к проверке гипотезы сводится задача о
сравнении свойств двух или нескольких популяций.
Нулевая гипотеза Н0 – это основное проверяемое предложение о
популяции (нескольких популяциях).
Альтернативная гипотеза Н1 - это гипотеза, противоречащая нулевой.
Ошибки I и II рода. Ошибка первого рода: отвергнуть правильную
нулевую гипотезу. Ошибка второго рода: принять неправильную нулевую
гипотезу. Следующая таблица показывает все возможности:
Верна Н0
Верна Н1
Принять Н0
Верное решение
Ошибка II рода
Принять Н1
Ошибка I рода
Верное решение
Вероятность ошибки I рода называется уровнем значимости и обозначается .
Вероятность ошибки II рода обозначается .
Статистическим критерием или просто критерием называется случайная
величина К, которая служит для проверки гипотезы. ( В разных конкретных
случаях эта величина обозначается по-разному, например F,T, 2 и т.п.)
Наблюдаемым (эмпирическим) значением Кнабл называется критическое
значение, полученное по выборочным данным. Критическая область– это
множество значений Кнабл, при которых нулевая гипотеза отвергается. Область
19
принятии нулевой гипотезы – это множество значений Кнабл, при которых Н0
принимается.
Обычная схема проверки гипотезы такова:
1.
формулируется гипотеза Н0;
2.
формулируется гипотеза Н1;
3.
задается уровень значимости ;
4.
по выборочным данным вычисляется Кнабл;
5.
находятся (обычно по таблице) критические значения, определяющие
область принятия гипотезы Н0;
6.
если Кнабл принадлежит области принятия, то считается что выборочные
данные не противоречат гипотезе Н0; и она принимается; если Кнабл не
принадлежит области принятия, то гипотезу Н0 отвергают и принимают
конкурирующую гипотезу Н1.
Проверка гипотезы о распределении генеральной совокупности по закону
Пуассона
Задано эмпирическое распределение дискретной случайной величины Х.
Требуется, используя критерий Пирсона, проверить гипотезу о распределении
генеральной совокупности по закону Пуассона.
Алгоритм проверки гипотезы о распределении генеральной совокупности по
закону Пуассона
Для того чтобы при уровне значимости проверить гипотезу о том, что
случайная величина Х распределена по закону Пуассона, необходимо:
1.
Найти по заданному эмпирическому распределению выборочную
среднюю xв .
2.
Принять в качестве оценки параметра распределения Пуассона
выборочную среднюю xв .
Найти по формуле Пуассона (или по готовым таблицам) вероятности Pi
появления ровно i событий в n испытаниях (i=0,1,2,…,r, где r – максимальное
число наблюдавшихся событий, n- объем выборки).
4.
Найти теоретические частоты по формуле ni n Pi .
5.
Сравнить эмпирические и теоретические частоты с помощью критерия
Пирсона, приняв число степеней свободы к s 2 , где s число различных
групп выборки (если производилось объединение малочисленных частот в одну
группу, то s число оставшихся групп выборки после объединения частот).
Замечание 1.
Малочисленные частоты (ni<5) следует объединить; в этом случае и
соответствующие им теоретические частоты также надо сложить. Если
производилось объединение частот, то при определении числа степеней
свободы по формуле к s 3 следует в качестве s принять число групп
выборки, оставшихся после объединения частот.
Пример1.(типовая задача контрольной работы)
Известно эмпирическое распределение выборки объема n случайной
величины Х. Проверить гипотезу о распределении по закону Пуассона
3.
20
генеральной совокупности этой величины. Использовать критерий согласия
Пирсона (хи-квадрат) при уровне значимости 0.05 .
xi
1
2
3
4
n
ni
116
56
22
4
2
200
Решение. Рассмотрим гипотезы:
Н0: случайная величина Х распределена по закону Пуассона.
Н1: случайная величина Х не распределена по закону Пуассона.
1.
Найдем выборочную среднюю:
хв ni xi n 116 0 56 1 22 2 4 3 2 4 200 0.6
2.
Примем в качестве оценки параметра распределения Пуассона
выборочную среднюю: 0.6. Следовательно, предполагаемый закон
i
Пуассона Pn i i e / i! имеет вид P200 (i ) 0.6 e 0.6 / i!
3.
Положив i=0,1,2,3,4 найдем вероятности Pi появления ровно i событий в
n испытаниях (i=0,1,2,…,r, где r – максимальное число наблюдавшихся
событий,
nобъем
выборки).
Р0 Р200 0 0.5488; Р1 Р200 1 0.3293; Р2 Р200 2 0.0988;
Р3 Р200 (3) 0.0198; Р4 Р200 (4) 0.0030
4.
Найдем теоретические частоты по формуле ni n Pi 200 Pi . Подставив
в эту формулу найденные в пункте 3 значения вероятностей Pi , получим
n 0 200 0.5488 109.76 .
Аналогично
найдем:
n1 65.86; n2 19.76; n3 3.96; n4 0.6.
5.
Сравним эмпирические и теоретические частоты с помощью критерия
Пирсона. Для этого составим расчетную таблицу 1. Учитывая замечание 1,
объединим малочисленные частоты (4+2=6) и соответствующие им
теоретические частоты (3.96+0.6=4.56), результаты объединения частот
запишем в таблицу 1.
Таблица 1.
1
2
3
4
5
6
2
2
i
ni
ni
ni- ni
n i ni
ni ni
ni
1
2
3
116
56
22
6
109.76
65.86
19.76
4.56
6.54
-9.86
2.24
1.44
38.9376
97.2196
5.0176
2.0736
0.3548
1.4762
0.2539
0.4547
2набл 2.54
200
21
Из расчетной таблицы находим наблюдаемое значение критерия Пирсона:
2набл 2.54 .
По таблице критических точек распределения 2 , по уровню значимости
0.05 и числу степеней свободы k 4 2 2 находим критическую точку
правосторонней критической области: 2
кр 0.05;2 6.0.
2
Так как 2
набл кр - нет оснований отвергнуть гипотезу Но о
распределении случайной величины Х по закону Пуассона.
Ответ: случайная величина Х распределена по закону Пуассона.
Приложение 1
Таблица функции x
х
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
0,3989
3970
3910
3814
3683
3521
3332
3123
2897
2661
2420
2179
1942
1714
1497
1295
1109
0940
0790
0656
0540
0440
0355
0283
0224
0175
0136
0104
1
3989
3965
3902
3802
3668
3503
3312
3101
2874
2637
2396
2155
1919
1691
1476
1276
1092
0925
0775
0644
0529
0431
0347
0277
0219
0171
0132
0101
2
3989
3961
3894
3790
3653
3485
3292
3079
2850
2613
2371
2131
1895
1669
1456
1257
1074
0909
0761
0632
0519
0422
0339
0270
0213
0167
0129
0099
3
3988
3956
3885
3778
3637
3467
3271
3056
2827
2589
2347
2107
1872
1647
1435
1238
1057
0893
0748
062
0508
0413
0332
0264
0208
0163
0126
0096
x2
1
2
e
2
Сотые доли
4
5
3986 3984
3951 3945
3876 3867
3765 3752
3621 3605
3448 3429
3251 3230
3034 3011
2803 2780
2565 2541
2323 2299
2083 2059
1849 1826
1626 1604
1415 1394
1219 1200
1040 1023
0878 0863
0734 0721
0608 0596
0498 0488
0404 0396
0325 0317
0258 0252
0203 0198
0158 0154
0122 0119
0093 0091
22
6
3982
3939
3857
3739
3589
3410
3209
2989
2756
2516
2275
2036
1804
1582
1374
1182
1006
0848
0707
0584
0478
0387
0310
0246
0194
0151
0116
0088
7
3980
3932
3847
3725
3572
3391
3187
2966
2732
2492
2251
2012
1781
1561
1354
1163
0989
0833
0694
0573
0468
0379
0303
0241
0189
0147
0113
0086
8
3977
3925
3836
3712
3555
3372
3166
2943
2709
2468
2227
1989
1758
1539
1334
1145
0973
0818
0681
0562
0459
0371
0297
0235
0184
0143
0110
0084
9
3973
3918
3825
3697
3538
3352
3144
2920
2685
2444
2203
1965
1736
1518
1315
1127
0957
0804
0669
0551
0449
0363
0290
0229
0180
0139
0107
0081
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
0079
0060
0044
0033
0024
0017
0012
0009
0077
0058
0043
0032
0023
0017
0012
0008
0075
0056
0042
0031
0022
0016
0012
0008
0073
0055
0040
0030
0022
0016
0011
0008
0071
0053
0039
0029
0021
0015
0011
0008
0069
0051
0038
0028
0020
0015
0010
0007
0067
0050
0037
0027
0020
0014
0010
0007
0065
0048
0036
0026
0019
0014
0010
0007
0063
0047
0035
0025
0018
0013
0009
0007
0061
0046
0034
0025
0018
0013
0009
0006
Приложение 2
Таблица значений функции x
х
1
2
3
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
0,0000
0398
0793
1179
1554
1915
2257
2580
2881
3159
3413
3643
3849
4032
4192
4332
4452
4554
4641
4713
4772
4821
4861
4893
4918
4938
4953
4965
4974
4981
4987
4990
4993
4995
0040
0438
0832
1217
1591
1950
2291
2611
2910
3186
3438
3665
3869
4049
4207
4345
4463
4564
4649
4719
4778
4826
4864
4896
4920
4940
4955
4966
4975
4982
4987
4991
4993
4995
0080
0478
0871
1255
1628
1985
2324
2642
2939
3212
3461
3686
3888
4066
4222
4357
4474
4573
4656
4726
4783
4830
4868
4898
4922
4941
4956
4967
4976
4982
4987
4991
4994
4995
0120
0517
0910
1293
1664
2019
2357
2673
2967
3238
3485
3708
3907
4082
4236
4370
4484
4582
4664
4732
4788
4834
4871
4901
4925
4943
4957
4968
4977
4983
4988
4991
4994
4996
Сотые доли
4
5
0160
0557
0948
1331
1700
2054
2389
2704
2995
3264
3508
3729
3925
4099
4251
4382
4495
4591
4671
4738
4793
4838
4875
4904
4927
4945
4959
4969
4977
4984
4988
4992
4994
4996
23
0199
0596
0987
1368
1736
2088
2422
2734
3023
3289
3531
3749
3944
4115
4265
4394
4505
4599
4678
4744
4798
4842
4878
4906
4929
4946
4960
4970
4978
4984
4989
4992
4994
4996
1
2
2
x z
e 2 dz
6
7
8
9
0239
0636
1026
1406
1772
2123
2454
2764
3051
3315
3554
3770
3962
4131
4279
4406
4515
4608
4686
4750
4803
4846
4881
4909
4931
4948
4961
4071
4979
4985
4989
4992
4994
4996
0279
0675
1064
1443
1808
2157
2486
2794
3078
3340
3577
3790
3980
4147
4292
4418
4525
4616
4693
4756
4808
4850
4884
4911
4932
4949
4962
4972
4979
4985
4989
4992
4995
4996
0319
0714
1103
1480
1844
2190
2517
2823
3106
3365
3599
3810
3997
4162
4306
4429
4535
4625
4699
4761
4812
4854
4887
4913
4934
4951
4963
4973
4980
4986
4990
4993
4995
4996
0359
0753
1141
1517
1879
2224
2549
2852
3133
3389
3621
3830
4015
4177
4319
4441
4545
4633
4706
4767
4817
4857
4890
4916
4936
4952
4964
4974
4981
4986
4990
4993
4995
4997
3,4
3,5
3,6
3,7
3,8
4997
4998
4998
4999
4999
4997
4998
4998
4999
4999
4997
4998
4999
4999
4999
4997
4998
4999
4999
4999
4997
4998
4999
4999
4999
4997
4998
4999
4999
4999
4997
4998
4999
4999
4999
4997
4998
4999
4999
4999
4997
4998
4999
4999
4999
4998
4998
4999
4999
4999
Приложение 3
Таблица значений t t , n
0,9
0,95
0,99
n
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
25
30
35
40
45
50
60
70
80
90
100
120
140
200
250
2,13
2,02
1,94
1,89
1,86
1,83
1,81
1,80
1,78
1,77
1,76
1,75
1,75
1,74
1,73
1,73
1,71
1,70
1,69
1,68
1,68
1,68
1,67
1,67
1,66
1,66
1,66
1,66
1,66
1,65
1,65
1,65
2,78
2,57
2,45
2,36
2,31
2,26
2,23
2,20
2,18
2,16
2,14
2,13
2,12
2,11
2,10
2,09
2,06
2,05
2,03
2,02
2,02
2,01
2,00
1,99
1,99
1,99
1,98
1,98
1,98
1,97
1,97
1,96
24
4,60
4,03
3,71
3,50
3,36
3,25
3,17
3,11
3,05
3,01
2,98
2,95
2,92
2,90
2,88
2,86
2,80
2,76
2,73
2,71
2,69
2,68
2,66
2,65
2,64
2,63
2,63
2,62
2,61
2,60
2,60
2,57
Приложение 4
Критические точки распределения
Число
степеней
свободы
k
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
2
Уровень значимости
0,005
0,01
0,025
0,05
0,95
0,975
0,99
0,995
10,6
12,8
14,9
16,7
18,5
20,3
22,0
23,6
25,2
26,8
28,3
29,8
31,3
32,8
34,3
35,7
37,2
38,6
40,0
41,4
42,8
44,2
45,6
46,9
48,3
49,6
51,0
52,3
53,7
55,0
56,3
57,6
59,0
60,3
61,6
9,2
11,3
13,3
15,1
16,8
18,5
20,1
21,7
23,2
24,7
26,2
27,7
29,1
30,6
32,0
33,4
34,8
36,2
37,6
38,9
40,3
41,6
43,0
44,3
45,6
47,0
48,3
49,6
50,9
52,2
53,5
54,8
56,1
57,3
58,6
7,4
9,3
11,1
12,8
14,4
16,0
17,5
19,0
20,5
21,9
23,3
24,7
26,1
27,5
28,8
30,2
31,5
32,9
34,2
35,5
36,8
38,1
39,4
40,6
41,9
43,2
44,5
45,7
47,0
48,2
49,5
50,7
52,0
53,2
54,4
6,0
7,8
9,5
11,1
12,6
14,1
15,5
16,9
18,3
19,7
21,0
22,4
23,7
25,0
26,3
27,6
28,9
30,1
31,4
32,7
33,9
35,2
36,4
37,7
38,9
40,1
41,3
42,6
43,8
45,0
46,2
47,4
48,6
49,8
51,0
0,10
0,35
0,71
1,15
1,64
2,17
2,73
3,33
3,94
4,57
5,23
5,89
6,57
7,26
7,96
8,67
9,39
10,1
10,9
11,6
12,3
13,1
13,8
14,6
15,4
16,2
16,9
17,7
18,5
19,3
20,1
20,9
21,7
22,5
23,3
0,05
0,22
0,48
0,83
1,24
1,69
2,18
2,70
3,25
3,82
4,40
5,01
5,63
6,26
6,91
7,56
8,23
8,91
9,59
10,3
11,0
11,7
12,4
13,1
13,8
14,6
15,3
16,0
16,8
17,5
18,3
19,0
19,8
20,6
21,3
0,02
0,11
0,30
0,55
0,87
1,24
1,65
2,09
2,56
3,05
3,57
4,11
4,66
5,23
5,81
6,41
7,01
7,63
8,26
8,90
9,54
10,2
10,9
11,5
12,2
12,9
13,6
14,3
15,0
15,7
16,4
17,1
17,8
18,5
19,2
0,01
0,07
0,21
0,41
0,68
0,99
1,34
1,73
2,16
2,60
3,07
3,57
4,07
4,60
5,14
5,70
6,26
6,84
7,43
8,03
8,64
9,26
9,89
10,52
11,16
11,81
12,46
13,12
13,79
14,46
15,13
15,82
16,50
17,19
17,89
25