Вероятностно-статистические методы моделирования экономических систем
Введение
Под задачей идентификации закона распределения наблюдаемой случайной величины (структурно-параметрической идентификации), как правило, понимают задачу выбора такой параметрической модели закона распределения вероятностей, которая наилучшим образом соответствует результатам экспериментальных наблюдений. Случайные ошибки средств измерений не так уж часто подчиняются нормальному закону, точнее, не так часто хорошо описываются моделью нормального закона. В основе измерительных приборов и систем лежат различные физические принципы, различные методы измерений и различные преобразования измерительных сигналов. Погрешности измерений как величины являются следствием влияния множества факторов, случайного и неслучайного характера, действующих постоянно или эпизодически. Поэтому понятно, что только при выполнении определенных предпосылок (теоретических и технических) погрешности измерений достаточно хорошо описываются моделью нормального закона.
Вообще говоря, следует понимать, что истинный закон распределения (если он, конечно, существует), описывающий погрешности конкретной измерительной системы, остается (останется) неизвестным, не смотря на все наши попытки его идентифицировать. На основании данных измерений и теоретических соображений мы можем только подобрать вероятностную модель, которая в некотором смысле наилучшим образом приближает этот истинный закон. Если построенная модель адекватна, то есть применяемые критерии не дают оснований для ее отклонения, то на основе данной модели можно вычислить все интересующие нас вероятностные характеристики случайной составляющей погрешности измерительного средства, которые будут отличаться от истинных значений только за счет не исключенной систематической (ненаблюдаемой или нерегистрируемой) составляющей погрешности измерений. Ее малость и характеризует правильность измерений. Множество возможных законов распределения вероятностей, которые можно использовать для описания наблюдаемых случайных величин, не ограничено. Бессмысленно ставить целью задачи идентификации нахождение истинного закона распределения наблюдаемой величины. Мы можем лишь решать задачу выбора наилучшей модели из некоторого множества. Например, из того множества параметрических законов и семейств распределений, которые используются в приложениях, и упоминание о которых можно найти в литературных источниках.
Классический подход к структурно-параметрической идентификации закона распределения. Под классическим подходом будем понимать алгоритм выбора закона распределения, целиком базирующийся на аппарате математической статистики.
1. Элементарные понятия о случайных событиях, величинах и функциях
Мы уже видели, что для многих экспериментов нет никаких различий в подсчёте вероятностей событий, тогда как элементарные исходы в этих экспериментах очень различаются. Но нас и должны интересовать именно вероятности событий, а не структура пространства элементарных исходов. Поэтому пора во всех таких «похожих» экспериментах вместо самых разных элементарных исходов использовать, например, числа. Иначе говоря, каждому элементарному исходу поставить в соответствие некоторое вещественное число, и работать только с числами.
Пусть задано вероятностное пространство .
Определение 26. Функция называется случайной величиной , если для любого борелевского множества множество является событием, т.е. принадлежит - алгебре .
Множество , состоящее из тех элементарных исходов , для которых принадлежит , называется полным прообразом множества .
Замечание 9. Вообще, пусть функция действует из множества в множество , и заданы -алгебры и подмножеств и соответственно. Функция называется измеримой , если для любого множества его полный прообраз принадлежит .
Замечание 10.Читатель, не желающий забивать себе голову абстракциями, связанными с -алгебрами событий и с измеримостью, может смело считать, что любое множество элементарных исходов есть событие, и, следовательно, случайная величина есть произвольная функция из в . Неприятностей на практике это не влечёт, так что всё дальнейшее в этом параграфе можно пропустить.
Теперь, избавившись от нелюбопытных читателей, попробуем понять, зачем случайной величине нужна измеримость.
Если задана случайная величина , нам может потребоваться вычислить вероятности вида , , , (и вообще самые разные вероятности попадания в борелевские множества на прямой). Это возможно лишь если множества, стоящие под знаком вероятности, являются событиями - ведь вероятность есть функция, определённая только на -алгебре событий. Требование измеримости равносильно тому, что для любого борелевского множества определена вероятность .
Можно потребовать в определении 26 чего-нибудь другого. Например, чтобы событием было попадание в любой интервал: , или в любой полуинтервал: .
Убедимся, например, что эквивалентны определения 26 и 27:
Определение 27.Функция называется случайной величиной, если для любых вещественных множество принадлежит -алгебре .
Доказательствоэквивалентности определений 26, 27.
Если - случайная величина в смысле определения 26, то она будет случайной величиной и в смысле определения 27, поскольку любой интервал является борелевским множеством.
Докажем, что верно и обратное. Пусть для любого интервала выполнено . Мы должны доказать, что то же самое верно и для любых борелевских множеств.
Соберём в множестве все подмножества вещественной прямой, прообразы которых являются событиями. Множество уже содержит все интервалы . Покажем теперь, что множество является -алгеброй. По определению, тогда и только тогда, когда множество принадлежит .
1. Убедимся, что . Но и, следовательно, .
2. Убедимся, что для любого . Пусть . Тогда , так как - -алгебра.
3. Убедимся, что для любых . Пусть для всех . Но - -алгебра, поэтому
Мы доказали, что - -алгебра и содержит все интервалы на прямой. Но - наименьшая из -алгебр, содержащих все интервалы на прямой. Следовательно, содержит : .
Приведём примеры измеримых и неизмеримых функций.
Пример 25.Подбрасываем кубик. Пусть , и две функции из в заданы так: , . Пока не задана -алгебра , нельзя говорить об измеримости. Функция, измеримая относительно какой-то -алгебры , может не быть таковой для другой .
Если есть множество всех подмножеств , то и являются случайными величинами, поскольку любое множество элементарных исходов принадлежит , в том числе и или . Можно записать соответствие между значениями случайных величин и и вероятностями принимать эти значения в виде «таблицы распределения вероятностей» или, коротко, «таблицы распределения»:
Здесь .
2. Пусть -алгебра событий состоит из четырёх множеств:
т.е. событием является, кроме достоверного и невозможного событий, выпадение чётного или нечётного числа очков. Убедимся, что при такой сравнительно бедной -алгебре ни , ни не являются случайными величинами, поскольку они неизмеримы. Возьмём, скажем, . Видим, что и
2. Числовые характеристики случайных величин
Математическое ожидание. Математическим ожиданием дискретной случайной величины Х, принимающей конечное число значений хi с вероятностями рi, называется сумма:
(6а)
Математическим ожиданием непрерывной случайной величины Х называется интеграл от произведения ее значений х на плотность распределения вероятностей f(x):
(6б)
Несобственный интеграл (6б) предполагается абсолютно сходящимся (в противном случае говорят, что математическое ожидание М (Х) не существует). Математическое ожидание характеризует среднее значение случайной величины Х. Его размерность совпадает с размерностью случайной величины. Свойства математического ожидания:
Дисперсия. Дисперсией случайной величины Х называется число:
Дисперсия является характеристикой рассеяния значений случайной величины Х относительно ее среднего значения М (Х). Размерность дисперсии равна размерности случайной величины в квадрате. Исходя из определений дисперсии (8) и математического ожидания (5) для дискретной случайной величины и (6) для непрерывной случайной величины получим аналогичные выражения для дисперсии:
Здесь m = М (Х).
Свойства дисперсии:
(10)
Среднее квадратичное отклонение:
(11)
Так как размерность среднего квадратичного отклонения та же, что и у случайной величины, оно чаще, чем дисперсия, используется как мера рассеяния.
Моменты распределения. Понятия математического ожидания и дисперсии являются частными случаями более общего понятия для числовых характеристик случайных величин - моментов распределения. Моменты распределения случайной величины вводятся как математические ожидания некоторых простейших функций от случайной величины. Так, моментом порядка k относительно точки х0называется математическое ожидание М (Х - х0) k. Моменты относительно начала координат х = 0 называются начальными моментами и обозначаются:
(12)
Начальный момент первого порядка есть центр распределения рассматриваемой случайной величины:
(13)
Моменты относительно центра распределения х = m называются центральными моментами и обозначаются:
(14)
Из (7) следует, что центральный момент первого порядка всегда равен нулю:
(15)
Центральные моменты не зависят от начала отсчета значений случайной величины, так как при сдвиге на постоянное значение С ее центр распределения сдвигается на то же значение С, а отклонение от центра не меняется:
Х - m = (Х - С) - (m - С).
Теперь очевидно, что дисперсия - это центральный момент второго порядка:
(16)
Асимметрия. Центральный момент третьего порядка:
(17)
служит для оценки асимметрии распределения. Если распределение симметрично относительно точки х = m, то центральный момент третьего порядка будет равен нулю (как и все центральные моменты нечетных порядков). Поэтому, если центральный момент третьего порядка отличен от нуля, то распределение не может быть симметричным. Величину асимметрии оценивают с помощью безразмерного коэффициента асимметрии:
(18)
Знак коэффициента асимметрии (18) указывает на правостороннюю или левостороннюю асимметрию (рис. 2).
Рис. 1. Виды асимметрии распределений
Эксцесс. Центральный момент четвертого порядка:
(19)
служит для оценки так называемого эксцесса, определяющего степень крутости (островершинности) кривой распределения вблизи центра распределения по отношению к кривой нормального распределения. Так как для нормального распределения, то в качестве эксцесса принимается величина:
(20)
На рис. 3 приведены примеры кривых распределения с различными значениями эксцесса. Для нормального распределения Е = 0. Кривые, более островершинные, чем нормальная, имеют положительный эксцесс, более плосковершинные - отрицательный.
Рис. 2. Кривые распределения с различной степенью крутости (эксцессом)
Моменты более высоких порядков в инженерных приложениях математической статистики обычно не применяются.
Мода дискретной случайной величины - это ее наиболее вероятное значение. Модой непрерывной случайной величины называется ее значение, при котором плотность вероятности максимальна (рис. 2). Если кривая распределения имеет один максимум, то распределение называется унимодальным. Если кривая распределения имеет более одного максимума, то распределение называется полимодальным. Иногда встречаются распределения, кривые которых имеют не максимум, а минимум. Такие распределения называются антимодальными. В общем случае мода и математическое ожидание случайной величины не совпадают. В частном случае, для модального, т.е. имеющего моду, симметричного распределения и при условии, что существует математическое ожидание, последнее совпадает с модой и центром симметрии распределения.
Медиана случайной величины Х - это ее значение Ме, для которого имеет место равенство: т.е. равновероятно, что случайная величина Х окажется меньше или больше Ме. Геометрически медиана - это абсцисса точки, в которой площадь под кривой распределения делится пополам. В случае симметричного модального распределения медиана, мода и математическое ожидание совпадают.
. Статистическая оценка законов распределения случайных величин
Генеральной совокупностью - называется совокупность всех подлежащих изучению объектов или возможных результатов всех наблюдений, производимых в одинаковых условиях над одним объектом.
Выборочной совокупностью или выборкой называется совокупность объектов или результатов наблюдения над объектом, отобранных случайным образом из генеральной совокупности.
Объемом выборки называется число объектов или наблюдений в выборке.
Конкретные значения выборки называются наблюдаемыми значениями случайной величины Х. Наблюдаемые значения заносятся в протокол. Протокол представляет собой таблицу. Составленный протокол является первичной формой записи обработки полученного материала. Для получения достоверных, надежных выводов выборка должна быть достаточно представительной по объему. Большая выборка - это неупорядоченное множество чисел. Для исследования выборку приводят к наглядному упорядоченному виду. Для этого в протоколе находят наибольшее и наименьшее значения случайной величины. Выборка, отсортированная по возрастанию, приведена в таблице 1.
Таблица 1. Протокол
8,66-5,49-4,11-3,48-2,9-2,32-1,82-1,09-0,440,64-8,31-4,71-3,92-3,41-2,85-2,31-1,82-1,01-0,430,71-8,23-4,68-3,85-3,33-2,83-2,29-1,8-0,99-0,430,73-7,67-4,6-3,85-3,25-2,77-2,27-1,77-0,95-0,310,99-6,64-4,43-3,81-3,08-2,72-2,25-1,73-0,89-0,31,03-6,6-4,38-3,8-3,07-2,67-2,19-1,38-0,70,041,05-6,22-4,38-3,77-3,01-2,6-2,15-1,32-0,560,081,13-5,87-4,25-3,73-3,01-2,49-2,09-1,3-0,510,151,76-5,74-4,18-3,59-2,99-2,37-2,01-1,28-0,490,262,95-5,68-4,14-3,49-2,98-2,33-1,91-1,24-0,480,534,42
Размахом выборки называется разность между наибольшим и наименьшим значением случайной величины Х:
Размах выборки разбивают на k интервалов - разрядов. Число разрядов устанавливают в зависимости от величины размаха выборки от 8 до 25, в этой курсовой работе примем k = 10.
Тогда длина интервала будет равна:
В протоколе подсчитаем число наблюдаемых значений, попавших в каждый интервал, обозначим их m1, m2,…, m10. .
Назовем mi частотой попадания случайной величины в i интервал. Если какое-либо наблюдаемое значение случайной величины совпадает с концом интервала, то это значение случайной величины по договоренности относят в один из интервалов.
После того как определили частоты mi, определим частости случайной величины, т.е. найдем отношение частот mi к общему числу наблюдаемых значений n.
Частость, условие полноты -
Найдем середину каждого интервала: .
Составим таблицу 2
Таблица значений границ интервалов и соответствующих частостей , где i = 1, 2, 3, …, k, называется статистическим рядом. Графическим изображением статистического ряда называется гистограмма. Она строится следующим образом: по оси абсцисс откладывают интервалы и на каждом таком интервале, как на основании, строится прямоугольник, площадь которого равна соответствующей частости.
, - высота прямоугольника, .
Таблица 2
Номер интервалаЛевая граница интервалаПравая граница интервалаИнтервалСередина интервалаЧастота интервалаЧастость интервалаВысота прямо-угольника1-8,66-7,352(-8,66; -7,352)-8,00640,040,03062-7,352-6,044(-7,352; -6,044)-6,69830,030,02293-6,044-4,736(-6,044; -4,736)-5,3940,040,03064-4,736-3,428(-4,736; -3,428)-4,082200,20,15295-3,428-2,12(-3,428; -2,12)-2,774260,260,19886-2,12-0,812(-2,12; -0,812)-1,466180,180,13767-0,8120,496(-0,812; 0,496)-0,158140,140,107080,4961,804(0,496; 1,804)1,1590,090,068891,8043,112(1,804; 3,112)2,45810,010,0076103,1124,42(3,112; 4,42)3,76610,010,0076Сумма1001
Рисунок 3
Статистической функцией распределения называется частость случайной величины, не превосходящая заданного значения Х:
Для дискретной случайной величины Х статистическая функция распределения находится по формуле:
Запишем статистическую функцию распределения в развернутом виде:
где - это середина интервала i, а - это соответствующие частости, где i=1, 2,…, k.
График статистической функции распределения есть ступенчатая линия, точками разрыва которой являются середины интервалов, а конечные скачки равны соответствующим частотам.
Рисунок 3
Вычисление числовых характеристик статистического ряда
Статистическое математическое ожидание,
Статистическая дисперсия,
Статистическое среднеквадратическое отклонение.
Статистическим математическим ожиданием или статистическим средним называется среднеарифметическое наблюдаемых значений случайной величины Х.
Статистической дисперсией называется среднеарифметическое значение величиныили
При большом объеме выборки вычисления по формулам и приводят к громоздким выкладкам. Для упрощения расчетов используют статистический ряд с границами и частостями , где i = 1, 2, 3, …, k, находят середины интервалов , а затем все элементы выборки, которые попали в интервал, заменяют единственным значением, тогда таких значений будетв каждом интервале .
где - среднее значение соответствующего интервала; - частость интервала
Таблица 4. Числовые характеристики
Частость PiXiPi(Xi-m)^2(Xi-m)^2*Pi1-8,0060,04-0,320231,486911,25952-6,6980,03-0,200918,518560,55563-5,390,04-0,21568,971940,35894-4,0820,20-0,81642,847050,56945-2,7740,26-0,72120,143880,03746-1,4660,18-0,26390,862450,15527-0,1580,14-0,02215,002740,700481,150,090,103512,564761,130892,4580,010,024623,548500,2355103,7660,010,037737,953980,3795Статистическое математическое ожидание-2,3947Статистическая дисперсия5,3822Статистическое среднее квадратическое отклонение2,3200
Определяет положение центра группировки наблюдаемых значений случайной величины.
, характеризуют рассеяние наблюдаемых значений случайной величины вокруг
Во всяком статистическом распределении неизбежно присутствуют элементы случайности. Однако при очень большом числе наблюдений эти случайности сглаживаются, и случайные явления обнаруживают присущую ему закономерность.
При обработке статистического материала приходится решать вопрос о том, как подобрать для данного статистического ряда теоретическую кривую. Эта теоретическая кривая распределения должна выражать существенные черты статистического распределения - эта задача называется задачей сглаживания или выравнивания статистического ряда.
Иногда общий вид распределения случайной величины Х вытекает из самой природы этой случайной величины.
Пусть случайная величина Х - это результат измерения некоторой физической величины прибора.
Х = точное значение физической величины + ошибка прибора.
Случайная ошибка прибора при измерении имеет суммарную природу и распределена по нормальному закону. Следовательно такое же распределение имеет случайная величина Х, т.е. нормальное распределение с плотностью вероятности:
Где , , .
Параметры и определяются так, чтобы числовые характеристики теоретического распределения были равны соответствующим числовым характеристикам статистического распределения. При нормальном распределении полагают, что ,,, тогда функция нормального распределения примет вид:
Таблица 5. Выравнивающая кривая
Номер интервалаСередина интервала XiТабулированная функцияНормальная кривая 1-8,0060-2,41870,02140,00922-6,6980-1,85490,07140,03083-5,3900-1,29110,17340,07474-4,0820-0,72730,30620,13205-2,7740-0,16350,39360,1697M-2,394700,39890,17206-1,46600,40030,36820,15877-0,15800,96410,25070,108081,15001,52790,12420,053592,45802,09170,04480,0193103,76602,65550,01170,0051
Теоретическую нормальную кривую строим по точкам на одном графике с гистограммой статистического ряда (Ошибка! Источник ссылки не найден).
Рисунок 6
Выравнивание статистической функции распределения
Статистическую функцию распределения выравниваем функцией распределения нормального закона:
где,, - функция Лапласа.
Таблица 7. Функция распределения
Номер интервалаСередина интервала XiФункция Лапласа Функция распределения1-8,0060-2,4187-0,49220,00782-6,6980-1,8549-0,46820,03183-5,3900-1,2911-0,40170,09834-4,0820-0,7273-0,26650,23355-2,7740-0,1635-0,06490,4351m-2,3947000,50006-1,46600,40030,15550,65557-0,15800,96410,33250,832581,15001,52790,43670,936792,45802,09170,48180,9818103,76602,65550,49600,9960
Строим график теоретической функции распределения по точкам / вместе с графиком статистической функции распределения.
Рисунок 6
Пусть изучается случайная величина Х с математическим ожиданием и дисперсией, оба параметра неизвестны.
Пусть х1, х2, х3, …, хn - выборка, полученная в результате проведения n независимых наблюдений случайной величины Х. Чтобы подчеркнуть случайный характер величин х1, х2, х3, …, хn перепишем их в виде:
Х1, Х2, Х3, …, Хn, где Хi - значение случайной величины Х в i-ом опыте.
Требуется на основании этих опытных данных оценить математическое ожидание и дисперсию случайной величины. Такие оценки называются точечными, в качестве оценки m и D можно принять статистическое математическое ожидание и статистическую дисперсию , где
До проведения опыта выборка Х1, Х2, Х3, …, Хn есть совокупность независимых случайных величин, которые имеют математическое ожидание и дисперсию, а значит распределение вероятности такие же как и сама случайная величина Х. Таким образом:
Где i = 1, 2, 3, …, n.
Исходя из этого, найдем математическое ожидание и дисперсию случайной величины (пользуясь свойствами математического ожидания).
Таким образом математическое ожидание статистического среднего равно точному значению математического ожидания m измеряемой величины, а дисперсия статистического среднего в n раз меньше дисперсии отдельных результатов измерений.
при
Это значит, что при большом объеме выборки N статистическое средние является величиной почти неслучайной, оно лишь незначительно отклоняется от точного значения случайной величины m. Этот закон называется законом больших чисел Чебышева.
Точечные оценки неизвестных значений математического ожидания и дисперсии имеют большое значение на первоначальном этапе обработки статических данных. Их недостаток в том, что неизвестно с кокой точностью они дают оцениваемый параметр.
Пусть по данной выборке Х1, Х2, Х3, …, Хn получены точные статистические оценки и, тогда числовые характеристики случайной величины Х будут приближенно равны . Для выборки небольшого объема вопрос поточности оценки существенен, т.к. между m и, D и будут недостаточно большие отклонения. Кроме того при решении практических задач требуется не только найти приближенные значения m и D, но и оценить их точность и надежность. Пусть , т.е. является точечной оценкой для m. Очевидно, чтотем точнее определяет m, чем меньше модуль разности . Пусть , где ?>0, тогда, чем меньше ?, тем точнее оценка m. Таким образом, ?>0 характеризует точность оценки параметра. Однако статистические методы не позволяют категорически утверждать, что оценка истинного значения m удовлетворяет, можно лишь говорить о вероятности ?, с которой это неравенство выполняется:
Таким образом, ? - это доверительная вероятность или надежность оценки , значение ? выбираются заранее в зависимости от решаемой задачи. Надежность ? принято выбирать 0.9; 0.95; 0.99; 0.999. События с такой вероятностью являются практически достоверными. По заданной доверительной вероятности можно найти число ?>0 из .
Тогда получим интервал, который накрывает с вероятностью ? истинное значение математического ожидания m, длина этого интервала равна 2?. Этот интервал называется доверительным интервалом . А такой способ оценки неизвестного параметра m - интервальным .
Пусть дана выборка Х1, Х2, Х3, …, Хn, и пусть по этой выборке найдено ,,.
Требуется найти доверительный интервал для математического ожидания m с доверительной вероятностью ?. Величина есть величина случайная с математическим ожиданием,.
Случайная величина имеет суммарную природу, при большом объеме выборки она распределена по закону близкому к нормальному. Тогда вероятность попадания случайной величины в интервал будет равна:
Где
Где - функция Лапласа.
Из формулы (3) и таблиц функции Лапласа находим число ?>0 и записываем доверительный интервал для точного значения случайной величины Х с надежностью ?.
В этой курсовой работе значение ? заменим, и тогда формула (3) примет вид:
Найдем доверительный интервал , в котором находится математическое ожидание. При ? = 0.99, n = 100, ,.
по таблицам Лапласа находим:
Отсюда ? = 0,5986.
Доверительный интервал, в котором с вероятностью 99% находится точное значение математического ожидания.
Заключение
случайный величина распределение экономический
Решение задач структурно-параметрической идентификации при ограниченных объемах выборок, которыми, как правило, обладают метрологи, обостряет проблему. В этом случае еще более важными оказываются корректность применения статистических методов анализа, использование оценок, обладающих наилучшими статистическими свойствами, и критериев, обладающих наибольшей мощностью.
При решении задач идентификации предпочтительнее опираться на классический подход. При идентификации рекомендуется рассматривать более широкое множество законов распределения, в том числе модели в виде смесей законов. В этом случае для любого эмпирического распределения мы всегда сможем построить адекватную, статистически существенно более обоснованную математическую модель.
Следует ориентироваться на использование и разработку программных систем, обеспечивающих решение задач структурно-параметрической идентификации законов распределений при любой форме регистрируемых наблюдений (измерений), включающих современные методы статистического анализа, ориентироваться на широкое, но корректное использование в исследованиях методов компьютерного моделирования. Мы уже видели, что для многих экспериментов нет никаких различий в подсчёте вероятностей событий, тогда как элементарные исходы в этих экспериментах очень различаются. Но нас и должны интересовать именно вероятности событий, а не структура пространства элементарных исходов. Поэтому пора во всех таких «похожих» экспериментах вместо самых разных элементарных исходов использовать, например, числа. Иначе говоря, каждому элементарному исходу поставить в соответствие некоторое вещественное число, и работать только с числами.
Что такое «математическая статистика»
Под математической статистикой понимают «раздел математики, посвященный математическим методам сбора, систематизации, обработки и интерпретации статистических данных, а также использование их для научных или практических выводов. Правила и процедуры математической статистики опираются на теорию вероятностей, позволяющую оценить точность и надежность выводов, получаемых в каждой задаче на основании имеющегося статистического материала». При этом статистическими данными называются сведения о числе объектов в какой-либо более или менее обширной совокупности, обладающих теми или иными признаками.
По типу решаемых задач математическая статистика обычно делится на три раздела: описание данных, оценивание и проверка гипотез.
По виду обрабатываемых статистических данных математическая статистика делится на четыре направления:
- - одномерная статистика (статистика случайных величин), в которой результат наблюдения описывается действительным числом;
- - многомерный статистический анализ, где результат наблюдения над объектом описывается несколькими числами (вектором);
- - статистика случайных процессов и временных рядов, где результат наблюдения - функция;
- - статистика объектов нечисловой природы, в которой результат наблюдения имеет нечисловую природу, например, является множеством (геометрической фигурой), упорядочением или получен в результате измерения по качественному признаку.
Исторически первой появились некоторые области статистики объектов нечисловой природы (в частности, задачи оценивания доли брака и проверки гипотез о ней) и одномерная статистика. Математический аппарат для них проще, поэтому на их примере обычно демонстрируют основные идеи математической статистики.
Лишь те методы обработки данных, т.е. математической статистики, являются доказательными, которые опираются на вероятностные модели соответствующих реальных явлений и процессов. Речь идет о моделях поведения потребителей, возникновения рисков, функционирования технологического оборудования, получения результатов эксперимента, течения заболевания и т.п. Вероятностную модель реального явления следует считать построенной, если рассматриваемые величины и связи между ними выражены в терминах теории вероятностей. Соответствие вероятностной модели реальности, т.е. ее адекватность, обосновывают, в частности, с помощью статистических методов проверки гипотез.
Невероятностные методы обработки данных являются поисковыми, их можно использовать лишь при предварительном анализе данных, так как они не дают возможности оценить точность и надежность выводов, полученных на основании ограниченного статистического материала.
Вероятностные и статистические методы применимы всюду, где удается построить и обосновать вероятностную модель явления или процесса. Их применение обязательно, когда сделанные на основе выборочных данных выводы переносятся на всю совокупность (например, с выборки на всю партию продукции).
В конкретных областях применений используются как вероятностно-статистические методы широкого применения, так и специфические. Например, в разделе производственного менеджмента, посвященного статистическим методам управления качеством продукции, используют прикладную математическую статистику (включая планирование экспериментов). С помощью ее методов проводится статистический анализ точности и стабильности технологических процессов и статистическая оценка качества. К специфическим методам относятся методы статистического приемочного контроля качества продукции, статистического регулирования технологических процессов, оценки и контроля надежности и др.
Широко применяются такие прикладные вероятностно-статистические дисциплины, как теория надежности и теория массового обслуживания. Содержание первой из них ясно из названия, вторая занимается изучением систем типа телефонной станции, на которую в случайные моменты времени поступают вызовы - требования абонентов, набирающих номера на своих телефонных аппаратах. Длительность обслуживания этих требований, т.е. длительность разговоров, также моделируется случайными величинами. Большой вклад в развитие этих дисциплин внесли член-корреспондент АН СССР А.Я. Хинчин (1894-1959), академик АН УССР Б.В.Гнеденко (1912-1995) и другие отечественные ученые.
При проведении психолого-педагогических исследований важная роль отводится математическим методам моделирования процессов и обработки экспериментальных данных. К таким методам следует отнести, прежде всего, так называемые, вероятностно-статистические методы исследования. Это связано с тем, что на поведение как отдельного человека в процессе его деятельности, так и человека в коллективе существенное влияние оказывает множество случайных факторов. Случайность не позволяет описывать явления в рамках детерминированных моделей, т. к. проявляется, как недостаточная регулярность в массовых явлениях и, следовательно, не дает возможность с достоверностью предсказывать наступление определенных событий. Однако при изучении таких явлений обнаруживаются определенные закономерности. Нерегулярность, свойственная случайным событиям, при большом количестве испытаний, как правило, компенсируется появлением статистической закономерности, стабилизацией частот наступлений случайных событий. Следовательно, данные случайные события имеют определенную вероятность. Существуют два принципиально различающихся вероятностно-статистических метода психолого-педагогических исследований: классический и неклассический. Проведем сравнительный анализ этих методов.
Классический вероятностно-статистический метод. В основе классического вероятностно-статистического метода исследования лежат теория вероятностей и математическая статистика. Данный метод применяется при изучении массовых явлений случайного характера, он включает несколько этапов, основные из которых следующие.
1. Построение вероятностной модели реальности, исходя из анализа статистических данных (определение закона распределения случайной величины). Естественно, что закономерности массовых случайных явлений выражаются тем более отчетливо, чем больше объем статистического материала. Выборочные данные, полученные при проведении эксперимента, всегда ограничены и носят, строго говоря, случайный характер. В связи с этим важная роль отводится обобщению закономерностей, полученных на выборке, и распространению их на всю генеральную совокупность объектов. С целью решения этой задачи принимается определенная гипотеза о характере статистической закономерности, которая проявляется в исследуемом явлении, например, гипотеза о том, что исследуемое явление подчиняется закону нормального распределения. Такая гипотеза носит название нулевой гипотезы, которая может оказаться ошибочной, поэтому наряду с нулевой гипотезой еще выдвигается и альтернативная или конкурирующая гипотеза. Проверка того насколько полученные экспериментальные данные соответствуют той или иной статистической гипотезе осуществляется с помощью так называемых непараметрических статистических критериев или критериев согласия. В настоящее время широко используются критерии согласия Колмогорова, Смирнова, омега-квадрат и др. . Основная идея этих критериев состоит в измерении расстояния между функцией эмпирического распределения и функцией полностью известного теоретического распределения. Методология проверки статистической гипотезы строго разработана и изложена в большом количестве работ по математической статистике.
2. Проведение необходимых расчетов математическими средствами в рамках вероятностной модели. В соответствии с установленной вероятностной моделью явления проводятся вычисления характеристических параметров, например, таких как математическое ожидание или среднее значение, дисперсия, стандартное отклонение, мода, медиана, показатель асимметрии и др.
3. Интерпретация вероятностно-статистических выводов применительно к реальной ситуации.
В настоящее время классический вероятностно-статистический метод хорошо разработан и широко используется при проведении исследований в различных областях естественных, технических и общественных наук. Подробное описание сути данного метода и его применения к решению конкретных задач можно найти в большом количестве литературных источников, например в .
Неклассический вероятностно-статистический метод. Неклассический вероятно-статистический метод исследований отличается от классического тем, что он применяется не только к массовым, но и к отдельным событиям, имеющим принципиально случайный характер. Данный метод может быть эффективно использован при анализе поведения индивида в процессе выполнения той или иной деятельности, например, в процессе усвоения знаний учащимся . Особенности неклассического вероятностно-статистического метода психолого-педагогических исследований рассмотрим на примере поведения учащихся в процессе усвоения знаний.
Впервые вероятностно-статистическая модель поведения учащихся в процессе усвоения знаний была предложена в работе . Дальнейшее развитие этой модели было сделано в работе . Учение как вид деятельности, цель которого приобретение человеком знаний, умений и навыков, зависит от уровня развития сознания учащегося. В структуру сознания входят такие познавательные процессы, как ощущение, восприятие, память, мышление, воображение. Анализ этих процессов показывает, что им присущи элементы случайности, обусловленные случайным характером психического и соматического состояний индивида, а также физиологическим, психологическим и информационным шумами при работе головного мозга. Последнее привело при описании процессов мышления к отказу от использования модели детерминистской динамической системы в пользу модели случайной динамической системы . Это означает, что детерминизм сознания реализуется через случайность. Отсюда можно заключить, что знания человека, являющиеся фактически продуктом сознания, также имеют случайный характер, и, следовательно, для описания поведения каждого отдельного учащегося в процессе усвоения знаний может быть использован вероятностно-статистический метод.
В соответствии с этим методом учащийся идентифицируется функцией распределения (плотностью вероятности), определяющей вероятность нахождения его в единичной области информационного пространства. В процессе обучения функция распределения, с которой идентифицируется учащийся, эволюционируя, движется в информационном пространстве. Каждый учащийся обладает индивидуальными свойствами и допускается независимая локализация (пространственная и кинематическая) индивидов друг относительно друга.
На основе закона сохранения вероятности записывается система дифференциальных уравнений, представляющих собой уравнения непрерывности, которые связывают изменение плотности вероятности за единицу времени в фазовом пространстве (пространстве координат, скоростей и ускорений различных порядков) с дивергенцией потока плотности вероятности в рассматриваемом фазовом пространстве. В проведен анализ аналитических решений ряда уравнений непрерывности (функций распределения), характеризующих поведение отдельных учащихся в процессе обучения.
При проведении экспериментальных исследований поведения учащихся в процессе усвоения знаний используется вероятностно-статистическое шкалирование , в соответствии с которым шкала измерений представляет собой упорядоченную систему
1. Нахождение экспериментальных функций распределения по результатам контрольного мероприятия, например, экзамена. Типичный вид индивидуальных функций распределения, найденных при использовании двадцатибалльной шкалы, представлен на рис. 1. Методика нахождения таких функций описана в .
2. Отображение функций распределения на числовое пространство. С этой целью проводится расчет моментов индивидуальных функций распределения. На практике, как правило, достаточно ограничиться определением моментов первого порядка (математического ожидания), второго порядка (дисперсии) и третьего порядка, характеризующего асимметрию функции распределения.
3. Ранжирование учащихся по уровню знаний на основе сравнения моментов различных порядков их индивидуальных функций распределения.
Рис. 1. Типичный вид индивидуальных функций распределения студентов, получивших на экзамене по общей физике различные оценки : 1 - традиционная оценка «2»; 2 - традиционная оценка «3»; 3 - традиционная оценка «4»; 4 - традиционная оценка «5»
На основе аддитивности индивидуальных функций распределения в найдены экспериментальные функции распределения для потока студентов (рис. 2).
Рис. 2. Эволюция полной функции распределения потока студентов, аппроксимированной гладкими линиями : 1 - после первого курса; 2 - после второго курса; 3 - после третьего курса; 4 - после четвертого курса; 5 - после пятого курса
Анализ данных, представленных на рис. 2, показывает, что по мере продвижения в информационном пространстве функции распределения расплываются. Это происходит вследствие того, что математические ожидания функций распределения индивидов движутся с разными скоростями, а сами функции расплываются из-за дисперсии. Дальнейший анализ данных функций распределения может быть проведен в рамках классического вероятностно-статистического метода.
Обсуждение результатов. Анализ классического и неклассического вероятностно-статистических методов психолого-педагогических исследований показал, что между ними имеется существенное отличие. Оно, как это можно понять из сказанного выше, заключается в том, что классический метод применим лишь к анализу массовых событий, а неклассический метод применим как к анализу массовых, так и одиночных событий. В связи с этим классический метод может быть условно назван массовым вероятностно-статистическим методом (МВСМ), а неклассический метод - индивидуальным вероятностно-статистическим методом (ИВСМ). В 4] показано, что ни один из классических методов оценки знаний учащихся в рамках вероятностно-статистической модели индивида не может быть применен для этих целей.
Отличительные особенности методов МВСМ и ИВСМ рассмотрим на примере измерения полноты знаний учащихся. С этой целью проведем мысленный эксперимент. Предположим, что имеется большое количество абсолютно одинаковых по психическим и физическим характеристикам учащихся, имеющих одинаковую предысторию, и пусть они, не взаимодействуя друг с другом, одновременно участвуют в одном и том же познавательном процессе, испытывая абсолютно одинаковое строго детерминированное воздействие. Тогда в соответствии с классическими представлениями об объектах измерения все учащиеся должны были бы получить одинаковые оценки полноты знаний с любой заданной точностью измерений. Однако в реальности при достаточно большой точности измерений оценки полноты знаний учащихся будут различаться . Объяснить такой результат измерений в рамках МВСМ не представляется возможным, т. к. исходно предполагается, что воздействие на абсолютно одинаковых невзаимодействующих между собой учащихся имеет строго детерминированный характер. Классический вероятностно-статистический метод не учитывает того, что детерминизм процесса познания реализуется через случайность, внутренне присущую каждому познающему окружающий мир индивиду.
Случайный характер поведения учащегося в процессе усвоения знаний учитывает ИВСМ. Применение индивидуального вероятностно-статистического метода для анализа поведения рассматриваемого идеализированного коллектива учащихся показало бы, что указать точно положение каждого учащегося в информационном пространстве нельзя, можно лишь говорить вероятности нахождения его в той или иной области информационного пространства. Фактически каждый учащийся идентифицируется индивидуальной функцией распределения, причем ее параметры, такие как математическое ожидание, дисперсия и др., индивидуальны для каждого учащегося. Это означает, что индивидуальные функции распределения будут находиться в разных областях информационного пространства. Причина такого поведения учащихся заключается в случайном характере процесса познания.
Однако в ряде случаев результаты исследований, добытые в рамках МВСМ, могут быть интерпретированы и в рамках ИВСМ. Предположим, что преподаватель при оценке знаний учащегося использует пятибалльную шкалу измерений. В этом случае погрешность в оценке знаний составляет ±0,5 балла. Следовательно, когда учащемуся выставляется оценка, например, 4 балла, это означает, что его знания находятся в промежутке от 3,5 баллов до 4,5 баллов. Фактически положение индивида в информационном пространстве в данном случае определяется прямоугольной функцией распределения, ширина которой равна погрешности измерения ±0,5 балла, а оценка является математическим ожиданием. Эта погрешность настолько большая, что не позволяет наблюдать истинный вид функции распределения. Однако, несмотря на столь грубую аппроксимацию функции распределения, изучение ее эволюции позволяет получить важную информацию, как о поведении отдельного индивида, так и коллектива учащихся в целом .
На результат измерения полноты знаний учащегося непосредственно или опосредовано влияет сознание преподавателя (измерителя), которому также свойственна случайность. В процессе педагогических измерений фактически имеет место взаимодействие двух случайных динамических систем, идентифицирующих поведение учащегося и преподавателя в данном процессе. В рассмотрено взаимодействие студенческой подсистемы с профессорско-преподавательской подсистемой и показано, что скорость движения математического ожидания индивидуальных функций распределения студентов в информационном пространстве пропорциональна функции воздействия профессорско-преподавательского коллектива и обратно пропорциональна функции инертности, характеризующей неподатливость изменению положения математического ожидания в пространстве (аналог закона Аристотеля в механике).
В настоящее время, несмотря на значительные достижения в разработке теоретических и практических основ измерений при проведении психолого-педагогических исследований, проблема измерений в целом еще далека от решения. Это связано, прежде всего, с тем, что до сих пор не имеется достаточной информации о влиянии сознания на процесс измерения. Аналогичная ситуация сложилась и при решении проблемы измерений в квантовой механике. Так, в работе при рассмотрении концептуальных проблем квантовой теории измерений говорится о том, что разрешить некоторые парадоксы измерений в квантовой механике «… вряд ли возможно без непосредственного включения сознания наблюдателя в теоретическое описание квантового измерения». Далее говорится, что «… непротиворечивым является предположение о том, что сознание может сделать вероятным некоторое событие, даже если по законам физики (квантовой механики) вероятность этого события мала. Сделаем важное уточнение формулировки: сознание данного наблюдателя может сделать вероятным, что он увидит это событие».
Во многих случаях в горной науке необходимо исследовать не только детерминированные, но и случайные процессы. Все геомеханические процессы протекают в непрерывно изменяющихся условиях, когда те или иные события могут произойти, а могут и не произойти. При этом возникает необходимость анализировать случайные связи.
Несмотря на случайный характер событий, они подчиняются определенным закономерностям, рассматриваемым в теории вероятностей , которая изучает теоретические распределения случайных величин и их характеристики. Способами обработки и анализа случайных эмпирических событий занимается другая наука, так называемая математическая статистика. Эти две родственные науки составляют единую математическую теорию массовых случайных процессов, широко применяемую в научных исследованиях.
Элементы теории вероятностей и матстатистики. Под совокупностью понимают множество однородных событий случайной величины х , которая составляет первичный статистический материал. Совокупность может быть генеральной (большая выборка N ), содержащей самые различные варианты массового явления, и выборочной (малая выборка N 1), представляющей собой лишь часть генеральной совокупности.
Вероятностью Р (х ) события х называют отношение числа случаев N (х ), которые приводят к наступлению события х , к общему числу возможных случаев N :
В математической статистике аналогом вероятности является понятие частости события , представляющей собой отношение числа случаев , при которых имело место событие, к общему числу событий:
При неограниченном возрастании числа событий частость стремится к вероятности Р (х ).
 |
Допустим, имеются какие-то статистические данные, представленные в виде ряда распределения (гистограммы) на рис. 4.11, тогда частость характеризует вероятность появления случайной величины в интервале і , а плавная кривая носит название функции распределения.
Вероятность случайной величины – это количественная оценка возможности ее появления. Достоверное событие имеет Р =1, невозможное событие – Р =0. Следовательно, для случайного события , а сумма вероятностей всех возможных значений .
В исследованиях недостаточно иметь кривую распределения , а необходимо знать и ее характеристики:
а) среднеарифметическое – ; (4.53)
б) размах – R = x max – x min , который можно использовать для ориентировочной оценки вариации событий, где x max и x min – экстремальные значения измеренной величины;
в) математическое ожидание – . (4.54)
Для непрерывных случайных величин математическое ожидание записывается в виде
, (4.55)
т.е. равно действительному значению наблюдаемых событий х , а соответствующая матожиданию абсцисса называется центром распределения.
г) дисперсия – 
, (4.56)
которая характеризует рассеяние случайной величины по отношению к математическому ожиданию. Дисперсию случайной величины иначе еще называют центральным моментом второго порядка.
Для непрерывной случайной величины дисперсия равна
; (4.57)
д) среднеквадратичное отклонение или стандарт –
е) коэффициент вариации (относительное рассеяние) –
, (4.59)
который характеризует интенсивность рассеяния в различных совокупностях и применяется для их сравнения.
Площадь, расположенная под кривой распределения , соответствует единице, это означает, что кривая охватывает все значения случайных величин. Однако таких кривых, которые будут иметь площадь, равную единице, можно построить большое количество, т.е. они могут иметь различное рассеяние. Мерой рассеяния и является дисперсия или среднеквадратичное отклонение (рис. 4.12).
 |
Выше мы рассмотрели основные характеристики теоретической кривой распределения, которые анализирует теория вероятностей. В статистике оперируют эмпирическими распределениями, а основной задачей статистики является подбор теоретических кривых по имеющемуся эмпирическому закону распределения.
Пусть в результате n измерений случайной величины получен вариационный ряд х 1 , х 2 , х 3 , … х n . Обработка таких рядов сводится к следующим операциям:
– группируют х і в интервале и устанавливают для каждого из них абсолютную и относительные частости ;
– по значениям строят ступенчатую гистограмму (рис. 4.11);
– вычисляют характеристики эмпирической кривой распределения: среднеарифметическое дисперсию Д = ; среднеквадратичное отклонение .
Значениям , Д и s эмпирического распределения соответствуют величины , Д (х ) и s (х ) теоретического распределения.
 |
Рассмотрим основные теоретические кривые распределения. Наиболее часто в исследованиях применяют закон нормального распределения (рис. 4.13), уравнение которого при имеет вид:
(4.60)
Если совместить ось координат с точкой m , т.е. принять m (x )=0 и принять , закон нормального распределения будет описываться более простым уравнением:
Для оценки рассеяния обычно пользуются величиной . Чем меньше s ,тем меньше рассеяние, т.е. наблюдения мало отличается друг от друга. С увеличением s рассеяние возрастает, вероятность погрешностей увеличивается, а максимум кривой (ордината), равный , уменьшается. Поэтому значение у =1/ при 1 называют мерой точности. Среднеквадратичные отклонения и соответствуют точкам перегиба (заштрихованная область на рис. 4.12) кривой распределения.
При анализе многих случайных дискретных процессов используют распределение Пуассона (краткосрочные события, протекающие в единицу времени). Вероятность появления чисел редких событий х
=1, 2, … за данный отрезок времени выражается законом Пуассона (см. рис. 4.14):
, (4.62)
где х – число событий за данный отрезок времени t ;
λ – плотность, т.е. среднее число событий за единицу времени;
– среднее число событий за время t ;
Для закона Пуассона дисперсия равна математическому ожиданию числа наступления событий за время t , т.е. .
Для исследования количественных характеристик некоторых процессов (времени отказов машин и т.д.) применяют показательный закон распределения (рис. 4.15), плотность распределения которого выражается зависимостью
где λ – интенсивность (среднее число) событий в единицу времени.
В показательном распределении интенсивность λ является величиной, обратной математическому ожиданию λ = 1/m (x ). Кроме того, справедливо соотношение .
В различных областях исследований широко применяется закон распределения Вейбулла (рис. 4.16):
, (4.64)
где n , μ , – параметры закона; х – аргумент, чаще всего время.
Исследуя процессы, связанные с постепенным снижением параметров (снижением прочности пород во времени и т.д.), применяют закон гамма-распределения (рис. 4.17):
, (4.65)
где λ , a – параметры. Если a =1, гамма функции превращается в показательный закон.
Кроме приведенных выше законов применяют и другие виды распределений: Пирсона, Рэлея, бета – распределение и пр.
Дисперсионный анализ. В исследованиях часто возникает вопрос: В какой мере влияет тот или иной случайный фактор на исследуемый процесс? Методы установления основных факторов и их влияние на исследуемый процесс рассматриваются в специальном разделе теории вероятностей и математической статистики – дисперсионном анализе. Различают одно – и многофакторный анализ. Дисперсионный анализ основывается на использовании нормального закона распределения и на гипотезе, что центры нормальных распределений случайных величин равны. Следовательно, все измерения можно рассматривать как выборку из одной и той же нормальной совокупности.
Теория надежности. Методы теории вероятностей и математической статистики часто применяют в теории надежности, которая широко используется в различных отраслях науки и техники. Под надежностью понимают свойство объекта выполнять заданные функции (сохранять установленные эксплуатационные показатели) в течение требуемого периода времени. В теории надежности отказы рассматриваются как случайные события. Для количественного описания отказов применяют математические модели – функции распределения интервалов времени (нормальное и экспоненциальное распределение, Вейбулла, гамма-распределения). Задача состоит в нахождении вероятностей различных показателей.
Метод Монте-Карло. Для исследования сложных процессов вероятностного характера применяют метод Монте-Карло.С помощью этого метода решают задачи по нахождению наилучшего решения из множества рассматриваемых вариантов.
Метод Монте-Карло иначе еще называют методом статистического моделирования. Это численный метод, он основан на использовании случайных чисел, моделирующих вероятностные процессы. Математической основой метода является закон больших чисел, который формулируется следующим образом: при большом числе статистических испытаний вероятность того, что среднеарифметическое значение случайной величины стремится к ее математическому ожиданию , равна 1:
, (4.64)
где ε – любое малое положительное число.
Последовательность решения задач методом Монте-Карло:
– сбор, обработка и анализ статистических наблюдений;
– отбор главных и отбрасывание второстепенных факторов и составление математической модели;
– составление алгоритмов и решение задач на ЭВМ.
Для решения задач методом Монте-Карло необходимо иметь статистический ряд, знать закон его распределения, среднее значение , математическое ожидание и среднеквадратичное отклонение. Решение эффективно лишь с использованием ЭВМ.
Как используются теория вероятностей и математическая статистика? Эти дисциплины – основа вероятностно-статистических методов принятия решений. Чтобы воспользоваться их математическим аппаратом, необходимо задачи принятия решений выразить в терминах вероятностно-статистических моделей. Применение конкретного вероятностно-статистического метода принятия решений состоит из трех этапов:
Переход от экономической, управленческой, технологической реальности к абстрактной математико-статистической схеме, т.е. построение вероятностной модели системы управления, технологического процесса, процедуры принятия решений, в частности по результатам статистического контроля, и т.п.
Проведение расчетов и получение выводов чисто математическими средствами в рамках вероятностной модели;
Интерпретация математико-статистических выводов применительно к реальной ситуации и принятие соответствующего решения (например, о соответствии или несоответствии качества продукции установленным требованиям, необходимости наладки технологического процесса и т.п.), в частности, заключения (о доле дефектных единиц продукции в партии, о конкретном виде законов распределения контролируемых параметров технологического процесса и др.).
Математическая статистика использует понятия, методы и результаты теории вероятностей. Рассмотрим основные вопросы построения вероятностных моделей принятия решений в экономических, управленческих, технологических и иных ситуациях. Для активного и правильного использования нормативно-технических и инструктивно-методических документов по вероятностно-статистическим методам принятия решений нужны предварительные знания. Так, необходимо знать, при каких условиях следует применять тот или иной документ, какую исходную информацию необходимо иметь для его выбора и применения, какие решения должны быть приняты по результатам обработки данных и т.д.
Примеры применения теории вероятностей и математической статистики. Рассмотрим несколько примеров, когда вероятностно-статистические модели являются хорошим инструментом для решения управленческих, производственных, экономических, народнохозяйственных задач. Так, например, в романе А.Н.Толстого «Хождение по мукам» (т.1) говорится: «мастерская дает двадцать три процента брака, этой цифры вы и держитесь, - сказал Струков Ивану Ильичу».
Встает вопрос, как понимать эти слова в разговоре заводских менеджеров, поскольку одна единица продукции не может быть дефектна на 23%. Она может быть либо годной, либо дефектной. Наверно, Струков имел в виду, что в партии большого объема содержится примерно 23% дефектных единиц продукции. Тогда возникает вопрос, а что значит «примерно»? Пусть из 100 проверенных единиц продукции 30 окажутся дефектными, или из 1000 – 300, или из 100000 – 30000 и т.д., надо ли обвинять Струкова во лжи?
Или другой пример. Монетка, которую используют как жребий, должна быть «симметричной», т.е. при ее бросании в среднем в половине случаев должен выпадать герб, а в половине случаев – решетка (решка, цифра). Но что означает «в среднем»? Если провести много серий по 10 бросаний в каждой серии, то часто будут встречаться серии, в которых монетка 4 раза выпадает гербом. Для симметричной монеты это будет происходить в 20,5% серий. А если на 100000 бросаний окажется 40000 гербов, то можно ли считать монету симметричной? Процедура принятия решений строится на основе теории вероятностей и математической статистики.
Рассматриваемый пример может показаться недостаточно серьезным. Однако это не так. Жеребьевка широко используется при организации промышленных технико-экономических экспериментов, например, при обработке результатов измерения показателя качества (момента трения) подшипников в зависимости от различных технологических факторов (влияния консервационной среды, методов подготовки подшипников перед измерением, влияния нагрузки подшипников в процессе измерения и т.п.). Допустим, необходимо сравнить качество подшипников в зависимости от результатов хранения их в разных консервационных маслах, т.е. в маслах состава А и В . При планировании такого эксперимента возникает вопрос, какие подшипники следует поместить в масло состава А , а какие – в масло состава В , но так, чтобы избежать субъективизма и обеспечить объективность принимаемого решения.
Ответ на этот вопрос может быть получен с помощью жребия. Аналогичный пример можно привести и с контролем качества любой продукции. Чтобы решить, соответствует или не соответствует контролируемая партия продукции установленным требованиям, из нее отбирается выборка. По результатам контроля выборки делается заключение о всей партии. В этом случае очень важно избежать субъективизма при формировании выборки, т.е необходимо, чтобы каждая единица продукции в контролируемой партии имела одинаковую вероятность быть отобранной в выборку. В производственных условиях отбор единиц продукции в выборку обычно осуществляют не с помощью жребия, а по специальным таблицам случайных чисел или с помощью компьютерных датчиков случайных чисел.
Аналогичные проблемы обеспечения объективности сравнения возникают при сопоставлении различных схем организации производства, оплаты труда, при проведении тендеров и конкурсов, подбора кандидатов на вакантные должности и т.п. Всюду нужна жеребьевка или подобные ей процедуры. Поясним на примере выявления наиболее сильной и второй по силе команды при организации турнира по олимпийской системе (проигравший выбывает). Пусть всегда более сильная команда побеждает более слабую. Ясно, что самая сильная команда однозначно станет чемпионом. Вторая по силе команда выйдет в финал тогда и только тогда, когда до финала у нее не будет игр с будущим чемпионом. Если такая игра будет запланирована, то вторая по силе команда в финал не попадет. Тот, кто планирует турнир, может либо досрочно «выбить» вторую по силе команду из турнира, сведя ее в первой же встрече с лидером, либо обеспечить ей второе место, обеспечив встречи с более слабыми командами вплоть до финала. Чтобы избежать субъективизма, проводят жеребьевку. Для турнира из 8 команд вероятность того, что в финале встретятся две самые сильные команды, равна 4/7. Соответственно с вероятностью 3/7 вторая по силе команда покинет турнир досрочно.
При любом измерении единиц продукции (с помощью штангенциркуля, микрометра, амперметра и т.п.) имеются погрешности. Чтобы выяснить, есть ли систематические погрешности, необходимо сделать многократные измерения единицы продукции, характеристики которой известны (например, стандартного образца). При этом следует помнить, что кроме систематической погрешности присутствует и случайная погрешность.
Поэтому встает вопрос, как по результатам измерений узнать, есть л систематическая погрешность. Если отмечать только, является ли полученная при очередном измерении погрешность положительной или отрицательной, то эту задачу можно свести к предыдущей. Действительно, сопоставим измерение с бросанием монеты, положительную погрешность – с выпадением герба, отрицательную – решетки (нулевая погрешность при достаточном числе делений шкалы практически никогда не встречается). Тогда проверка отсутствия систематической погрешности эквивалентна проверке симметричности монеты.
Целью этих рассуждений является сведение задачи проверки отсутствия систематической погрешности к задаче проверки симметричности монеты. Проведенные рассуждения приводят к так называемому «критерию знаков» в математической статистике.
При статистическом регулировании технологических процессов на основе методов математической статистики разрабатываются правила и планы статистического контроля процессов, направленные на своевременное обнаружение разладки технологических процессов и принятия мер к их наладке и предотвращению выпуска продукции, не соответствующей установленным требованиям. Эти меры нацелены на сокращение издержек производства и потерь от поставки некачественных единиц продукции. При статистическом приемочном контроле на основе методов математической статистики разрабатываются планы контроля качества путем анализа выборок из партий продукции. Сложность заключается в том, чтобы уметь правильно строить вероятностно-статистические модели принятия решений, на основе которых можно ответить на поставленные выше вопросы. В математической статистике для этого разработаны вероятностные модели и методы проверки гипотез, в частности, гипотез о том, что доля дефектных единиц продукции равна определенному числу р 0 , например, р 0 = 0,23 (вспомните слова Струкова из романа А.Н.Толстого).
Задачи оценивания. В ряде управленческих, производственных, экономических, народнохозяйственных ситуаций возникают задачи другого типа – задачи оценки характеристик и параметров распределений вероятностей.
Рассмотрим пример. Пусть на контроль поступила партия из N электроламп. Из этой партии случайным образом отобрана выборка объемом n электроламп. Возникает ряд естественных вопросов. Как по результатам испытаний элементов выборки определить средний срок службы электроламп и с какой точностью можно оценить эту характеристику? Как изменится точность, если взять выборку большего объема? При каком числе часов Т можно гарантировать, что не менее 90% электроламп прослужат Т и более часов?
Предположим, что при испытании выборки объемом n электроламп дефектными оказались Х электроламп. Тогда возникают следующие вопросы. Какие границы можно указать для числа D дефектных электроламп в партии, для уровня дефектности D / N и т.п.?
Или при статистическом анализе точности и стабильности технологических процессов надлежит оценить такие показатели качества, как среднее значение контролируемого параметра и степень его разброса в рассматриваемом процессе. Согласно теории вероятностей в качестве среднего значения случайной величины целесообразно использовать ее математическое ожидание, а в качестве статистической характеристики разброса – дисперсию, среднее квадратическое отклонение или коэффициент вариации. Отсюда возникает вопрос: как оценить эти статистические характеристики по выборочным данным и с какой точностью это удается сделать? Аналогичных примеров можно привести очень много. Здесь важно было показать, как теория вероятностей и математическая статистика могут быть использованы в производственном менеджменте при принятии решений в области статистического управления качеством продукции.
Что такое «математическая статистика»? Под математической статистикой понимают «раздел математики, посвященный математическим методам сбора, систематизации, обработки и интерпретации статистических данных, а также использование их для научных или практических выводов. Правила и процедуры математической статистики опираются на теорию вероятностей, позволяющую оценить точность и надежность выводов, получаемых в каждой задаче на основании имеющегося статистического материала» . При этом статистическими данными называются сведения о числе объектов в какой-либо более или менее обширной совокупности, обладающих теми или иными признаками.
По типу решаемых задач математическая статистика обычно делится на три раздела: описание данных, оценивание и проверка гипотез.
По виду обрабатываемых статистических данных математическая статистика делится на четыре направления:
Одномерная статистика (статистика случайных величин), в которой результат наблюдения описывается действительным числом;
Многомерный статистический анализ, где результат наблюдения над объектом описывается несколькими числами (вектором);
Статистика случайных процессов и временных рядов, где результат наблюдения – функция;
Статистика объектов нечисловой природы, в которой результат наблюдения имеет нечисловую природу, например, является множеством (геометрической фигурой), упорядочением или получен в результате измерения по качественному признаку.
Исторически первой появились некоторые области статистики объектов нечисловой природы (в частности, задачи оценивания доли брака и проверки гипотез о ней) и одномерная статистика. Математический аппарат для них проще, поэтому на их примере обычно демонстрируют основные идеи математической статистики.
Лишь те методы обработки данных, т.е. математической статистики, являются доказательными, которые опираются на вероятностные модели соответствующих реальных явлений и процессов. Речь идет о моделях поведения потребителей, возникновения рисков, функционирования технологического оборудования, получения результатов эксперимента, течения заболевания и т.п. Вероятностную модель реального явления следует считать построенной, если рассматриваемые величины и связи между ними выражены в терминах теории вероятностей. Соответствие вероятностной модели реальности, т.е. ее адекватность, обосновывают, в частности, с помощью статистических методов проверки гипотез.
Невероятностные методы обработки данных являются поисковыми, их можно использовать лишь при предварительном анализе данных, так как они не дают возможности оценить точность и надежность выводов, полученных на основании ограниченного статистического материала.
Вероятностные и статистические методы применимы всюду, где удается построить и обосновать вероятностную модель явления или процесса. Их применение обязательно, когда сделанные на основе выборочных данных выводы переносятся на всю совокупность (например, с выборки на всю партию продукции).
В конкретных областях применений используются как вероятностно-статистические методы широкого применения, так и специфические. Например, в разделе производственного менеджмента, посвященного статистическим методам управления качеством продукции, используют прикладную математическую статистику (включая планирование экспериментов). С помощью ее методов проводится статистический анализ точности и стабильности технологических процессов и статистическая оценка качества. К специфическим методам относятся методы статистического приемочного контроля качества продукции, статистического регулирования технологических процессов, оценки и контроля надежности и др.
Широко применяются такие прикладные вероятностно-статистические дисциплины, как теория надежности и теория массового обслуживания. Содержание первой из них ясно из названия, вторая занимается изучением систем типа телефонной станции, на которую в случайные моменты времени поступают вызовы - требования абонентов, набирающих номера на своих телефонных аппаратах. Длительность обслуживания этих требований, т.е. длительность разговоров, также моделируется случайными величинами. Большой вклад в развитие этих дисциплин внесли член-корреспондент АН СССР А.Я. Хинчин (1894-1959), академик АН УССР Б.В.Гнеденко (1912-1995) и другие отечественные ученые.
Коротко об истории математической статистики. Математическая статистика как наука начинается с работ знаменитого немецкого математика Карла Фридриха Гаусса (1777-1855), который на основе теории вероятностей исследовал и обосновал метод наименьших квадратов, созданный им в 1795 г. и примененный для обработки астрономических данных (с целью уточнения орбиты малой планеты Церера). Его именем часто называют одно из наиболее популярных распределений вероятностей – нормальное, а в теории случайных процессов основной объект изучения – гауссовские процессы.
В конце XIX в. – начале ХХ в. крупный вклад в математическую статистику внесли английские исследователи, прежде всего К.Пирсон (1857-1936) и Р.А.Фишер (1890-1962). В частности, Пирсон разработал критерий «хи-квадрат» проверки статистических гипотез, а Фишер – дисперсионный анализ, теорию планирования эксперимента, метод максимального правдоподобия оценки параметров.
В 30-е годы ХХ в. поляк Ежи Нейман (1894-1977) и англичанин Э.Пирсон развили общую теорию проверки статистических гипотез, а советские математики академик А.Н. Колмогоров (1903-1987) и член-корреспондент АН СССР Н.В.Смирнов (1900-1966) заложили основы непараметрической статистики. В сороковые годы ХХ в. румын А. Вальд (1902-1950) построил теорию последовательного статистического анализа.
Математическая статистика бурно развивается и в настоящее время. Так, за последние 40 лет можно выделить четыре принципиально новых направления исследований :
Разработка и внедрение математических методов планирования экспериментов;
Развитие статистики объектов нечисловой природы как самостоятельного направления в прикладной математической статистике;
Развитие статистических методов, устойчивых по отношению к малым отклонениям от используемой вероятностной модели;
Широкое развертывание работ по созданию компьютерных пакетов программ, предназначенных для проведения статистического анализа данных.
Вероятностно-статистические методы и оптимизация. Идея оптимизации пронизывает современную прикладную математическую статистику и иные статистические методы. А именно, методы планирования экспериментов, статистического приемочного контроля, статистического регулирования технологических процессов и др. С другой стороны, оптимизационные постановки в теории принятия решений, например, прикладная теория оптимизации качества продукции и требований стандартов, предусматривают широкое использование вероятностно-статистических методов, прежде всего прикладной математической статистики.
В производственном менеджменте, в частности, при оптимизации качества продукции и требований стандартов особенно важно применять статистические методы на начальном этапе жизненного цикла продукции, т.е. на этапе научно-исследовательской подготовки опытно-конструкторских разработок (разработка перспективных требований к продукции, аванпроекта, технического задания на опытно-конструкторскую разработку). Это объясняется ограниченностью информации, доступной на начальном этапе жизненного цикла продукции, и необходимостью прогнозирования технических возможностей и экономической ситуации на будущее. Статистические методы должны применяться на всех этапах решения задачи оптимизации – при шкалировании переменных, разработке математических моделей функционирования изделий и систем, проведении технических и экономических экспериментов и т.д.
В задачах оптимизации, в том числе оптимизации качества продукции и требований стандартов, используют все области статистики. А именно, статистику случайных величин, многомерный статистический анализ, статистику случайных процессов и временных рядов, статистику объектов нечисловой природы. Выбор статистического метода для анализа конкретных данных целесообразно проводить согласно рекомендациям .
