ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

«ДОНБАССКАЯ НАЦИОНАЛЬНАЯ АКАДЕМИЯ
СТРОИТЕЛЬСТВА И АРХИТЕКТУРЫ»

Кафедра высшей математики и информатики

ТЕОРИЯ ВЕРОЯТНОСТЕЙ И
МАТЕМАТИЧЕСКАЯ СТАТИСТИКА:

ПРАКТИКУМ

Макеевка - 2019
2

УДК 519.2(076)
ББК В17я7
А46

Рекомендовано к печати советом (учебно-методической комиссией)

Строительного факультета (протокол № 9 от 23.04.2019)

Рецензенты:
Бондарев Б. В. – заведующий кафедрой теории вероятностей и
математической статистики, доктор физико-математических наук,
профессор (ГОУ ВПО «Донецкий национальный университет»)

Ковалев И.Н. - кандидат физико-математических наук, доцент

(ГОУ ВПО «Донбасская национальная академия строительства и
архитектуры»)

Папазова Е.Н. – заведующий кафедрой высшей математики, кандидат

экономических наук, доцент
(ГОУ ВПО «Донецкая академия управления и государственной
службы при Главе Донецкой Народной Республики»)

А46 Александрова, О. В., Жмыхова Т.В. Теория вероятностей и

математическая статистика: практикум (для студентов по направлению 38.03.01
«Экономика», профиль «Экономика предприятий» (образовательный уровень «Бакалавр»)). /
О. В. Александрова, Т.В. Жмыхова. - 2-е изд., испр. - Макеевка: ДонНАСА,
2019. — 108 с.: ил.

Практикум написан на основе чтения курса «Теория вероятностей и

математическая статистика» студентам ГОУ ВПО «Донбасская национальная
академия строительства и архитектуры» (факультет экономики, управления и
информационных систем в строительстве и недвижимости). В главах
последовательно описаны основные понятия теории вероятностей и
математической статистики. Изложение теоретического материала тесно
переплетается со множеством практических примеров, что дает возможность
глубже осмыслить основные понятия предмета.
Для студентов и преподавателей экономических вузов (на факультетах
экономики).

© ГОУ ВПО «Донбасская национальная академия

строительства и архитектуры», 2019
©Александрова О.В., Жмыхова Т.В.
 3
СОДЕРЖАНИЕ

Введение.................................................................................................................... 5
1. Комбинаторика. Основные правила комбинаторики.
Классическое определение вероятности ........................................................... 6
2. Теоремы сложения и умножения вероятностей ............................................... 8
3. Задания 1-10........................................................................................................ 10
4. Пример выполнения заданий 1-10 ................................................................... 13
5. Формула полной вероятности. Формула Байеса ............................................ 19
6. Задания 11-20...................................................................................................... 20
7. Пример выполнения заданий 11-20 ................................................................. 22
8. Формула Бернулли............................................................................................. 23
9. Задания 21-30..................................................................................................... 25
10. Пример выполнения заданий 21-30 ............................................................... 27
11. Случайные величины. Законы распределения дискретных
случайных величин. Числовые характеристики дискретных
случайных величин ........................................................................................... 27
12. Задания 31-40.................................................................................................... 29
13. Пример выполнения заданий 31-40 ............................................................... 31
14. Непрерывные случайные величины. Функция и плотность
распределения непрерывной случайной величины.
Числовые характеристики непрерывных случайных величин...................... 33
15. Задания 41-50.................................................................................................... 35
16. Пример выполнения заданий 41-50 ............................................................... 35
17. Нормальное распределение............................................................................. 36
18. Задания 51-60.................................................................................................... 37
19. Пример выполнения заданий 51-60 ............................................................... 38
20. Выборочный метод. Генеральная и выборочная совокупности ................. 39
21. Задания 61-70................................................................................................... 46
22. Пример выполнения заданий 61-70 ............................................................... 50
4

23. Задания 71-80 ....................................................................................................53

24. Пример выполнения заданий 71-80 ................................................................55
25.Основные распределения математической статистики ................................59
26. Статистические оценки параметров распределения. Метод
моментов оценки параметров..........................................................................60
27. Задания 81-90 ....................................................................................................62
28. Пример выполнения заданий 81-90 ................................................................64
29. Интервальные оценки параметров распределения .......................................66
30. Задания 91-100 ..................................................................................................66
31. Пример выполнения заданий 91-100..............................................................67
32. Задания 101-110 ................................................................................................67
33. Пример выполнения заданий 101-110............................................................68
34. Проверка гипотез о виде распределения .......................................................69
35. Задания 111-120 ................................................................................................72
36. Пример выполнения заданий 111-120............................................................72
37. Задания 121-130 ................................................................................................74
38. Пример выполнения заданий 121-130............................................................77
39. Проверка гипотез о равенстве средних ..........................................................84
40. Задания 131-140 ................................................................................................85
41. Пример выполнения заданий 131-140............................................................87
42. Элементы теории корреляции.........................................................................90
43. Нахождение параметров выборочного уравнения прямой линии
регрессии по несгруппированным данным ...................................................92
44. Задания 141-150 ................................................................................................95
45.Пример выполнения заданий 141-150.............................................................96
Приложения ..........................................................................................................100
Литература ............................................................................................................107
 5
Введение

Курс математики дает основные определения, понятия и методы

современной математики, которые лежат в основе изучения многих предметов
экономического факультета. Любой курс современной экономики использует
математический аппарат: анализируются графики различных зависимостей,
проводится математическая обработка различных данных и т.д. Поэтому
студенты должны знать основные определения и понятия, иметь навыки
формализации задач и применения математических методов для подведения
результатов вычислений и исследований. Методы математической статистики
широко распространены в различных областях естествознания. В последние
годы аппарат математической статистики активно используется в экономике.
Поэтому данный практикум имеет целью ознакомить студентов с основами
математико-статистического аппарата как инструмента для решения
теоретических и практических задач в экономике. Роль и возможности
математической статистики в самых разных областях научных и практических
исследований возрастают с развитием и массовым распространением
компьютерной техники.
Целью данного практикума является:
 овладение статистическим аппаратом, необходимым для анализа
экономической деятельности учреждений;
 освоение необходимых приёмов самостоятельного исследования
профессиональных проблем с помощью современных статистических методов;
 развитие логического и алгоритмического мышления, необходимого для
решения задач, связанных с будущей профессиональной деятельностью.
Статистический анализ является обязательным при описании и изучении
экономической деятельности любого учреждения. Методы математической
статистики необходимы также при проведении любых научных исследований в
области экономики.
6
1. КОМБИНАТОРИКА. ОСНОВНЫЕ ПРАВИЛА КОМБИНАТОРИКИ.
КЛАССИЧЕСКОЕ ОПРЕДЕЛЕНИЕ ВЕРОЯТНОСТИ

При решении задач теории вероятностей часто используют следующие

понятия комбинаторики: перестановки, сочетания, размещения, а также
правило умножения и правило сложения.
Пусть дано множество N из n объектов.
Всевозможные последовательности из всех n объектов называются
перестановками. Общее число различных перестановок из n объектов
вычисляют по формуле:

Рn  n!, где n! 1  2  3    n , при этом считают, что 0! 1 .

Сочетаниями называют подмножества множества N. Общее число

сочетаний из n объектов по m вычисляют по формуле:

n!
С nm  .
m!n  m !

Размещениями называют упорядоченные последовательности объектов

множества N. Общее число размещений из n объектов по m вычисляют по
формуле:

Аnm  n  n  1    n  m  1 .

Правило умножения. Если требуется выполнить одно за другим k

действий, которые можно выполнить соответственно n1 , n2 , …, nk способами,
то все k действий вместе могут быть выполнены n1  n2    nk способами.

Правило сложения. Если два взаимно исключающих друг друга действия

могут выполняться соответственно n1 или n2 способами, то выполнить одно
любое из этих действий можно n1  n2 способами.

Пространством элементарных событий (исходов) называется любое

множество  взаимоисключающих исходов эксперимента такое, что каждый
 7
интересующий нас результат эксперимента может быть однозначно описан
при помощи элементов этого множества.

Рассмотрим конечные или счетные пространства элементарных событий.

Это так называемые дискретные пространства. Элементы пространства 
будем называть элементарными событиями.

Событием называется любое подмножество элементов A

(считается, что событие А произошло, если произошло какое - либо из
элементарных событий   A ).

Случайным событием называется событие, которое при осуществлении

некоторых условий может произойти или не произойти.

Событие называется достоверным, если в результате испытания оно

обязательно происходит.

Невозможным называется событие, которое в результате испытания

произойти не может.

Случайные события называются несовместными в данном испытании,

если никакие два из них не могут появиться вместе.

Случайные события называются совместными в данном испытании,

если появление одного из них не исключает появление другого.

Суммой двух событий А и В называется событие С, состоящее в

появлении хотя бы одного из событий А или В.

Произведением или пересечением событий называется событие, которое

состоит в совместном появлении этих событий.

Очевидно, что A + A = A, A · A =A.

Обозначим  – достоверное событие; Ø – невозможное событие. Тогда,

если события A и B несовместные, то можно записать A · B = Ø.

Говорят, что случайные события А1, А2, … , Аn образуют полную группу,

8
если события попарно несовместные Аi · Аj = Ø, i ≠ j, а их сумма образует
достоверное событие А1 + А2 + … + Аn =  .

Событие называется противоположным событию A и обозначается A ,

если A и A несовместные события, и A A – достоверное событие:
A  A  , A  A   , то есть события A и A образуют полную группу событий.

Рассмотрим полную группу равновозможных несовместных случайных

событий. Такие события будем называть исходами.

Исход называется благоприятствующим появлению события А, если

появление этого события влечет за собой появление события А.

КЛАССИЧЕСКОЕ ОПРЕДЕЛЕНИЕ ВЕРОЯТНОСТИ

Вероятностью события А называют отношение числа m

благоприятствующих этому событию исходов испытания к общему числу n
всех равновозможных несовместных исходов данного испытания:

m
P  A  .
n

Свойства вероятности:

1. Вероятность достоверного события равна 1: P   1 .

2. Вероятность невозможного события равна 0: P   0 .
3. Вероятность случайного события есть положительное число, и его значения
лежат между 0 и 1: 0  P А  1 .
4. P A   1  P A .
5. P A  B   P A  PB   P AB  .

2. ТЕОРЕМЫ СЛОЖЕНИЯ И УМНОЖЕНИЯ ВЕРОЯТНОСТЕЙ

Теорема 2.1 (сложения несовместных событий). Вероятность суммы

двух несовместных событий равна сумме вероятностей этих событий:
 9
P  A  B   P  A  P B  .

Следствие 2.1. Вероятность появления одного из нескольких

несовместных событий равна сумме вероятностей этих событий:

P A1  A2  ...  An   P A1   P A2   ...  P An  .

Дадим определение «условной вероятности».

Условная вероятность вычисляется в предположении (при условии),
что другое событие уже произошло:

P AB 
P A / B   .
P B 

Формулируется это равенство следующим образом: вероятность события

А при условии, что произошло событие В, равна отношению совместной
вероятности событий А и В к вероятности условия.

Теорема 2.2 (умножения вероятностей для совместных событий).

Вероятность появления двух совместных событий равна произведению
вероятности одного из них на условную вероятность другого, вычисленную
при условии, что первое событие уже наступило:

P AB   P A / B   PB  .

Дадим определение независимых событий:

События A и B называются независимыми, если P AB   P A  PB  .

Приведем некоторые свойства независимых событий.

1). Если PB   0 , то независимость A и B эквивалента равенству
P  A / B   P  A .
2). Если независимы A и B , то независимы A и B .
3). Пусть события A и B1 независимы, и также независимы A и B2 , при
этом B1 B2   . Тогда независимы события A и B1  B2 .
10
Несколько событий называются попарно независимыми, если каждые
два из них независимы.

События A1 , A2 , … An называются независимыми в совокупности, если

P A1 А2 .. Аn   P A1   P А2   ...Р Аn  .

Вероятность появления хотя бы одного события

Пусть в результате испытания могут появиться n событий, независимых в

совокупности, либо некоторые из них, причем вероятности появления каждого
из них известны и равны рi , i  1,..., n. Найти вероятность того, что наступит
хотя бы одно из этих событий.

Теорема 2.3. Вероятность появления хотя бы одного из событий

A1 , A2 ,... An , независимых в совокупности, равна P A  1  q1q2 ....qn ,
где qi  1  pi .

Следствие 2.2. Если все события имеют одинаковую вероятность p, то

P  A  1  q n , q  1  p .

3. ЗАДАНИЯ 1 - 10. (в него входит шесть задач)

1. Переписать текст задачи, заменяя все параметры их значениями для
решаемого варианта.
2. Определить испытания и элементарные события.
3. Определить исследуемое событие А и другие события.
4. Установить, какие формулы следует использовать для вычислений и
выполнить последние.
Задание 1.1. Бросают две монеты. Найти вероятность того, что:
1) на обеих монетах появится «герб»;
2) хотя бы на одной монете появится «герб»;
3) ни на одной монете не появится «герб»;
Бросают три монеты. Найти вероятность того, что:
 11

4) на всех монетах появится «герб»;

5) хотя бы на одной монете появится «герб»;
6) только на двух монетах появится «герб»;
7) только на одной монете появится «герб»;
8) ни на оной монете не появится «герб»;
Бросают четыре монеты. Найти вероятность того, что:
9) на всех монетах появится «герб»;
10) хотя бы на одной монете появится «герб».
Задание 1.2. Слово составлено из карточек, на каждой из которых
написана одна буква. Затем карточки смешивают и вынимают без возврата по
одной. Найти вероятность того, что буквы вынимаются в порядке заданного
слова.
Слова по вариантам:
1) ПРОГРАММА.
2) ПРОГРАММИСТ.
3) ПРОГРАММИРОВАНИЕ.
4) СТАТИСТИК.
5) СТАТИСТИКА.
6) СОБЫТИЕ.
7) СЛУЧАЙНОСТЬ.
8) ВЕРОЯТНОСТЬ.
9) АЛГОРИТМ.
10) БЛОК-СХЕМА.
Задание 1.3. Как и в предыдущей задаче, найти соответствующую
вероятность случая, когда заданным словом является ваша фамилия и ваше
имя.
Задание 1.4. В урне содержится К черных и Н белых шаров. Случайным
образом вынимают М шаров. Найти вероятность того, что среди них имеется:
12
а) Р белых шаров;
б) меньше, чем Р, белых шаров;
в) хотя бы один белый шар.
Значения параметров К, Н, М и Р по вариантам приведены в таблице 1.
Таблица 1

Вариан
1 2 3 4 5 6 7 8 9 10
т
К 6 6 6 7 4 8 6 4 5 7
Н 6 5 5 4 5 6 7 7 6 4
М 5 4 5 4 4 5 4 4 5 4
Р 3 2 3 2 2 3 4 2 3 2

Задание 1.5. Устройство состоит из трех независимых элементов,

работающих в течение времени Т безотказно соответственно с вероятностью р1,
р2, р3. Найти вероятность того, что за время Т выйдет из строя:
а). только один элемент;
б) хотя бы один элемент.
Значения параметров вычислить по следующим формулам:
k  14,9  V : 100 , p1  1  k , p2  0,9  k , p3  0,85  k .

(Здесь V – номер Вашего варианта.)

Задание 1.6. В первой урне К белых и L черных шаров, а во второй – M
белых и N черных. Из первой урны вынимают случайным образом Р шаров, а
из второй – Q шаров. Найти вероятность того, что среди вынутых шаров:
а). все шары одного цвета;
б). только три белых шара;
в). хотя бы один белый шар.
Значения параметров К, L, M, N, Р и Q приведены в таблице 2 по
вариантам.
 13
Таблица 2

Вариант 1 2 3 4 5 6 7 8 9 10
К 5 4 7 5 5 5 5 6 6 6
L 5 5 3 4 6 7 8 3 5 6
М 4 5 6 7 7 6 7 5 5 5
N 8 8 3 4 3 4 5 6 3 5
P 2 2 3 1 3 2 4 3 2 4
Q 2 3 1 4 2 2 1 3 2 1

4. ПРИМЕР ВЫПОЛНЕНИЯ ЗАДАНИЙ 1-10

Задание 1.1. Бросают три игральные кости. Найти вероятность

того, что на верхних гранях появится число очков, сумма которых
делится на 5.
Определим испытание и его результат, т.е. элементарное событие.
Испытанием бросание трех игральных костей, результатом – одно из
сочетаний очков на верхних гранях трех костей. Исследуемое событие А
– сумма очков на трех верхних гранях делится на 5. Вероятность события
m
А находится по формуле: P  .
n
Общее количество элементарных событий n можно найти по правилу
умножения. На каждой игральной кости 6 граней, и все они могут
сочетаться со всеми гранями других костей. Итак, получаем:
n  6  6  6  216 .
Количество элементарных событий m, входящих в состав события А,
или благоприятствующих событию А, найдем, выписав все возможные
результаты испытаний, и оставив из них только те, для которых сумма
очков на всех трех костях делится на 5. Имеем:
14

113 163 253 343 433 523 613 663

122 212 262 352 442 532 622
131 221 311 361 451 541 631
136 226 316 366 456 546 636
145 235 325 415 465 555 645
154 244 334 424 514 564 654

В результате получим, что m=43. Следовательно, искомая вероятность:

m 43
P  .
n 216

Задание 1.2. Слово «МАТЕМАТИКА» составлено из карточек, на каждой из

которых написана только одна буква. Затем карточки перемешивают и
вынимают без возврата по одной. Найти вероятность случая, что буквы
появятся в порядке заданного слова.

Испытание заключается в вынимании карточек с буквами в случайном

порядке без возврата. Элементарным событием является полученная
последовательность букв. Событие А состоит в получении нужного слова
«МАТЕМАТИКА». Так как элементарные события являются перестановками
из 10 букв, то n  10 ! Некоторые буквы в слове «МАТЕМАТИКА»
повторяются (М – 2 раза, А – 3 раза, Т – 2 раза). Поэтому возможны
перестановки, при которых слово не меняется. Их число равно: m  2!3!2! =24.
24 1
Таким образом, P A   .
10! 151200
Задание 1.3. (решается аналогично задаче 1.2).
Задание 1.4. В урне 5 черных и 6 белых шаров. Случайным образом
вынимают 4 шара. Найти вероятность того, что среди них имеется:
а) 2 белых шара;
 15
б) меньше, чем 2 белых шара;
в) хотя бы один белый шар.

Испытанием будет случайное вынимание 4 шаров. Элементарными

событиями являются всевозможные сочетания по 4 из 11 шаров. Их число
равно:
11! 7!8  9 10 11
n  С114    330 .
4!7! 1  2  3  4  7!
а) A1 - среди вынутых шаров 2 белых. Значит, среди вынутых шаров – 2
белых и 2 черных (т.к. вынимают 4). Используя правило умножения,
получаем:
6! 5! 4!5  6  3!4  5 150 5
m  C62  С52     150 , P A1    .
2!4! 2!3! 2!4!2!3! 330 11

б) A2 - среди вынутых шаров меньше, чем 2 белых. Это событие состоит

из двух несовместных событий:

В1 – среди вынутых шаров 1 белый и 3 черных шара;

В2 - все вынутые шары – черные.

Следовательно, Р А2   РВ1   РВ2  .
6  5! 6  3!4  5 5!
m1  6  C53    60 , m2  C54   5.
3!2! 3!2 4!1!
60 5 65 13
РВ1   ; Р  В2   ; Р A2    .
330 330 330 66

в) A3 - среди вынутых шаров хотя бы один белый. Этому событию

удовлетворяют следующие сочетания шаров:

В1 – среди вынутых шаров 1 белый и 3 черных шара;

В2 - среди вынутых шаров 2 белый и 2 черных шара;

В3 - среди вынутых шаров 3 белых и 1 черный шар;

В4 - среди вынутых шаров 4 белых шара.

16
Прямое решение этой задачи приводит обычно к сложным вычислениям.
Проще сначала найти вероятность противоположного события, а затем
вычислить вероятность искомого.
А3 - среди вынутых шаров нет ни одного белого. В этом случае
5 1
m  C54  5 ; P A3    .
330 66

1 65
Тогда P A3   1  P A3   1   .
66 66

5 13 65
Ответ: P A1   ; P A2   ; P A3   .
11 66 66

Задание 1.5. Устройство состоит из трех независимых элементов,

работающих в течение времени Т безотказно соответственно с
вероятностями 0,851, 0,751, 0,701. Найти вероятность того, что за время Т
выйдет из строя:
а) только один элемент;
б) хотя бы один элемент.

Испытание, т.е. работу за время Т, нужно рассмотреть на двух уровнях: на

уровне устройства и на уровне элементов. Элементарные события определять
не надо, так как их вероятности заданы.

а) А1 - за время Т выходит из строя только один элемент:

В1 - первый элемент выходит из строя;
В2 - второй элемент выходит из строя;
В3 - третий элемент выходит из строя;

В1 - первый элемент не выходит из строя;

В2 - второй элемент не выходит из строя;

В3 - третий элемент не выходит из строя.

Учитывая независимость элементов устройств, несовместность событий Вi и

Bi , получаем следующую формулу:

 17
P A1   PB1   P B2   P B3   P B1   PB2   P B3   P B1   P B2   PB3  .
По условию,
P B1  = 0,851, PB2   0,751 , PB3   0,701.
Тогда
PB1   1  P B1   0,149 , PB2   1  PB2   0,249 ,

PB3   1  P B3   0,299 .

Следовательно, получаем:
P A1   0,149  0,751  0,701  0,851  0,249  0,701  0,851  0,751  0,299 =0,418.
б) A2 - за время Т выходит из строя хотя бы один элемент.
Так как событие определяется словами «хотя бы один», используем
противоположное событие:
A2 - за время Т все элементы работают безотказно.

Р A2   1  Р  A2   1  0,851  0,751  0,701  0,552 .

Ответ: Р A1   0,418 , Р A2   0,552 .

Задание 1.6. В первой урне 6 белых и 4 черных шара, а во второй 5 белых и 7

черных шаров. Из первой урны взяли 3 шара наугад, а из второй – 2 шара.
Найти вероятность того, что среди вынутых шаров:
а) все шары одного цвета;
б) только 3 белых шара;
в) хотя бы один белый шар.

Шары вынимали из обеих урн независимо. Испытаниями являются

извлечение трех шаров из первой урны и двух шаров из второй.
Элементарными событиями будут сочетания по 3 или 2 из 10 или 12 шаров
соответственно.

а) А1 - все вынутые шары одного цвета, т.е. они или все белые, или все
черные. Определим для каждой урны все возможные события:

В1 - из первой урны вынуты 3 белых шара;

18
В2 - из первой урны вынуты 2 белых шара и 1 черный шар;

В3 - из первой урны вынуты 1 белый шар и 2 черных шара;

В4 - из первой урны вынуты 3 черных шара;

С1 - из второй урны вынуты 2 белых шара;

С 2 - из второй урны вынуты 1 белый и 1 черный шар;

С3 - из второй урны вынуты 2 черных шара.

Таким образом,

Р А1   РВ1   РС1   РВ4   РС3  .

Найдем количество элементарных событий n1 и n2 для первой и второй урн

соответственно. Имеем:

3 10! 7!8  9 10 3 12! 8!7  8  9 10

n1  C10    120 , n2  C12    66 .
3!7! 3!7! 3!8! 2  3  7!

Найдем количество каждого из элементарных событий, определяющих

следующие события:

6! 3!4  5  6 45
B1 : m11  C63    20 , С1 : m21  C52   10 ,
3!3! 3!2  3 1 2

456
B2 : m12  C62  4   60 , С 2 : m22  C51  С71  5  7  35 ,
1  2 1

6 3 4 76
B3 : m13  6  C 42   36 , С3 : m23  C72   21 ,
1 1  2 1 2

B4 : m14  C 43  4 .

Следовательно,

20 10 4 21 50 21 71
Р А1         .
120 66 120 66 1980 1980 1980

б) А2 - среди извлеченных шаров только 3 белых. В этом случае:

 19
20 21 60 35 36 10 7 35 6 4
Р А2            .
120 66 120 66 120 66 132 132 132 11

в) А3 - среди извлеченных шаров имеется по крайней мере один белый.

А3 - среди извлеченных шаров нет ни одного белого шара.

4 21 7 7 653
Тогда: Р А3     , Р А3   1  Р А3   1   .
120 66 660 660 660

71 4 653
Ответ: Р А1   , Р А2   , Р А3   .
1980 11 660

5. ФОРМУЛА ПОЛНОЙ ВЕРОЯТНОСТИ. ФОРМУЛА БАЙЕСА

Пусть событие А может наступить при появлении одного из

несовместных событий H1 , H 2 ,..., H n , образующих полную группу. Пусть
известны вероятности этих событий PH i  , и условные вероятности P A / H i  ,
i  1,..., n . Требуется найти вероятность события А .
Теорема 5.1. Вероятность события А , которое может наступить при
условии появления одного из несовместных событий H 1 , H 2 ,..., H n ,
образующих полную группу событий, вычисляется по формуле (формуле
полной вероятности):

P A  PH 1   P A / H 1   PH 2   P A / H 2   ...  PH n   P A / H n  .

Допустим, что уже произведено испытание, в результате которого

наступило событие А . В связи с этим изменилась вероятность каждой
гипотезы. Тогда вероятности гипотез могут быть пересчитаны по формуле
Байеса:

P H i   P  A / H i 
P A / H i   , i  1,..., n .
P  A
20

6. ЗАДАНИЯ 11-20

Решите следующие задачи, используя формулу полной вероятности и

формулу Байеса.

11. Курс доллара повышается в течение квартала с вероятностью 0,8 и

понижается с вероятностью 0,2. При повышении курса доллара фирма
рассчитывает получить прибыль с вероятностью 0,85; при понижении — с
вероятностью 0,5. Найти вероятность того, что
а) фирма получит прибыль;
б) фирма получит прибыль, при этом известно, что курс доллара
понизится.

12. В страховой компании 500 начинающих и 2000 опытных водителей. В

среднем 10 % начинающих и 2 % опытных водителей в течение года попадают
в аварию. Найти вероятность того, что
а) водитель попал в аварию;
б) это был опытный водитель.

13. Вероятность того, что клиент банка не вернет кредит в период

экономического роста, равна 0,04, а в период экономического кризиса – 0,13.
Вероятность того, что начнется период экономического роста, равна 0,65. Чему
равна вероятность того, что
а) случайно выбранный клиент банка не вернет полученный кредит;
б) случайно выбранный клиент банка не вернет полученный кредит в
период экономического роста.
14. Курортная гостиница будет заполнена в июле с вероятностью 0.92,
если будет солнечная погода, или с вероятностью 0.72, если будет дождливая
погода. По оценкам синоптиков в данной местности в июле бывает 75%
солнечных дней. Какова вероятность того, что
а) работа гостиницы будет рентабельной;
б) работа гостиницы будет рентабельной, если погода будет дождливой.
 21
15. Вероятность того, что новый товар будет пользоваться спросом на
рынке, если конкурент не выпустит в продажу аналогичный товар, равна 0,67, а
при наличии на рынке конкурирующего товара, равна 0,42. Вероятность того,
что конкурирующая фирма выпустит на рынок аналогичный товар в течение
интересующего нас периода, равна 0,35. Чему равна вероятность того, что
а) новый товар будет иметь успех;
б) новый товар будет иметь успех при наличии на рынке
конкурирующего товара.

16. Экономист-аналитик условно подразделяет экономическую ситуацию

в стране на «хорошую», «посредственную» и «плохую» и оценивает их

вероятности для данного момента времени в 0,15; 0,70 и 0,15 соответственно.
Некоторый индекс экономического состояния возрастает с вероятностью 0,60,
когда ситуация «хорошая»; с вероятностью 0,30, когда ситуация
посредственная, и с вероятностью 0,10, когда ситуация «плохая». Чему равна
вероятность того, что
а) экономика страны на подъеме;
б) экономика страны на подъеме при росте индекса экономического
состояния.

17. Три организации представили в контрольное управление счета для

выборочной проверки. Первая организация представила 15 счетов, вторая —
10, третья — 25. Вероятности правильного оформления счетов у этих
организаций известны и соответственно равны: 0,9; 0,8; 0,85. Был выбран один
счет и он оказался правильным. Определить вероятность того, что этот счет
принадлежит второй организации.

18. Инвестор приобрел акции трех компаний, причем его инвестиционный

пакет состоит из 20 акций первой компании, 42 акций второй и 18 акций
третьей. Вероятность того, что акции первой компании принесут прибыль,
равна 0,5, второй -0,3, третьей- 0,7. Найти вероятность того, что
22
а) инвестор получит прибыль;
б) инвестор получит прибыль, если прогнозирует рост цен акций первой
компании.

19. Курс гривны понижается в течение недели с вероятностью 0,6 и

повышается с вероятностью 0,4. При повышении курса гривны фирма
рассчитывает получить прибыль с вероятностью 0,45; при понижении — с
вероятностью 0,2. Найти вероятность того, что
а) фирма получит прибыль;
б) фирма получит прибыль, при этом известно, что курс гривны
понизится.

20. Количество акций, представленных тремя различными предприятиями

на финансовый рынок, относятся как 5:3:2. Вероятности того, что акции будут
котироваться по 12 долл. за штуку для этих предприятий соответственно равны
0,3; 0,4; 0,7. Известно, что цена случайно выбранной акции составила 12 долл.
Найти вероятность того, что эта акция представлена третьим предприятием.

7. ПРИМЕР ВЫПОЛНЕНИЯ ЗАДАНИЙ 11-20

Фирма – экспортер промышленной продукции собирается заключить

контракт с крупным концерном на его поставку. Если основной конкурент
фирмы не станет одновременно претендовать на заключение контракта, то
вероятность подписания контракта оценивается аналитиками фирмы в 0,55, в
противном случае – в 0,35. По оценкам аналитиков вероятность того, что
конкурент выдвинет свои предложения по заключению контракта, равна 0,4.
Чему равна вероятность заключения контракта для фирмы – экспортера. И
какова будет эта вероятность, если фирма – конкурент все-таки выдвинет свои
предложения.
Решение.
Пусть А – событие «фирма – экспортер заключит контракт»;
H1 –гипотеза «фирма-конкурент выдвинет свои предложения»,
 23
H2 – гипотеза «фирма-конкурент не выдвинет свои предложения».
По условию,
P( H1 )  0,4, P( H 2 )  1  0,4  0,6,
условные вероятности по заключению контракта для фирмы-экспортера
P( A / H1 )  0,55, P( A / H 2 )  0,35. По формуле полной вероятности
вероятность заключения контракта для фирмы – экспортера будет равна:
P( A)  P( H1 ) P( A / H1 )  P( H 2 ) P( A / H 2 ) 
 0,4  0,55  0,6  0,35  0,22  0,21  0,43.
А вероятность того, что контракт будет заключен, если фирма – конкурент все
-таки выдвинет свои предложения, найдем по формуле Байеса:

P( H1 ) P( A / H1 ) 0, 22
P( H1 / A)    0,51.
P( A) 0, 43

8. ФОРМУЛА БЕРНУЛЛИ

Формула Бернулли - формула в теории вероятностей, позволяющая

находить вероятность появления события при независимых
испытаниях. Формула Бернулли позволяет избавиться от большого числа
вычислений — сложения и умножения вероятностей — при достаточно
большом количестве испытаний.
Предположим, что производится n независимых испытаний, в результате
каждого из которых может наступить или не наступить некоторое событие A .
Пусть при каждом испытании вероятность наступления события A одинакова и
равна P A  p . Тогда вероятность наступления противоположного события

P A   1  p  q. Определим вероятность того, что событие A произойдет ровно

m раз в n испытаниях. При этом заметим, что факты, наступит событие или
нет, могут чередоваться случайно. Будем записывать возможные результаты
испытаний в виде комбинации букв А и А . Всякую комбинацию, куда А
входит m раз, а А входит n  m раз, назовем благоприятной. Количество
24
благоприятных комбинаций равно количеству способов, которыми можно
выбрать m чисел из n . Следовательно, оно равно числу сочетаний из n
элементов по m . Вычислим вероятности благоприятных комбинаций.
Рассмотрим сначала случай, когда событие А происходит в m испытаниях и,
соответственно, не происходит в остальных nm испытаниях. Такая
комбинация имеет вид:

B1  
AA
...
AA A
...
A.
m раз m n раз

Вероятность этой комбинации в силу независимости испытаний (по теореме

умножения вероятностей) равна

РB1   
P
A
P
A
...P
 P
 A A 
P 
A 
...P

 A   p m q nm .
m nm

Так как в любой другой благоприятной комбинации Bi событие А происходит

в m испытаниях и, соответственно, не происходит в остальных n  m
испытаниях, то вероятность каждой такой комбинации равна p m  q nm . Все
благоприятные комбинации являются, очевидно, несовместными. Поэтому, на
основании теоремы сложения вероятностей:

 
Pn m   P  Bi    PBi   C nm p m q nm .
 i  i

Следовательно,

Pn m   C nm  p m  q nm .

Полученная формула называется формулой Бернулли.

 25

9. ЗАДАНИЯ 21-30

21. В банк поступило 6 заявлений от физических лиц на получение кредита.

Вероятность получить первый кредит для каждого одинакова. Найти
вероятности следующих событий:
а) будет выдано ровно 3 кредита;
б) будет выдано не менее двух кредитов.

22. Доля крупных заказов в строительной фирме составляет 40%. Фирма в

месяц заключает в среднем 7 заказов.
Найти вероятности следующих событий:
а) фирме будет сделано 2 крупных заказа;
б) будет сделано не менее четырех крупных заказов.

23. В банк поступило 10 стодолларовых купюр. Какова вероятность того, что

среди них окажется
а) 5 фальшивых купюр,
б) менее 5 фальшивых купюр, если известно, что на рынке 0,1% купюр
фальшивых?

24. Коммерческий банк имеет 6 отделений, каждое из которых заказывает

независимо друг от друга крупную сумму денег на следующий рабочий день с
вероятностью 0,1. Какова вероятность того, что заявок на крупную сумму
будет:
а) две;
б) не менее четырех.
25. Вероятность обращения клиента в банк за возвращением депозита 0,4.
Найти вероятность того, что из 7 вип-клиентов банка за возвращением депозита
обратится:
а) один клиент;
б) все клиенты.
26
26. Провайдер обслуживает 10 абонентов сети INTERNET. Вероятность того,
что любой абонент захочет войти в сеть в течение часа, равна 0.002. Найти
вероятность того, что в течение часа
а) более 7 абонентов попытаются войти в сеть,
б) не менее 7 абонентов попытаются войти в сеть.

27. В банк поступило 8 заявлений от юридических лиц на получение кредита.

Вероятность получить кредит для каждого одинакова и равна 0,55. Найти
вероятности следующих событий:
а) будет выдано ровно 2 кредита;
б) будет выдано не менее пяти кредитов.

28. Доля крупных заказов в строительной фирме составляет 72%. Фирма в

месяц заключает в среднем 4 заказа. Найти вероятности следующих событий:
а) фирме будет сделано 2 крупных заказа;
б) будет сделано не менее двух крупных заказов.

29. Вероятность того, что кредит не вернут в банк, составляет 0,1. Найти
вероятность того, что из 8 клиентов, получивших кредит, его не вернут:
а) один клиент;
б) все клиенты.

30. Фирма – импортер поставляет продукцию на 7 крупных предприятий

города. Вероятность того, что этими предприятиями будет сделан заказ в
отчетного периода, составляет 12%. Найти вероятность того, что в течение
отчетного периода заказ будет сделан
а) более чем 6 предприятиями,
б) не будет сделан вообще.
 27
10. ПРИМЕР ВЫПОЛНЕНИЯ ЗАДАНИЙ 21-30

Вероятность обращения владельцев транспортных средств в страховую

компанию за возмещением составляет 0,8. Найти вероятность того, что из10
автовладельцев 9 обратятся в страховую компанию.

Решение.

Используем формулу Бернулли, которая принадлежит к схеме

независимых повторных испытаний.

Проводится n независимых друг от друга испытаний, в каждом из

которых событие А может появиться с одной и той же вероятностью P ( A)  p .
Обозначим Pn (k ) - вероятность того, что в n испытаниях событие А появится
ровно k раз. Иногда говорят, что Pn (k ) - вероятность того, что в n испытаниях
было k успехов. Тогда
Pn (k )  C nk p k q nk , q  1  p, 0  k  n.
Количество испытаний в данной задаче n = 10. Вероятность того, что
будет предъявлен иск в страховую компанию p  0,8 ; q  1  0,8  0,2.
Найдем вероятность, что будет предъявлено 9 исков из 10, т.е. число
успехов равно 9.
10!
9
P10 (9)  C10 0,8 0,2
9 10 9
 0,89 (0,2)1  0,268.
9!(10  9)!

11. СЛУЧАЙНЫЕ ВЕЛИЧИНЫ. ЗАКОНЫ РАСПРЕДЕЛЕНИЯ ДИСКРЕТНЫХ

СЛУЧАЙНЫХ ВЕЛИЧИН.

ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ ДИСКРЕТНЫХ СЛУЧАЙНЫХ ВЕЛИЧИН

Дискретной называют случайную величину X, принимающую конечное или

счетное (можно перенумеровать) число значений: x1, x2,…. Значение xk

принимается с некоторой вероятностью pk  P( X  xk )  0 . При этом k pk  1.

28
Законом распределения случайной величины X называется соответствие
между каждым значением xk дискретной случайной величины X и ее

вероятностью pk .

Закон распределения обычно задается в виде таблицы, которая называется

рядом распределения:

X x1 x2 ...

P p1 p2 ...

Функция распределения случайной величины F ( x)  P( X  x) в дискретном

случае является кусочно-постоянной и может быть найдена по формуле
F ( x)   pk  x x P( X  xk ) .
xk  x k

Математическим ожиданием (средним значением) дискретной случайной

величины X называется число:

M(X)=  xk pk .
k

Дисперсией случайной величины X называют математическое ожидание

квадрата отклонения случайной величины от ее математического ожидания:

D(X)  M(X - M(X)) 2 .

Дисперсию удобно вычислять по формуле D(X)  M(X 2 ) - (M(X)) 2 .

Средним квадратичным отклонением случайной величины называют
квадратный корень из дисперсии:

 ( X )  D( X ).

Среднее квадратичное отклонение является одной из характеристик

рассеяния возможных значений случайной величины вокруг ее
математического ожидания.
 29
Биномиальное распределение. В задачах часто используется
биномиальное распределение, то есть распределение случайной величины X –
числа наступления события A в n независимых опытах, в каждом из которых
событие A может произойти с одной и той же вероятностью p.
Случайная величина X принимает целочисленные значения m= 0, 1, …, n с
вероятностями

P( X  m)  C m m nm .
n p (1  p)

Математическое ожидание, дисперсия и среднее квадратичное отклонение

случайной величины X, распределенной по биномиальному закону, находятся
по формулам:

M  X   np , D X   npq ,   X   npq ,

где q=1- p.

12. ЗАДАНИЯ 31-40

31. Случайная величина X задана законом распределения:

X -8 -4 -2 0
P 0,3 P2 0,2 0,1

Вычислить: P2 , M  X , D X ,   X , M  X , P1  X  2 , D2 X  4  .

32. Случайная величина X задана законом распределения:

X -5 0 1 5
P P1 0,2 0,1 0,3

Вычислить: P1 , M  X , D X ,   X , M 2 X  2 , P 3  X  1, D3 X  .

30
33. Случайная величина X задана законом распределения:

X -5 -3 -1 0 1
P P1 0,1 0,2 0,3 0,2

Вычислить: P1 , M  X , D X ,   X , M 2 X  2 , P 1  X  1, D3 X  .

34. Случайная величина X задана законом распределения:

X -4 -1 0 4 9
P 0,3 0,1 P3 0,1 0,3

Вычислить:

P3 , M  X , D X ,   X , M  X , P 1  X  4 , D3 X  4  .

35. Случайная величина X задана законом распределения:

X 0 2 4 9
P 0,3 0,2 P3 0,2

Вычислить: P3 , M  X , D X ,   X , M  X , P1  X  2 , D2 X  4  .

36. Случайная величина X задана законом распределения:

X 1 5 9 13 18
P 0,1 0,36 0,35 0,14 P5

Вычислить: P5 , M  X , D X ,   X , M  X , P1  X  8, D2 X  1 .

37. Случайная величина X задана законом распределения:

X 0 1 3 4
P 0,3 0,2 0,1 P4

 
Вычислить: P4 , M  X , D X ,   X , M X 2  1 , P 1  X  2 , D X  3 .
 31
38. Случайная величина X задана законом распределения:

X -4 -1 0 4 9
P 0,2 0,1 P3 0,2 0,1

Вычислить: P3 , M  X , D X ,   X , M  X  7 , P 1  X  5, D3 X  4  .

39. Случайная величина X задана законом распределения:

X 10 20 30 40 50
P 0,2 0,3 P3 0,1 0,05

Вычислить: P3 , M  X , D X ,   X , M  X , P10  X  20, D2 X  3 .

40. Случайная величина X задана законом распределения:

X -100 -25 0 25 100

P 0,3 0,1 P3 0,1 0,3

Вычислить: P3 , M  X  , D  X  ,   X  , M  X / 4  , P 10  X  30  , D  X  3 .

13. ПРИМЕР ВЫПОЛНЕНИЯ ЗАДАНИЙ 31-40

Случайная величина X задана законом распределения:

X -30 -20 0 20 30
P 0,2 0,3 P3 0,1 0,2

Вычислить: P3 , M  X , D X ,   X , M  X , P 40  X  25, D2 X  8 .

Решение.
Пусть закон распределения случайной величины представлен в виде
X x1 x2 x3 x4 x5

P p1 p2 p3 p4 p5

Т.к. закон распределения данной дискретной величины представляет полную

32
группу событий, то сумма всех вероятностей равна 1.
p1  p 2  p3  p 4  p5  1 .
Тогда искомая вероятность:
p1  1  0,2  0,3  0,1  0,2  0,2 .
Математическое ожидание случайной величины находится по формуле:
M  X   x1 p1  x2 p2  x3 p3  x 4 p4  x5 p5 ;
в нашей задаче
M  X   30  0,2  20  0,3  0  0,2  20  0,1  30  0,2  4 .
Дисперсия случайной величины:
D X   M ( X 2 )  ( MX ) 2 .

Чтобы найти M ( X 2 ) , найдем закон распределения величины X 2 . Для этого

возведем все значения, которые принимает X , в квадрат.

X 900 400 0 400 900

P 0,2 0,3 0,2 0,1 0,2

Тогда M ( X 2 )  900  0,2  400  0,3  0  0,2  400  0,1  900  0,2  520 .

Отсюда D X   520  (4) 2  504 .

Среднее квадратическое отклонение случайной величины:
 ( X )  D X  ;
тогда
 ( X )  504  22,45 .
Чтобы найти M X , найдем распределение величины X :

X 30 20 0 20 30
P 0,2 0,3 0,2 0,1 0,2

Найдем M X :

M X  30  0,2  20  0,3  0  0,2  20  0,1  30  0,2  20 .

Для нахождения D2 X  8 следует знать соотношения:

 33
D(aX  b)  a 2 D X  ;
M (aX  b)  aM  X   b .
Тогда для нашего примера
D2 X  8  2 2 D X   4  504  2016.
Чтобы найти P 40  X  25 , следует рассмотреть те значения X ,
которые попадают в заданный интервал. Это значения  30,  20, 0, 20 .
Этим значениям соответствуют вероятности 0,2; 0,3; 0,2; 0,1 . События,
состоящие в том, что X принимает данные значения, несовместны,
следовательно, искомая вероятность P 40  X  25 равна сумме
соответствующих вероятностей:
P 40  X  25  0,2  0,3  0,2  0,1  0,8 .

14. НЕПРЕРЫВНЫЕ СЛУЧАЙНЫЕ ВЕЛИЧИНЫ. ФУНКЦИЯ И ПЛОТНОСТЬ

РАСПРЕДЕЛЕНИЯ НЕПРЕРЫВНОЙ СЛУЧАЙНОЙ ВЕЛИЧИНЫ. ЧИСЛОВЫЕ

ХАРАКТЕРИСТИКИ НЕПРЕРЫВНЫХ СЛУЧАЙНЫХ ВЕЛИЧИН

Случайная величина X называется непрерывной случайной величиной, если

существует неотрицательная функция f (x) такая, что при любом x выполнено
соотношение
x
F ( x)   f (t ) dt , (*)

где, как и раньше, F(x) =  (X  x) – функция распределения случайной

величины X.

Функция f(x) называется плотностью распределения (или плотностью

распределения вероятностей) случайной величины X .

Из формулы (*) следует, что F(x) является непрерывной функцией. Кроме

того, функция распределения является неубывающей функцией, и имеют место
ее следующие свойства:
34
1)   F (x)  1;
2) F (- ) = 0; F (+) =1;
3)  (a  X  b) = F (b) - F ( a).
Плотность распределения обладает следующими свойствами:


1)  f ( x)dx  1,


2) f ( x)  F ( x), если производная F (x) существует, и вероятность попасть

на промежуток можно найти, интегрируя плотность распределения
b

3) P ( a  X  b )  f ( x ) dx.
a

Математическое ожидание (среднее) непрерывной случайной величины X

определяется равенством

M (X )   x f ( x ) dx .
-

Дисперсия непрерывной случайной величины X определяется равенством

 
2
D( X )   ( x  M ( x )) или D( X )   x 2 f ( x ) dx  ( M ( X ))
f ( x ) dx 2.


Среднее квадратичное отклонение Х равенством:

 ( X )  D( X ) .
 35
15. ЗАДАНИЯ 41 – 50
Случайная величина X задана функцией распределения F(x). Найти
плотность распределения вероятностей, математическое ожидание и дисперсию
случайной величины.

0, x  0; 0, x  0;
 
41. F  x    x 2 16, 0  x  4; 42. F  x   2 x 2  x, 0  x  1;
1, x  4. 1, x  1.
 

0, x  0; 0, x  0;
 
43. F  x   sin x, 0  x   2 ; 44. F  x   1  cos x, 0  x   2 ;
1, x   2. 1, x   2.
 

0, x  1 2; 0, x   4 3;
 
45. F  x    x  1 2 , 1 2  x  3 2 ; 46. F  x   3 x 4  1,  4 3  x  0;
1, x  3 2. 1, x  0.
 

0, x   4 ; 0, x  0;
 
47. F  x   cos 2 x,   4  x  0; 48. F  x   2 sin 2 x, 0  x   12 ;
1, x  0. 1, x   12 .
 

0, x  0; 0, x   2;
 
49. F  x    x 3 8, 0  x  2; 50. F  x   2 cos x,   2  x    3 ;
1, x  2. 1, x    3.
 

16. ПРИМЕР ВЫПОЛНЕНИЯ ЗАДАНИЙ 41-50

Случайная величина X задана функцией распределения F(x). Найти плотность
распределения вероятностей, математическое ожидание и дисперсию
случайной величины.
0, x  2;

F  x    x 2  1, 2  x  4;
1, x  4.

36
Решение. Найдем плотность распределения:
0, x  2;

f  x   F  x   1 2 , 2  x  4;
0, x  4.

Используя определения математического ожидания и дисперсии для
непрерывных случайных величин:
 
M X    xf x dx , D X   M X   M  X   x f x dx  M  X  ,
2 2 2 2

 

получаем:
 2 4  4
1 x2
M  X    xf  x dx   x  0  dx   x   dx   x  0  dx   3.
  2
2 4
2 2

 4 4
1 x3 5
D X    x f x dx  M  X    x   dx  9 
2 2 2
9  .
 2
2 6 2
3

17. НОРМАЛЬНОЕ РАСПРЕДЕЛЕНИЕ

Говорят, что случайная величина Х имеет нормальное распределение с

параметрами m и  2 , если плотность его распределения выражается
формулой:
 x m 2
1 
f x   e 2 2 .
 2

Математическое ожидание такой случайной величины равно M  X   m , а

дисперсия D X    2 .
Для нормальной случайной величины вероятность P a  X  b  равна:

am bm bm a m

P a  X  b   P  X       ,
         

a X m a  a a a

P  X  m  a   P           2   ,
          
 37
где Ф(х) - интегральная функция Лапласа, обладающая свойством
Ф( х)  Ф( х) .
Значения этой функции находятся по таблице (см. Приложение 2).

18. ЗАДАНИЯ 51-60

51. Плотность распределения случайной величины X имеет вид:

( x1)2
1 
f ( x)  e 72
6 2
Найти: M(X ) , D( X ), P(1  X  3) , P  X  1  0,3 .

52. Случайная величина имеет нормальное распределение с плотностью:

( x3)2
1
f (x)  e 18
3 2
Найти: M(X ) , D( X ), P(4  X  2) , P X  3  2 .

53. Плотность распределения случайной величины имеет вид:

( x2)2
1
f (x)  e 2
2
Найти: M(X ) , D( X ), P(1  X  2) , P X  2  1.

54. Плотность распределения случайной величины имеет вид:

( x2)2
1
f (x)  e 2
2
Найти: M(X ) , D( X ), P(1  X  2) , P X  2  3 .

55. Плотность распределения случайной величины имеет вид:

( x3)2
1
f (x)   e 18 .
3 2
Найти: M(X ) , D( X ), P(4  X  2) , P  X  3  3.
38
56. Плотность распределения случайной величины имеет вид:
( x1)2
1
f (x)  e 18
3 2 .
Найти: M(X ) , D( X ), P(0  X  3) , P X  1  5 .

57. Случайная величина X имеет плотность распределения:

( x2)2
1
f (x)  e 32
4 2 .
Найти: M(X ) , D( X ), P(1 X  4) , P X  2  4 .

58. Случайная величина X имеет плотность распределения:

( x1)2
1
f (x)  e 8
2 2 .
Найти: M(X ) , D ( X ), P(0  X  3) , P X  1  7 .

59. Случайная величина X имеет плотность распределения:

( x1)2
1 
f ( x)  e 18 .
3 2
Найти: M(X ) , D( X ), P(0,5  X  2) , P  X  1  0,3 .

60. Случайная величина имеет нормальное распределение с плотностью:

( x3)2
1 
f (x)  e 50
5 2 .
Найти: M(X ) , D( X ), P(1  X  2) , P  X  3  0,7  .

19. ПРИМЕР ВЫПОЛНЕНИЯ ЗАДАНИЙ 51-60

Плотность распределения случайной величины имеет вид:

( x2)2
1
f (x)  e 2 .
2
Найти: M  X  , D  X  , P 1  X  1 , P X  2  4  .
 39
Решение. Нормально распределенная случайная величина имеет
плотность распределения:
( xm)2
1 2 2
f (x)  e ,
 2
где математическое ожидание M ( X )  m , дисперсия D( X )   2 .
В нашем примере M ( X )  2 ; D( X )  1 .
Для нормальной случайной величины вероятность P a  X  b  равна:

am bm bm a m

P a  X  b   P  X       .
         
1  2   1 2 
P  1  X  1        3  1 
 1   1 
 0,499  0,341  0,158 .

a X m a  a a a

P  X  m  a   P           2   ;
          
4
P  X  2  4   2   2  0,499  0,998 .
1
В данном случае Ф(х) - интегральная функция Лапласа, обладающая
свойством Ф( х)  Ф( х) . Значения этой функции находятся по таблице (см.
Приложение 2).

20. ВЫБОРОЧНЫЙ МЕТОД. ГЕНЕРАЛЬНАЯ И ВЫБОРОЧНАЯ СОВОКУПНОСТИ

Статистика изучает количественную сторону массовых явлений и

процессов в неразрывной связи с их качественным содержанием. Она служит
основой для принятия соответствующих управленческих решений.
Математическая статистика занимается обработкой результатов
экспериментов. Она тесно связана с теорией вероятностей.
К основным задачам статистики относятся:
40
 организация сбора и группировки статистических экспериментальных
данных;
 оценка неизвестных вероятности события и функции распределения,
параметров распределения;
 оценка зависимости между случайными величинами;
 проверка статистических гипотез о виде неизвестного распределения или
о величине параметров распределения, вид которого известен.
Для получения статистических данных из всех изучаемых объектов
(образующих генеральную или статистическую совокупность) отбирается для
наблюдения выборочная совокупность (выборка). Количество объектов в ней –
объём выборки (n). Полученные в ходе измерений значения изучаемой
величины называются вариантами (xi). Число вариант, имеющих одинаковое
mi
значение xi, – (абсолютная) частота данного значения (mi). Величина wi 
n
называется относительной частотой (иногда её называют частостью).
Для предварительной обработки результатов наблюдения создают
вариационный ряд (ряд распределения), для чего варианты выстраивают в
порядке возрастания вместе с их абсолютными частотами (иногда и
относительными частотами). Различают дискретный и интервальный
вариационные ряды. В дискретном ряду перечисляются все значения вариант; в
интервальном ряду данные группируются в интервалы (как правило,
равномерные); интервальный ряд создают обычно, если объём выборки велик, а
исследуемая величина является непрерывной. Количество интервалов
рекомендуется находить по формуле Стерджесса:

k = 1 + log2n = 1 + 3,322lgn. (1)

При этом результат округляется в большую сторону.

Просматривая результаты наблюдений, определяют, сколько значений
случайной величины попало в каждый конкретный интервал. При этом в
интервал включают значения, большие или равные нижней границе интервала,
 41
и меньшие – верхней границы.
В первую строку таблицы статистического распределения вписывают
частичные промежутки x0 , x1 , x1 , x2 ,  , xm 1 , xm  .
Во вторую строку статистического ряда вписывают количество
наблюдений ni (где i  1, m ) попавших в каждый интервал; то есть частоты
соответствующих интервалов.
Подсчет частот для каждого интервала удобно проводить методом
«конвертиков». Этот метод состоит в том, что попадание значения случайной
величины в тот или иной интервал, отмечается точкой, а также и черточкой. В
результате каждому десятку будет соответствовать фигура, похожая на
конверт.

1 2 3 4 5 6 7 8 9 10

При вычислении интервальных частостей округление результатов

следует производить таким образом, чтобы сумма частостей была равна 1.
Иногда интервальный статистический ряд, для простоты исследований,
условно заменяют дискретным. В этом случае серединное значение i -го
интервала принимают за вариант xi , а соответствующую интервальную
частоту ni - за частоту этого варианта.
Графическое представление дискретного ряда называется полигоном
(многоугольником) абсолютных или относительных частот, интервального ряда
– гистограммой. Аналитически вариационный ряд описывается эмпирической
функцией распределения:

F  ( x)   wi .
xi  x

Иногда вместо графика эмпирической функции распределения строят

42
непрерывную ломаную линию – кумуляту или кумулятивную кривую.
Пусть X   X 1 , X 2 ,..., X n  - выборка объема n из генеральной
совокупности и x   x1 , x2 ,..., xn  наблюдаемые значения X .
Выборочной средней называется величина
k
x1  x 2  ...  xn 1 n 1 k
x   xi   xi mi   xi wi , (2)
n n i 1 n i 1 i 1

где n – объём выборки, k – число различающихся вариант. Данная оценка

является состоятельной, несмещённой и наиболее эффективной (последнее –
для нормально распределённой случайной величины).

Выборочной дисперсией называется величина

1 n 1 k

k 2
Dв  
n i 1
( xi  x ) 2
 
n i 1
mi ( xi  x ) 2
  wi ( xi  x) 2  x 2  x .
i 1

Выборочным средним квадратическим отклонением называется

величина:  в  Dв .

Выборочной модой Мо называют варианту, имеющую наибольшую

частоту.

Выборочной медианой Ме называют варианту, которая делит

вариационный ряд на две равные по числу вариант части.
Кроме рассмотренных выше основных статистических оценок применяют
и некоторые другие. Например, характеристиками вариации (рассеяния)
исследуемой величины кроме дисперсии и среднего квадратического
отклонения являются:

- размах варьирования – разность между наибольшим и наименьшим

значениями вариант R = xmax – xmin;

- среднее абсолютное (линейное) отклонение

 43
1 n 1 k k
d  i
n i 1
| x  x |   i i
n i 1
m | x  x |   wi | xi  x | ;
i 1

â
- коэффициент вариации V   100% .
x

d
- линейный коэффициент вариации Vd   100% ;
x

R
- коэффициент осцилляции VR   100% .
x

Пример 1. Дана выборка значений случайной величины X объема 20:

12, 14, 19, 15, 14, 18, 13, 16, 17, 12, 18, 17, 15, 13, 17, 14, 14, 13, 14, 16.
Требуется: - построить дискретный вариационный ряд;
- найти размах варьирования R , моду M 0 , медиану M e ;
- построить полигон частостей.
Решение. 1) Ранжируем выборку : 12, 12, 13, 13, 13, 14, 14, 14, 14, 14, 15,
15, 16, 16, 17, 17, 17, 18, 18, 19.
2) Находим частоты вариантов и строим дискретный вариационный
ряд (таблица 3)
Таблица 3

Значения вариант xi 12 13 14 15 16 17 18 19

Частоты ni 2 3 5 2 2 3 2 1

ni 2 3 5 2 2 3 2 1
Частости p*i 
n 20 20 20 20 20 20 20 20

3) По результатам таблицы 3 находим:

x10  x11 14  15
R  19  12  7 , M 0  14 , M e    14,5.
2 2
4) Строим полигон частостей.
44

p*i
5
20

3
20
2
20

1
20

12 13 14 15 16 17 18 19 x
Пример 2. Результаты измерений отклонений от нормы диаметров 50
подшипников дали численные значения (в мкм), приведенные в таблице ниже.
Таблица 4
-1,760 -0,291 -0,110 -0,450 0,512
-0,158 1,701 0,634 0,720 0,490
1,531 -0,433 1,409 1,740 -0,266
-0,058 0,248 -0,095 -1,488 -0,361
0,415 -1,382 0,129 -0,361 -0,087
-0,329 0,086 0,130 -0,244 -0,882
0,318 -1,087 0,899 1,028 -1,304
0,349 -0,293 0,105 -0,056 0,757
-0,059 -0,539 -0,078 0,229 0,194
0,123 0,318 0,367 -0,992 0,529

Для данной выборки: построить интервальный вариационный ряд;

построить гистограмму и полигон частостей.
Решение. Строим интервальный ряд. По данным таблицы 4:
xmin  1,76 ; xmax  1,74
Для определения длины интервала h используем формулу Стерджесса:
xmax  xmin
h .
1  3,322 lg 50
 45
Число интервалов m  1  3,322 lg 50 .
xmax  xmin 1,74   1,76 
h  
1  3,322 lg 50 1  3,322 lg 50
3,5 3,5
   0,526
1  3,322 lg 50 6,644

Примем h =0,6 , m  7 . За начало первого интервала примем величину

h
x нач  x min   1,76  0,3  2,06.
2
Конец последнего интервала должен удовлетворять условию:
xкон  h  xmax  xкон .
Действительно, 2,14  0,6  1,74  2,14 ; 1,54  1,74  2,14 .
Строим интервальный ряд (таблица 5).
Таблица 5
Интервалы  2 ,06;1,46   1,46;  0 ,86   0 ,86;  0 ,26   0 ,26; 0 ,34 

Подсчет частот

Частоты ni 2 6 11 15

2 6 11 15
Частости р i
50 50 50 50
Продолжение таблицы 5
Интервалы 0 ,34; 0 ,94  0 ,94;1,54  1,54; 2 ,14 

Подсчет частот

7
Частоты ni 11 3 2  ni  50 ;
i 1

7
11 3 2
Частости р i
50 50 50
 pi  1 .
i 1

Строим гистограмму частостей.

46

ni
hn
0,5 гистограмма

0,37 полигон

0,2

0,1
0,07

-2,06 -1,46 -0,86 -0,26 0,34 0,94 1,54 2,14

x

Рис.3
Вершинами полигона являются середины верхних оснований
прямоугольников гистограммы. Убедимся, что площадь гистограммы равна 1.
 n  n    nm 
S  h  1 2 .
 nh 
S  0 ,60 ,07  0 ,2  0 ,37  0 ,5  0 ,37  0 ,1  0 ,07   0 ,6  1,68  1,008  1 .

21. ЗАДАНИЯ 61-70

1) По выборке объёма n = 100 составьте интервальный ряд распределения. (Для

определения количества интервалов воспользуйтесь формулой Стерджесса,
ширину интервала округлите до 1 с (в большую сторону), левую границу
первого интервала округлите до 10 с (в меньшую сторону).
2) Постройте гистограмму относительных частот и кумулятивную кривую.
3) Найдите среднее значение, выборочные дисперсию и среднее квадратическое
отклонение.
 47

61. Для статистического анализа были получены следующие результаты (в

секундах):

306; 250; 242; 242; 274; 266; 242; 250; 226; 266; 266; 242; 266; 242; 266;
274; 250; 250; 250; 234; 250; 250; 298; 226; 258; 266; 250; 266; 234; 234; 266; 258;
250; 250; 226; 242; 258; 226; 274; 234; 234; 266; 242; 258; 258; 282; 274; 226; 282;
258; 250; 250; 234; 242; 234; 266; 242; 226; 234; 234; 250; 242; 266; 258; 242; 258;
210; 258; 266; 226; 226; 250; 234; 250; 242; 242; 258; 266; 242; 218; 266; 250; 266;
242; 258; 250; 242; 234; 266; 282; 290; 250; 234; 274; 234; 258; 242; 250; 234; 234;
242; 274; 250; 242; 226; 274; 250; 274; 234; 258.

62. Для статистического анализа были получены следующие результаты (в см):

7,1; 9,2; 14,1; 10,8; 12,9; 9,8; 9,6; 8,4; 10,8; 8,2; 8,6; 12,1; 7,6; 12,9; 9,3; 11,5;
12,4; 14,1; 14,3; 11,9; 16,3; 9,6; 12,0; 7,6; 13,3; 12,2; 12,0; 8,0; 12,3; 12,9; 11,8;
11,5; 9,6; 12,8; 12,6; 11,4; 13,4; 10,5; 18,0; 13,1; 11,9; 10,0; 9,6; 11,4; 8,0; 12,0;
11,9; 7,9; 12,0; 10,6; 13,8; 11,3; 12,0; 8,7; 12,0; 12,3; 12,2; 10,3; 6,5; 9,1; 9,8; 10,8;
6,9; 10,9; 11,5; 9,7; 11,9; 9,6; 11,4; 11,5; 6,6; 10,7; 10,9; 10,8; 13,1; 12,6; 11,3; 7,8;
10,6; 10,3; 12,9; 11,6; 11,1; 12,4; 6,7; 11,4; 12,8; 11,6; 8,0; 9,9; 12,1; 14,1; 10,8; 8,9;
13,9; 12,0; 10,6; 10,4; 11,1; 13,7.

63. Для статистического анализа были получены следующие результаты (в

ньютонах):
34,1; 33,8; 31,9; 36,2; 36,5; 33,5; 31,6; 36,1; 34,7; 35,6; 33,7; 34,7; 36,4;
37,4; 36,2; 34,5; 36,6; 36,5; 36,8; 36,1; 34,4; 34,1; 36,9; 34,4; 35,3; 32,9; 34,0;
33,5; 34,7; 33,7; 35,5; 36,4; 34,9; 34,8; 34,8; 34,1; 38,8; 33,8; 36,2; 36,1; 38,3;
37,7; 35,8; 35,6; 34,3; 37,7; 33,2; 33,5; 34,4; 36,8; 35,9; 32,1; 36,2; 35,4; 32,5;
35,5; 35,7; 36,4; 34,0; 34,6; 32,3; 35,1; 36,6; 36,7; 32,1; 34,5; 33,6; 36,9; 33,7;
37,6; 33,0; 33,5; 32,0; 37,0; 39,0; 34,3; 34,6; 34,6; 34,9; 32,1; 33,4; 32,6; 38,6;
36,2; 34,5; 33,0; 37,1; 34,8; 34,2; 34,0; 32,6; 31,6; 36,6; 30,5; 37,2; 37,4; 37,1;
35,7; 38,2; 33,3.
48
64. Для статистического анализа были получены следующие
результаты(в см):

79; 93; 77; 79; 77; 80; 84; 84; 95; 84; 85; 61; 75; 70; 76; 86; 87; 69; 60; 71;
71; 88; 69; 77; 91; 72; 102; 80; 82; 68; 83; 81; 67; 85; 103; 67; 70; 97; 81; 86; 86;
70; 77; 86; 84; 86; 99; 74; 70; 88; 88; 45; 72; 86; 73; 73; 104; 76; 70; 83; 75; 70;
102; 83; 86; 88; 82; 77; 92; 89; 87; 88; 75; 78; 66; 81; 87; 71; 75; 110; 65; 78; 79;
55; 78; 87; 92; 91; 71; 56; 77; 86; 86; 85; 75; 81; 91; 86; 93; 83.

65. Для статистического анализа были получены следующие результаты

(в дециньютонах):

514; 533; 483; 510; 558; 524; 488; 395; 511; 488; 424; 509; 509; 481; 536;
495; 530; 515; 502; 442; 508; 544; 524; 508; 435; 474; 467; 489; 495; 521; 524;
483; 511; 508; 537; 486; 567; 515; 467; 536; 513; 465; 467; 534; 468; 507; 516;
449; 481; 482; 539; 471; 541; 521; 503; 455; 458; 526; 540; 454; 497; 446; 512;
536; 523; 479; 469; 490; 451; 566; 524; 523; 469; 507; 548; 543; 479; 448; 518;
515; 507; 561; 508; 493; 512; 508; 443; 513; 489; 509; 496; 452; 496; 493; 449;
508; 545; 447; 549; 463.

66. Для статистического анализа были получены следующие результаты (в %):

4,02; 3,34; 3,64; 4,17; 5,00; 4,48; 3,96; 5,00; 3,77; 3,55; 2,99; 3,86; 3,87;
4,55; 5,00; 2,95; 3,52; 4,11; 4,68; 4,46; 3,62; 3,50; 3,80; 3,86; 3,90; 3,52; 4,01;
3,34; 4,65; 4,01; 3,38; 4,29; 3,92; 3,50; 3,26; 3,76; 4,06; 4,14; 4,38; 3,98; 4,11;
3,83; 4,19; 3,67; 4,20; 4,22; 4,29; 3,58; 3,96; 4,46; 4,94; 3,88; 3,58; 4,33; 3,32;
5,13; 3,53; 4,20; 3,54; 4,34; 3,71; 3,85; 3,55; 3,06; 4,59; 3,76; 4,43; 3,72; 4,76;
3,86; 3,75; 4,72; 4,14; 4,31; 3,85; 4,05; 4,09; 3,64; 3,75; 4,66; 3,92; 4,78; 3,52;
4,41; 5,30; 3,39; 3,72; 4,44; 3,38; 3,75; 3,95; 4,13; 4,20; 4,94; 3,61; 3,93; 4,78;
4,86; 4,89; 4,23; 3,79; 3,44; 3,80; 4,08; 3,90; 3,91; 4,13; 4,18; 4,22; 3,39; 4,33.
 49
67. Для статистического анализа были получены следующие результаты (в
%):
0,72; 0,38; 0,52; 0,63; 0,43; 0,52; 0,55; 0,47; 0,53; 0,53; 0,48; 0,52; 0,36;
0,50; 0,76; 0,28; 0,40; 0,63; 0,37; 0,52; 0,51; 0,46; 0,59; 0,45; 0,28; 0,31; 0,40;
0,53; 0,38; 0,54; 0,41; 0,53; 0,61; 0,52; 0,41; 0,39; 0,50; 0,48; 0,44; 0,58; 0,62;
0,37; 0,42; 0,54; 0,50; 0,59; 0,38; 0,43; 0,58; 0,52; 0,43; 0,43; 0,23; 0,66; 0,47;
0,40; 0,34; 0,54; 0,45; 0,58; 0,43; 0,66; 0,37; 0,63; 0,58; 0,52; 0,39; 0,49; 0,50;
0,34; 0,42; 0,53; 0,56; 0,58; 0,46; 0,57; 0,55; 0,58; 0,64; 0,55; 0,57; 0,52; 0,66;
0,38; 0,45; 0,56; 0,67; 0,63; 0,35; 0,44; 0,49; 0,41; 0,47; 0,62; 0,54; 0,45; 0,70;
0,59; 0,89; 0,56; 0,37; 0,41; 0,25; 0,42

68. Для статистического анализа были получены следующие результаты (в %):

7,551; 7,285; 7,222; 7,512; 7,487; 7,456; 7,276; 7,146; 7,383; 7,211; 7,498;
7,320; 7,550; 7,489; 7,219; 7,530; 7,289; 7,387; 7,278; 7,525; 7,457; 7,694;
7,563; 7,534; 7,561; 7,333; 7,062; 7,400; 7,432; 7,249; 7,329; 7,404; 7,455;
7,291; 7,515; 7,366; 7,562; 7,512; 7,527; 7,294; 7,613; 7,470; 7,527; 7,415;
7,347; 7,427; 7,538; 7,376; 7,301; 7,402; 7,272; 7,525; 7,436; 7,314; 7,513;
7,474; 7,291; 7,424; 7,265; 7,460; 7,318; 7,424; 7,541; 7,485; 7,573; 7,315;
7,357; 7,193; 7,280; 7,328; 7,447; 7,704; 7,559; 7,450; 7,439; 7,588; 7,372;
7,562; 7,609; 7,537; 7,347; 7,679; 7,489; 7,554; 7,393; 7,438; 7,411; 7,380;
7,441; 7,584; 7,405; 7,518; 7,302; 7,674; 7,142; 7,680; 7,481; 7,521; 7,530;
7,366; 7,364; 7,427; 7,433; 7,453; 7,291; 7,276; 7,394; 7,380; 7,432; 7,355.

69. Для статистического анализа были получены следующие результаты (в г):

29,7; 23,4; 26,9; 40,8; 26,8; 21,6; 26,1; 22,0; 41,3; 29,2; 26,2; 18,3; 33,5;
30,8; 23,4; 36,0; 37,8; 18,7; 34,6; 35,4; 20,6; 29,0; 35,8; 19,0; 30,9; 21,4; 14,4;
28,5; 40,7; 35,8; 20,9; 38,1; 29,0; 32,6; 22,6; 39,6; 22,3; 34,3; 48,9; 33,7; 30,1;
41,2; 31,9; 32,6; 26,9; 29,5; 24,0; 17,6; 38,6; 19,5; 42,5; 32,4; 20,0; 39,9; 31,1;
34,3; 22,8; 50,1; 30,5; 25,8; 30,6; 37,0; 29,8; 41,1; 25,9; 34,0; 27,1; 36,4; 32,0;
26,9; 30,3; 22,4; 16,6; 16,2; 47,8; 44,4; 20,5; 39,2; 16,4; 23,9; 20,6; 35,0; 36,1;
50
39,0; 29,2; 19,1; 36,1; 43,1; 38,0; 17,7; 22,5; 19,4; 40,9; 21,2; 27,4; 25,7; 26,6;
30,1; 28,4; 34,3; 32,3; 19,9; 25,0; 24,3; 25,1; 29,3; 27,3; 33,0; 24,1; 25,2; 29,4;
29,8; 20,5; 29,4; 36,7; 15,8; 30,2; 38,6; 33,3; 28,7; 40,2; 28,5; 24,2; 33,3; 26,5;
33,9; 19,2; 35,2; 27,9; 10.

70. Для статистического анализа были получены следующие результаты (в %):

36,97; 37,99; 38,17; 38,18; 38,03; 38,60; 38,17; 38,93; 37,21; 37,46; 38,11;
36,94; 37,75; 38,89; 37,76; 39,64; 39,57; 38,95; 37,19; 38,46; 36,35; 37,33; 37,78;
37,89; 37,69; 38,58; 38,58; 38,55; 38,34; 37,56; 36,65; 38,14; 38,41; 38,20; 37,22;
38,87; 37,43; 38,02; 37,02; 37,90; 37,58; 36,58; 37,20; 37,83; 39,56; 37,82; 37,98;
38,26; 39,10; 39,27; 37,15; 38,25; 37,91; 37,60; 39,07; 37,63; 37,09; 37,61; 38,16;
37,42; 38,27; 38,69; 38,61; 38,87; 37,51; 37,59; 37,95; 38,09; 38,01; 38,99; 38,06;
38,61; 37,84; 37,25; 38,21; 38,00; 38,65; 37,33; 37,25; 38,56; 38,15; 38,08; 38,56;
38,26; 38,60; 38,57; 39,19; 38,52; 39,09; 38,22; 38,36; 38,64; 37,09; 37,87; 37,45;
37,79; 37,88; 37,91; 38,78; 38,17; 37,96; 39,05; 38,34; 37,81; 39,08; 39,14; 37,31;
38,60.

22. ПРИМЕР ВЫПОЛНЕНИЯ ЗАДАНИЙ 61-70

В лабораторной работе по физике «Определение вязкости жидкости

методом Стокса», проводимой со студентами строительной академии,
используется свинцовая дробь. Для изучения распределения массы дробинок (в
миллиграммах) была образована следующая выборка:

17, 49, 79, 44, 82, 65, 109, 77, 107, 88, 62, 64, 79, 55, 44, 53, 140, 50, 67, 85, 64,
94, 41, 38, 62, 77, 154, 52, 56, 80, 49, 80, 79, 52, 65, 52, 127, 49, 73, 43, 95, 65,
83, 85, 111, 95, 112, 64, 94, 86, 34, 62, 101, 67, 59, 103, 67, 47, 65, 79, 64, 77, 32,
68, 145, 56, 172, 79, 67, 53, 35, 79, 70, 88, 137, 49, 125, 37, 65, 71, 35, 50, 37,
171, 139, 88, 137, 71, 77, 34, 62, 64, 79, 95, 124, 50, 127, 67, 67, 82, 14, 136, 76,
122, 82, 67, 111, 67, 70, 94, 73, 95, 94, 65, 80, 94, 160, 140, 95, 89, 65, 79, 80,
112, 35, 80, 109, 148, 127, 124, 68, 49, 70, 125, 88, 77, 119, 64, 148, 71.
 51
По выборке объёма n = 140 составьте интервальный ряд распределения.
Количество интервалов найдите по формуле Стерджесса, ширину интервала
округлите до 10 мг (в большую сторону), левую границу первого интервала
также округлите до 10 мг (в меньшую сторону). Постройте гистограмму
относительных частот и кумулятивную кривую.

Решение. Из приведённых данных видно, что массы дробинок лежат в

диапазоне от 14 до 172 мг. По формуле Стерджесса находим количество
интервалов:

k = 1 + 3,322lgn = 1 + 3,322lg140 = 1 + 3,3222,146 = 8,129.

Округляем (в большую сторону): k = 9. Находим ширину интервалов:

R x max  xmin 172  14 158

x      17,6 .
k k 9 9

В соответствии с условием задачи округляем это значение до 20 мг (с

точностью до 10 мг в большую сторону). В качестве левой границы первого
интервала выбираем значение 10 мг (округлив в меньшую сторону самое
маленькое значение xmin = 14 мг).
Разбиваем диапазон данных на интервалы равной ширины. Находим
абсолютные частоты для всех интервалов (подсчитываем, сколько значений
массы дробинок попадает в каждый промежуток). Заносим данные в таблицу 1.
mi
Рассчитываем по формуле wi  значения относительных частот и по
n
формуле F  ( x)   wi значения эмпирической функции распределения
xi  x

(накопленные частоты).
52
Таблица 6
Интервал 10-30 30-50 50-70 70-90 90-110 110- 130- 150- 170-190
(мг) xi
130 150 170
Абсолютная 2 19 42 36 15 13 9 2 2
частота mi

Относительная 0,0143 0,1357 0,3000 0,2571 0,1071 0,0929 0,0643 0,0143 0,0143
частота wi
Эмпирическая 0,0143 0,1500 0,4500 0,7071 0,8143 0,9071 0,9714 0,9857 1,0000
функция
распределения
F*(x)

Строим гистограмму относительных частот (рис. 1) и кумуляту (рис. 2).

w*
0,3

0,2

0,1
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190
x, мг

Рис. 1

F*(x)

1,0

0,8

0,6

0,4

0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190
x, мг
Рис. 2
 53
После этого по формуле (2) вычисляем среднее выборочное массы
дробинок:

1 k 1
x 
n i 1
xi mi 
140
(20  2  40  19  60  42  80  36  100  15  120  13 

 140  9  160  2  180  2)  80,0 мг .

(в качестве значения массы xi взята середина соответствующего интервала).

Определяем выборочную дисперсию и выборочное среднее
квадратическое отклонение по приведенным в данном параграфе формулам:
1 k 1
Dв  
n i 1
mi ( xi  x ) 2 
140
[2  (20  80,0) 2  19  (40  80,0) 2 

 42  (20  80,0) 2  36  (80  80,0) 2  15  (100  80,0) 2  13  (120  80,0) 2 

 9  (140  80,0) 2  2  (160  80,0) 2  2  (180  80,0) 2 ]  1045,7 мг 2 ,

 в  Dв  1045,7  32,34 мг .

23. ЗАДАНИЯ 71-80

С целью изучения статистического признака Х проведено исследование.

Результаты представлены в таблице. Определить:
1) коэффициент вариации;
2) моду признака Х (аналитически и графически);
3) медиану признака Х (аналитически и графически).

71. Распределение рабочих цеха по возрасту.

Возраст (X), 17 - 20 20 - 30 30 - 40 40 - 50 50 - 59 всего

годы
Количество рабочих 29 40 14 11 6 100
54
72. Распределение рабочих по стажу работы.
Стаж работы (X),
годы до 5 5-10 10-15 15-20 20-25 25-30 св. 30 всего
Количество рабочих 11 19 40 25 15 6 4 120

73. Распределение студентов по росту.

Рост (X) в до 164-168 168-172 172-176 176-180 180-184
(см) 164 св. 184 всего
Количество 12 18 22 31 27 22 8 140

74. Распределение рабочих цеха по уровню зарплаты.

Зар. пл. (X), 100-110 110-120 120-130 130-140 140-150 150-160 160-170
(у.е.) всего
Количество 5 10 20 25 20 15 5 100
рабочих

75. Распределение рабочих механического завода по общему стажу работы.

Общий стаж до 5 5-10 10-15 15-20 20-25 25 и итого
(лет) более
Количество 35 25 15 11 9 5 100
рабочих

76. Распределение рабочих цеха по производительности труда.

Производите
льность до 100 100-102 102-104 104-106 106-108 св. 108 итого
труда (%)
Количество 11 21 37 24 5 2 100
рабочих

77. Распределение рабочих по уровню зарплаты.

Зарплата (у.е.) до 100 100- 120- 140- 160- 180- св. 200 итого
120 140 160 180 200
Количество рабочих 7 13 20 40 34 26 10 150
 55
78. Распределение рабочих по выработке изделий за смену.

Количество до 60 60-70 70-80 80-90 90-100 итого

изделий, (шт.)
Количество 10 20 50 15 5 100
рабочих

79. Распределение рабочих по возрасту.

Возраст, (годы) 18-20 20-30 30-40 40-50 50-60 св. 60 итого

Количество рабочих 3 18 42 25 7 5 100

80. Распределение рабочих по уровню зарплаты.

Зарплата, (у.е.) до 150 150-160 160-170 170-180 180-190 190-200 св. 200 итого
Количество 11 14 23 37 15 12 8 120
рабочих

24. ПРИМЕР ВЫПОЛНЕНИЯ ЗАДАНИЙ 71-80

Распределение рабочих предприятия по уровню зарплаты.

Зарплата (у.е.), до 150 150-170 170-190 190-210 210-230 св.230 итого

xi
Число рабочих
(чел.), ni 11 14 25 40 17 13 120

Решение. Основной характеристикой вариационного ряда является

среднее значение (среднее арифметическое взвешенное) x. Среднее значение
находится по формуле:

x
 xi ni .
n
Для интервальных рядов в качестве значений вариант берутся середины
интервалов. Найдем среднее значение для вышеуказанного ряда. В качестве x1
56
берется значение 140 у.е. (первый интервал считается 130-150), x6 = 240 у.е.
140 11  160 14  180  25  200  40  220 17  240  30
x 
120
23140
  192,83 ( у.е.)
120
Средняя зарплата на данном предприятии 192,83 у.е. Выборки, имеющие
одинаковые средние могут значительно отличаться друг от друга по степени
разброса (вариации). Для оценки вариации применяется дисперсия:

Dв 
 2
x i ni
 x   x 2  x  .
2 2

Вычислим дисперсию для приведенного распределения

140 2  11  160 2  14  1802  25  2002  40  2202  17  2402  13

Dв  
120
4555600
 192,83 
2
 192,432  778,64.
120

Среднее квадратическое отклонение:   Dв .

В рассматриваемом примере   778,64  27,90 ( у.е.)

Для проверки однородности выборки применяется коэффициент вариации:


V  100% .
x

В тех случаях, когда V  20%, выборку можно считать однородной.

27,90
Для примера V   100%  14,50%.
192,43

Вышеприведенную выборку можно считать однородной.

Модой распределения называется наиболее часто встречающаяся
варианта. Для интервального ряда мода находится по формуле:
nMo  nMo1
Mo  x Mo  h ,
nMo  nMo1  nMo  nMo1
 57
где x Mo  начало модального интервала, т.е. интервала, имеющего
наибольшую частоту, h  длина модального интервала, nMo1  частота
предмодального интервала, nMo1  частота послемодального интервала.
В рассматриваемом примере модальный интервал 190  210 грн,
x Mo  190, nMo  40, nMo1  25, nMo1  17, h  20.

40  25
Mo  190  20   197,89 ( у.е.)
40  25  40  17

На рассматриваемом предприятии наиболее часто встречается зарплата

197,89 у.е.
Графически мода находится с помощью гистограммы. Модальным
является наибольший прямоугольник.

40

25

17
14
13
11
X

130 150 170 190 210 230 250

Медианой называется варианта, делящая вариационный ряд пополам, т.е.

количество вариант, меньших медианы и больших медианы, равны между
собой. Для нахождения медианы необходимо понятие накопленной частоты.
Накопленной частотой S  x  называется сумма вариант, меньших x.
Для указанного распределения напишем накопленные частоты:
58
130-
xi 150-170 170-190 190-210 210-230 230-250
150

ni 11 14 25 40 17 13

Si 11 11+14=25 11+14+25=50 50+40=90 90+17 =107 107+13=120

Медианным называется интервал, в котором накопленная частота

n
впервые принимает половину объема выборки  60. в примере медианный
2
интервал 190  210 у.е. Формула вычисления медианы

n
 S Me1
Me  x Me  h 2 ,
nMe

где x Me  начало медианного интервала, h  длина медианного интервала,

nMe  частота медианного интервала, S Me1  накопленная частота
120
 50
предмодального интервала. В примере: Me  190  20  2  195 (у.е.)
40
Количество рабочих с зарплатой менее 195 у.е. и более равны между
собой.
Графически медиана находится из графика:

S
130
120 *
110
*
100
90 *
80
70
60 *
50 *
40
30
*
20
10 *
X
0 *
120 140 160 180 200 220 240 260
 59
25. ОСНОВНЫЕ РАСПРЕДЕЛЕНИЯ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ

РАСПРЕДЕЛЕНИЕ ХИ – КВАДРАТ 2

Пусть X k , k  1,...n - набор из n независимых одинаково распределенных

n
случайных величин. Тогда случайная величина X n   X k2 имеет
k 1

распределение  2 (хи - квадрат) с n степенями свободы и обозначается

Х n ~  2 n  .

РАСПРЕДЕЛЕНИЕ СТЬЮДЕНТА

Пусть U и X n - независимые случайные величины. U имеет нормальное

распределение с параметрами 0 и 1, т.е. U ~ N 0;1 , Х n ~  2 n  . Тогда

U
случайная величина Tn  имеет распределение Стьюдента с n
Xn n

степенями свободы и обозначается Tn ~ S n  .

РАСПРЕДЕЛЕНИЕ ФИШЕРА

Пусть X n и X m - независимые случайные величины, имеют  2 -

распределение соотвественно с n и m степенями свободы. Тогда случайная
Xn n
величина Fn  имеет распределение Фишера с n и m степенями
Xm m
свободы и обозначается Fn ~ F n, m  .
60

26. СТАТИСТИЧЕСКИЕ ОЦЕНКИ ПАРАМЕТРОВ РАСПРЕДЕЛЕНИЯ. МЕТОД

МОМЕНТОВ ОЦЕНКИ ПАРАМЕТРОВ

Пусть х1 , х2 ,..., хn - выборка из теоретического распределения F  x |   ,

зависящего от неизвестного параметра  .

Оценкой (статистикой) ˆn неизвестного параметра  называется любая

борелевская функция от наблюдаемых случайных величин.

Оценка ˆn неизвестного параметра  называется несмещенной, если ее

математическое ожидание равно оцениваемому параметру, т. е. Мˆn   .

В противном случае оценка называется смещенной.

Можно показать, что выборочное среднее х является несмещенной оценкой

теоретического математического ожидания, а выборочная дисперсия S 2
является смещенной оценкой теоретической дисперсии. Исправленная
выборочная дисперсия

n
S2  S2
n 1

является несмещенной оценкой теоретической дисперсии.

Состоятельной называют статистическую оценку, которая при

неограниченном увеличении числа наблюдений стремится по вероятности к

оцениваемому параметру: lim P ˆn    1 .

n 

Можно показать, что оценки х , S 2 и S 2 являются состоятельными оценками

теоретического математического ожидания и теоретической дисперсии
соответственно.

Несмещенная оценка ˆn параметра называется эффективной, если она имеет

~
наименьшую дисперсию в классе несмещенных оценок, т. е. если  n –
 61
произвольная несмещенная оценка параметра, а ˆn – эффективная, то

   
~
D ˆn  D  n .

Рассмотрим основные методы получения оценок.

Метод моментов. Пусть имеется выборка х1 , х2 ,..., хn из распределения

F  x | 1 , 2 ... k  , зависящего от неизвестных параметров 1 , 2 ... k , которые
нужно оценить. Поскольку известен вид теоретической функции
распределения, можем вычислить первые k теоретических моментов
(начальных или центральных). Эти моменты будут зависеть от k неизвестных
параметров 1 , 2 ... k .

Суть метода моментов заключается в следующем: эмпирические моменты

являются оценками соответствующих теоретических моментов, поэтому
теоретические моменты m1 , m2 ,..., mk приравнивают к соответствующим

эмпирическим m1* , m2* ,..., mk* , а затем, решая систему относительно 1, 2 ... k ,
находят оценки неизвестных параметров.

Таким образом, в методе моментов оценки ˆ1 ,ˆ2 ,...,ˆk неизвестных параметров
1 , 2 ... k определяются как решение системы k уравнений с k неизвестными:

  
m1*  m1 1 , 2 ,..., k , 

 *
  
m2  m2 1 , 2 ,..., k , 


.............................,
 2 
m*  m  , ,..., .
2 1 2 k

В таблице 7 приведены формулы для вычисления эмпирических и

соответствующих им теоретических моментов порядка k.
62
Таблица 7 – Эмпирические и теоретические моменты

Моменты Теоретические Эмпирические

Начальные  k  MX k  1
xв   ni xik
n

Центральные  k  M  X  MX k ~ 1  k
S   ni  xi  xв 
n

Метод максимального правдоподобия. Пусть имеется выборка х1 , х2 ,..., хn -

выборка из теоретического распределения F  x | 1 , 2 ,..., k  , зависящего от
неизвестных параметров 1 , 2 ,..., k которые нужно оценить.
Основу метода составляет функция правдоподобия:

L x1 , x2 ,..., xn ;   p x1 ,  p x2 , ... p xn ,  .

В дискретном случае функция p xi ,  выражает вероятность того, что

теоретическая случайная величина примет значение xi , i  1,..., n.

В абсолютно непрерывном случае функция p xi ,  – значение теоретической

плотности распределения вероятностей в точке xi , i  1,..., n.

Согласно методу максимального правдоподобия в качестве оценки
неизвестных параметров 1 , 2 ,..., k принимаются такие значения ˆ1 ,ˆ2 ,...,ˆk ,
которые максимизируют функцию правдоподобия.
Нахождение оценок может упрощаться, если максимизировать не саму
функцию L, а ln L .

27. ЗАДАНИЯ 81 – 90

Выборка представлена интервалами и частотами попаданий в эти

интервалы. Найти середины интервалов и частости. Допуская, что генеральная
совокупность имеет нормальный закон распределения
 63
( х а ) 2
1 
f ( x)  е 2 2 ,
 2
1) оценить методом моментов параметры а и  ;
2) сравнив результаты графически, построить на одном рисунке гистограмму
частостей и соответствующую кривую плотности распределения.
81.
Интервал 2-2,75 2,75-3,5 3,5-4,25 4,25-5 5-5,75 5,75-6,5 6,5-7,25 7,25-8
Частота 2 8 15 26 25 13 10 1
82.
Интервал 2-2,75 2,75-3,5 3,5-4,25 4,25-5 5-5,75 5,75-6,5 6,5-7,25 7,25-8
Частота 1 3 19 25 21 21 5 5
83.
Интервал 2-2,875 2,875- 3,75-4,625 4,625- 5,5- 6,375- 7,25- 8,125-
3,75 5,5 6,375 7,25 8,125 9
Частота 0 8 13 33 28 14 3 1
84.
Интервал 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10
Частота 1 5 21 33 26 10 3 1
85.
Интервал 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9
Частота 1 1 9 32 24 22 8 3
86.
Интервал 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10
Частота 3 7 29 33 20 7 0 1
87.
Интервал 2-2,875 2,875- 3,75- 4,625- 5,5- 6,375- 7,25- 8,125-9
3,75 4,625 5,5 6,375 7,25 8,125
Частота 2 7 16 19 23 20 5 2
88.
Интервал 2-2,75 2,75-3,5 3,5-4,25 4,25-5 5-5,75 5,75-6,5 6,5-7,25 7,25-8
Частота 2 2 5 17 31 21 16 6
64
89.
Интервал 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10
Частота 1 6 16 37 27 12 0 1
90.
Интервал 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10
Частота 2 3 11 34 27 17 5 1

28. ПРИМЕР ВЫПОЛНЕНИЯ ЗАДАНИЙ 81-90

Случайная величина Х (отклонение контролируемого размера изделия  от

номинала) подчинена нормальному закону распределения с неизвестными
параметрами а и  . Ниже приведено эмпирическое распределение отклонения
от номинала n  200 изделий (в первой строке указано отклонение xi (мм), во
второй строке приведена частота ni - количество изделий, имеющих отклонение
xi ):
Таблица 8
xi 0,3 0,5 0,7 0,9 1,1 1,3 1,5 1,7 1,9 2,1 2,3
ni 6 9 26 25 30 26 21 24 20 8 5

Методом моментов найти точечные оценки неизвестных параметров а и 

нормального распределения.

Решение. Найдем начальный эмпирический момент первого порядка и

центральный эмпирический момент второго порядка. Согласно формулам из
таблицы 7:

 1 1
xв   xi ni  0,3  6  0,5  9  0,7  26  0,9  25  1,1  30  1,3  26 
n 200

 1,5  21  1,7  24  1,9  20  2,1  8  2,3  5)  1,262.

Эмпирический момент второго порядка – это выборочная дисперсия, которую
рассчитаем по формуле:
 65
1  2
Dв   ni xi2   xв  .
n
Таким образом,

Dв 
1
200

0,32  6  0,5 2  9  0,7 2  26  0,9 2  25  1,12  30  1,32  26 

 1,52  21  1,7 2  24  1,92  20  2,12  8  2,32  5)  1,262  0,24.

2

Составляем систему уравнений:


 M ( X )  xв ,

 D( X )  Dв .

В нашем случае

а  x в ,
 2
  Dв .

Таким образом, а  1,262 ,  2  0,24.

Точечные оценки неизвестных параметров а и  нормального распределения

а  1,262 ,   0,24  0,49.
Плотность нашего распределения имеет вид:


 x  a 2 
 x 1, 262 2
1 1
f x   e 2 2  e 0, 48
.
 2 0,49 2

Чтобы убедиться в правильности нашего решения, подставим в полученную

формулу значения х и найдем значения f  x  :
Таблица 9
xi 0,3 0,5 0,7 0,9 1,1 1,3 1,5 1,7 1,9 2,1 2,3
f x  0,32 0,45 0,59 0,71 0,79 0,81 0,77 0,67 0,54 0,40 0,28

Построим гистограмму относительных частот и график полученной

функции распределения:
66
0,9

0,8

0,7

0,6

0,5

0,4

0,3

0,2

0,1

0
1 2 3 4 5 6 7 8 9 10 11

29. ИНТЕРВАЛЬНЫЕ ОЦЕНКИ ПАРАМЕТРОВ РАСПРЕДЕЛЕНИЯ

Наряду с точечными оценками (которые определяются одним числом и

были рассмотрены выше) в математической статистике используются и
интервальные оценки параметров распределения (они определяются двумя
числами – концами интервала).
Для математического ожидания нормально распределённой случайной
величины доверительный интервал равен ( х   , х   ) , полуширина интервала с
доверительной вероятностью (надёжностью)  вычисляется по формуле

s
  s x t  t ,
n

где параметр t при известной дисперсии распределения или при большом

объёме выборки находится из таблицы функции Лапласа (Приложение 2) по
уравнению (t) = 0,5, а при малой выборке и неизвестной дисперсии – из
распределения Стьюдента, при этом число степеней свободы данного
распределения f = n – 1, уровень значимости  = 1 – .

30. ЗАДАНИЯ 91 – 100

На основании данных заданий 61-70 при доверительной вероятности  =

0,95 определите доверительный интервал для генеральной средней.
 67
31. ПРИМЕР ВЫПОЛНЕНИЯ ЗАДАНИЙ 91-100

Полуширина доверительного интервала для математического ожидания

равна
в 32,34
  t  1,96   5,36 мг ,
n 140
где коэффициент t взят из таблицы функции Лапласа из условия Ф(t) =
0,5 = 0,5·0,95 = 0,475. Тогда, с вероятностью  = 0,95, генеральное среднее
массы дробинок лежит в интервале x = (80,0  5,4) мг или 74,6  x  85,4 мг.

32. ЗАДАНИЯ 101 - 110

Из партии в N образцов бетона путем бесповторной выборки отобрано n

образцов. Измерения прочности отобранных деталей дали выборочное среднее
x МПа и выборочное среднее квадратическое отклонение  МПа.
Некондиционными признано m образцов. С вероятностью  найти:
1.Доверительный интервал для генеральной средней ~
x.
2.Доверительный интервал для генеральной доли некондиционных изделий p .

N  1000 n  100 x  50  1   0,95 m  10

101

N  2000 n  400 x  100   1,5   0,954 m  30

102

N  1500 n  200 x  40   0,8   0,99 m  20

103

N  2500 n  300 x  70   1,2   0,95 m  15

104

N  1200 n  200 x  45  1   0,954 m  30

105

N  2500 n  300 x  120  2   0,99 m  30

106

N  1800 n  200 x  75   1,5   0,95 m  20

107
68

N  1500 n  300 x  150  2   0,954 m  15

108

N  2000 n  400 x  80  1   0,99 m  20

109

N  1000 n  200 x  90   1,3   0,954 m  30

110

33. ПРИМЕР ВЫПОЛНЕНИЯ ЗАДАНИЙ 101-110

Из 1000 образцов бетона для контроля прочности бесповторным путем

отобрали 200 образцов. Изучение выборочной совокупности дало величину
выборочной средней x  50 МПа и выборочное среднее квадратическое
отклонение   2 МПа. Двадцать образцов признано некондиционными (не
соответствующими стандартам качества).
Найти:
а) с вероятностью 0,95 доверительный интервал для генеральной средней;
б) с вероятностью 0,954 долю некондиционных изделий в генеральной
совокупности.
Решение.
а) По условию, N  1000 , n  200, x  50мм,   2мм,   0,95 .
Доверительный интервал для генеральной средней имеет границы:
x   ~x  x ,
x x

где  x - предельная ошибка для бесповторной выборки

2  n
 x  t x  t 1   .
n  N

Параметр t определяется из равенства 2 t    , или  t   . По
2
таблице функции Лапласа находят аргумент t , которому соответствует

значение функции Лапласа, равное .
2
 69
В нашем примере t  1,96 .

2  n 4  200 
 x  t x  t 1    2  1    0,248 (МПа).
n  N 200  1000 
Тогда доверительный интервал для нашего примера:
50  0,248  ~
x  50  0,248 ;
49,752  ~
x  50,248 .
С вероятностью 0,95 (в строительстве применяют термин надежность)
генеральная средняя прочности бетона находится от 49,752 МПа до
50,248 МПа, т.е. с надежностью 0,95 прочность образцов лежит в найденном
интервале. На практике при вычислении доверительного интервала для
прочности используется нижняя граница интервала, т.к. нас интересует
большая прочность. Тогда прочность образцов будет больше, чем x   x , с
вероятностью (1   ) / 2 .
В нашей задаче прочность будет больше, чем 49,752, с вероятностью 0,025.
б)   0,95, t  1,96 . Выборочная доля некондиционных изделий
m 20
W   0,1 .
n 200
Предельная ошибка для генеральной доли
W 1  W   n 0,1  0,9  200 
 p  t p  t 1    2  1    0,0372.
n  N 200  1000 
W   p  p  W   p , 0,1  0,0372  p  0,1  0,0372,
0,0628  p  0,1372.
С вероятностью 0,95 доля некондиционных изделий во всей партии составляет
от 6,28% до 13,72%.

34. ПРОВЕРКА ГИПОТЕЗ О ВИДЕ РАСПРЕДЕЛЕНИЯ

На основе собранных в статистических исследованиях данных после их

обработки делаются выводы об изучаемых явлениях. Эти выводы делаются
путём выдвижения и проверки статистических гипотез.
70
Статистической гипотезой называется любое утверждение о виде или
свойствах распределения наблюдаемых в эксперименте случайных величин.
Статистические гипотезы проверяются статистическими методами.
Проверяемая гипотеза называется основной (нулевой) и обозначается Н0.
Кроме нулевой выдвигается ещё и альтернативная (конкурирующая) гипотеза
Н1, отрицающая основную. Таким образом, в результате проверки будет принята
одна и только одна из гипотез, а вторая будет отвергнута.
Выдвинутая гипотеза проверяется на основании исследования выборки,
полученной из генеральной совокупности. Из-за случайности выборки в
результате проверки не всегда делается правильный вывод. При этом могут
возникать следующие ситуации:
1. Основная гипотеза верна и она принимается.
2. Основная гипотеза верна, но она отвергается.
3. Основная гипотеза не верна и она отвергается.
4. Основная гипотеза не верна, но она принимается.
В случае 2 говорят об ошибке первого рода, в последнем случае речь идёт
об ошибке второго рода.
Таким образом, по одним выборкам принимается правильное решение, а
по другим – неправильное. Решение принимается по значению некоторой
функции выборки, называемой статистической характеристикой,
статистическим критерием или просто статистикой. Множество значений
этой статистики можно разделить на два непересекающихся подмножества:
 подмножество значений статистики, при которых гипотеза Н0
принимается (не отклоняется), называется областью принятия
гипотезы (допустимой областью);
 подмножество значений статистики, при которых гипотеза Н0
отвергается (отклоняется) и принимается гипотеза Н1, называется
критической областью.
Основная гипотеза Н0 о значении неизвестного параметра  распределения
 71
обычно выглядит так:
Н0:  = 0.
Конкурирующая гипотеза Н1 может при этом иметь следующий вид:
Н1:  < 0, Н1:  > 0 или Н1:   0.
Соответственно получается левосторонняя, правосторонняя или двусторонняя
критические области. Граничные точки критических областей (критические
точки) определяют по таблицам распределения соответствующей статистики.
При проверке гипотезы разумно уменьшить вероятность принятия
неправильных решений. Допустимая вероятность ошибки первого рода
обозначается обычно  и называется уровнем значимости. Его значение, как
правило, мало (0,1, 0,05, 0,01, 0,001…). Но уменьшение вероятности ошибки
первого рода приводит к увеличению вероятности ошибки второго рода (  ),
т.е. стремление принимать только верные гипотезы вызывает
возрастание числа отброшенных правильных гипотез. Поэтому выбор
уровня значимости определяется важностью поставленной проблемы и
тяжестью последствий неверно принятого решения.
Проверка статистической гипотезы состоит из следующих этапов:
1) определение гипотез Н0 и Н1;
2) выбор статистики и задание уровня значимости;
3) определение критических точек Ккр и критической области;
4) вычисление по выборке значения статистики Кэкс;
5) сравнение значения статистики с критической областью (Ккр и Кэкс);
6) принятие решения: если значение статистики не входит в критическую
область, то принимается гипотеза Н0 и отвергается гипотеза H1, а если
входит в критическую область, то отвергается гипотеза Н0 и
принимается гипотеза Н1. При этом, результаты проверки
статистической гипотезы нужно интерпретировать так: если приняли
гипотезу Н1, то можно считать её доказанной, а если приняли гипотезу
Н0, то признали, что она не противоречит результатам наблюдений.
72
Однако этим свойством наряду с Н0 могут обладать и другие
гипотезы.

На основании выборки из генеральной совокупности или из каких-то

иных соображений выдвигается нулевая гипотеза о конкретном распределении
генеральной совокупности, выраженной через функцию распределения F(x). Это
распределение назовём теоретическим.
По выборке находится эмпирическая функция распределения F*(x). Гипотеза
Н0 о распределении генеральной совокупности принимается, если эмпирическое
распределение хорошо согласуется с теоретическим.

35. ЗАДАНИЯ 111-120

На основании данных заданий 61-70 проверьте гипотезу о нормальном

распределении по данной выборке. Уровень значимости  = 0,05.

36. ПРИМЕР ВЫПОЛНЕНИЯ ЗАДАНИЙ 111 – 120

Проверим гипотезу о том, что распределение масс является нормальным.

Выдвинем основную и альтернативную гипотезы:
H0: распределение масс является нормальным;
H1: распределение масс не является нормальным.
Прежде всего, объединяем крайние интервалы с соседними (см.
таблицу 1), т.к. их эмпирические частоты mi меньше 4. Данные заносим в
таблицу 2 (столбец mi), причём первый интервал начинаем с –, а последний
интервал заканчиваем +.
Считая, что данное распределение является нормальным с математическим
ожиданием 80,0 мг и средним квадратическим отклонением 32,34 мг, при
помощи таблицы значений функции Лапласа (приведены в приложениях)
вычисляем вероятности попадания в соответствующий интервал pi:
 73
 50  80,0 
P(;50)            0,93  (0,5)  0,3238  0,5  0,1762 ;
 32,34 

 70  80   50  80 
P(50;70)          0,31  (0,3238) 
 32,34   32,34 
 0,1217  0,3238  0,2021;
 90  80   70  80 
P(70;90)         0,31  (0,1217) 
 32,34   32,34 
 0,1217  0,1217  0,2434;

 110  80   90  80 
P(90;110)        0,93  0,1217 
 32,34   32,34 
 0,3238  0,1217  0,2021;

 130  80   110  80 
P(110;130)        1,55  0,3238 
 32,34   32,34 
 0,4394  0,3238  0,1156;

 150  80   130  80 
P(130;150)         2,16   0,4394 
 32,34   32,34 
 0,4846  0,4394  0,0452;

 150  80,0 
P(150;)          0,5  0,4846  0,0154 .
 32 ,34 
Умножаем эти вероятности на объём выборки (n = 140) и получаем
теоретические частоты (mi’).
Заполняем два оставшихся столбца и находим суммы по столбцам.
Таблица 10
( mi  mi ' ) 2
Интервал, мг mi pi mi’ mi – mi’
mi '

(–, 50) 21 0,1762 24,67 -3,67 0,55

(50, 70) 42 0,2021 28,29 13,71 6,64
(70, 90) 36 0,2434 34,08 1,92 0,11
(90, 110) 15 0,2021 28,29 -13,29 6,25
(110, 130) 13 0,1156 16,18 -3,18 0,63
74
( mi  mi ' ) 2
Интервал, мг mi pi mi’ mi – mi’
mi '

(130, 150) 9 0,0452 6,33 2,67 1,13

(150, +) 4 0,0154 2,16 1,84 1,58
 140 1 140 0 16,87

Последняя сумма соответствует искомому критерию  экс

2
 16,87 .
Данная выборка разбита на l = 7 интервалов. В нормальном распределении р =
2 подбираемых параметра (математическое ожидание и среднее квадратическое
отклонение). Поэтому число степеней свободы в данном случае k = l  p  1 = 7
 2  1 = 4. При уровне значимости  = 0,05 и найденному числу степеней
свободы из таблицы критических точек распределения 2 находим значение
критерия  кр2  9,5 (смотрите в приложениях).

Т.к.  экс
2
  кр2 , то нулевая гипотеза отвергается: распределение не является

нормальным.

37. ЗАДАНИЯ 121-130

По заданной выборке проверить гипотезу о виде распределения.

121. Для статистического анализа были получены следующие результаты:
2; 4; 5; 2; 4; 3; 6; 3; 4; 4; 3; 4; 2; 2; 2; 4; 3; 3; 1; 2; 5; 2; 6; 5; 4; 4; 1; 3; 2; 4; 4; 2;
4; 5; 4; 3; 4; 4; 3; 5; 5; 1; 4; 4; 6; 2; 5; 5; 4; 0; 4; 5; 1; 4; 3; 4; 3; 3; 3; 4; 2; 4; 3; 5; 2;
1; 4; 4; 3; 4; 3; 2; 3; 1; 3; 1; 3; 3; 4; 5; 3; 3; 5; 4; 4; 5; 4; 6; 4; 2; 3; 5; 4; 3; 3; 3; 5; 4;
3; 4; 2; 4; 3; 3; 4; 4; 4; 3; 5; 4; 5; 6; 4; 4; 6; 3; 3; 4; 3; 1; 2; 5; 5; 5; 2; 4; 2; 4; 2; 2; 2;
5; 6; 4; 2; 3; 1; 5; 4; 5; 0; 3; 4; 3; 6; 4; 3; 1; 5; 4; 4; 5; 2; 2; 5; 3; 5; 5; 6; 4; 4; 3; 3; 4;
3; 5; 5; 3; 5; 2; 4; 4; 4; 2; 3; 3; 5; 5; 5; 4; 4; 4; 4; 2; 5; 3; 4; 3; 4; 3; 3; 3; 3; 4; 5; 4; 5;
5; 3; 2.
Проверьте гипотезу о биномиальном распределении по данной выборке.
Уровень значимости  = 0,1. Объем выборки n = 200.
 75
122. Для статистического анализа были получены следующие результаты:
2; 0; 2; 2; 4; 0; 2; 3; 2; 3; 7; 3; 0; 0; 3; 3; 1; 6; 3; 4; 5; 3; 4; 5; 3; 6; 4; 2; 4; 2; 3;
2; 2; 3; 3; 2; 3; 2; 2; 1; 4; 7; 3; 2; 5; 2; 3; 3; 0; 6; 3; 2; 2; 6; 5; 1; 2; 4; 5; 5; 3; 2; 1;
4; 3; 2; 1; 5; 1; 4; 2; 3; 4; 2; 6; 2; 4; 2; 5; 5; 5; 3; 3; 2; 1; 2; 0; 4; 5; 1; 2; 0; 1; 5; 1;
2; 3; 0; 2; 3; 2; 3; 2; 0; 2; 3; 0; 8; 4; 1; 2; 3; 8; 2; 6; 3; 5; 2; 0; 3; 2; 4; 3; 6; 6; 5; 2;
3; 1; 4; 6; 1; 4; 3; 5; 2; 3; 0; 3; 1; 1; 1; 2; 3; 5; 3; 5; 1; 3; 2.
Проверьте гипотезу о том, что данная выборка имеет распределение
Пуассона. Уровень значимости  = 0,05. Объем выборки n = 150.

123. Для статистического анализа были получены следующие результаты:

3; 3; 5; 3; 5; 4; 4; 2; 2; 4; 1; 2; 1; 1; 1; 1; 4; 5; 1; 2; 1; 2; 6; 2; 6; 5; 3; 1; 1;
1; 3; 5; 3; 5; 5; 6; 3; 2; 3; 5; 6; 1; 1; 1; 1; 3; 2; 2; 4; 3; 4; 1; 2; 5; 1; 2; 6; 3; 2; 4; 3;
4; 2; 6; 4; 5; 1; 1; 2; 3; 2; 2; 3; 1; 5; 6; 5; 4; 3; 5; 6; 3; 5; 3; 5; 3; 6; 3; 2; 6; 5; 6; 5;
1; 2; 1; 2; 6; 1; 6; 4; 4; 6; 6; 1; 4; 6; 3; 1; 1; 1; 3; 4; 2; 4; 6; 4; 5; 1; 3; 6; 4; 2; 4; 5;
1; 4; 2; 1; 5; 3; 1; 2; 5; 3; 1; 6; 6; 4; 4; 3; 5; 3; 5; 3; 4; 4; 3; 3; 5.
Проверьте гипотезу о равномерном дискретном распределении
рассматриваемой величины по данной выборке. Уровень значимости  = 0,05.
Объем выборки n = 150.

124. Для статистического анализа были получены следующие результаты:

7; 5; 6; 7; 6; 8; 7; 6; 8; 5; 7; 5; 6; 7; 6; 7; 8; 7; 4; 6; 6; 7; 5; 5; 7; 5; 7; 4; 5;
7; 6; 5; 4; 5; 5; 4; 5; 6; 5; 6; 6; 7; 3; 5; 5; 4; 7; 5; 6; 8; 8; 7; 6; 6; 7; 6; 3; 6; 7; 6; 4;
4; 7; 4; 7; 3; 6; 6; 7; 6; 5; 6; 5; 6; 4; 3; 7; 7; 2; 7; 6; 6; 7; 7; 5; 5; 6; 6; 5; 4; 6; 5; 3;
6; 8; 7; 5; 6; 7; 8; 6; 5; 7; 4; 4; 7; 8; 3; 7; 5; 7; 6; 4; 6; 5; 7; 5; 5; 6; 7; 7; 7; 6; 4; 6;
4; 5; 7; 8; 5; 5; 7; 5; 3; 5; 3; 5; 7; 5; 5; 1; 7; 5; 7; 7; 5; 6; 5; 3; 5; 3; 6; 3; 5; 6; 5; 7;
8; 5; 5; 8; 6; 6; 6; 8; 4; 4; 6; 6; 8; 7; 5; 6; 7; 6; 6; 6; 6; 6; 5; 8; 6; 4; 6; 7; 6; 7; 5; 3;
6; 7; 6; 6; 5; 6; 4; 6; 5; 4; 7; 6; 7; 7; 6; 5; 7; 5; 4; 7; 6; 3; 5; 5; 6; 5; 5; 8; 3; 5; 4.

Проверьте гипотезу о биномиальном распределении рассматриваемой

величины по данной выборке. Уровень значимости  = 0,1. Объем выборки n =
220.
76
125. 2; 4; 0; 3; 3; 5; 0; 6; 2; 2; 2; 3; 5; 1; 5; 1; 6; 4; 4; 4; 6; 6; 1; 7; 5; 3; 4; 0; 4;
5; 2; 4; 1; 2; 4; 8; 2; 3; 5; 3; 2; 1; 2; 2; 2; 5; 3; 5; 4; 6; 2; 6; 5; 4; 1; 2; 3; 4; 4; 4; 2; 6;
4; 3; 5; 1; 5; 5; 4; 4; 3; 3; 1; 2; 4; 2; 4; 4; 6; 4; 2; 6; 7; 4; 0; 7; 3; 6; 2; 5; 3; 7; 4; 1; 2;
5; 7; 4; 4; 3; 3; 4; 3; 2; 3; 2; 3; 3; 4; 2; 2; 3; 2; 2; 4; 0; 7; 2; 5; 0; 6; 4; 4; 4; 3; 6; 4; 1;
2; 1; 5; 5; 4; 2; 6; 3; 0; 5; 5; 1; 4; 3; 4; 3; 4; 4; 2; 1; 5; 2; 5; 5; 2; 8; 5; 3; 4; 3; 2; 4.
Проверьте гипотезу о том, что данная выборка имеет распределение
Пуассона. Уровень значимости  = 0,05. Объем выборки n = 160.

126. 5; 2; 5; 5; 3; 4; 1; 4; 4; 1; 1; 3; 1; 3; 2; 4; 1; 5; 2; 1; 2; 2; 3; 2; 1; 2; 1; 4; 1; 2;
5; 5; 1; 5; 4; 2; 2; 4; 4; 2; 4; 2; 5; 4; 1; 5; 5; 4; 5; 1; 4; 3; 2; 4; 1; 5; 4; 3; 1; 1; 4; 2; 4;
5; 4; 4; 5; 5; 1; 4; 4; 2; 5; 3; 4; 1; 5; 3; 2; 3; 4; 4; 5; 1; 5; 4; 5; 1; 4; 5; 1; 5; 2; 3; 5; 1;
2; 2; 2; 5; 5; 4; 1; 5; 4; 5; 2; 3; 1; 5; 2; 3; 5; 2; 5; 1; 4; 4; 2; 4.
Проверьте гипотезу о равномерном дискретном распределении
рассматриваемой величины по данной выборке. Уровень значимости  = 0,05.
Объем выборки n = 120.

127. 3; 4; 3; 4; 3; 4; 3; 5; 1; 4; 5; 5; 2; 4; 1; 4; 3; 2; 2; 4; 3; 3; 4; 5; 4; 1; 4; 4; 3; 3;
5; 5; 5; 4; 3; 3; 5; 2; 2; 4; 4; 2; 3; 4; 3; 3; 3; 2; 4; 2; 3; 4; 4; 4; 4; 4; 4; 4; 4; 4; 7; 4; 3;
5; 3; 4; 2; 4; 4; 4; 5; 3; 6; 5; 5; 5; 5; 4; 3; 3; 4; 4; 4; 4; 5; 4; 3; 5; 4; 4; 4; 5; 2; 4; 2; 4;
3; 2; 5; 4; 3; 1; 5; 3; 2; 5; 4; 2; 5; 6; 3; 4; 2; 2; 3; 3; 2; 4; 6; 3; 4; 2; 4; 3; 5; 5; 4; 2; 3;
4; 2; 3; 2; 4; 4; 2; 2; 4; 5; 4.
Проверьте гипотезу о биномиальном распределении рассматриваемой
величины по данной выборке. Уровень значимости  = 0,1. Объем выборки n =
140.

128. 4; 1; 3; 4; 3; 1; 0; 1; 1; 3; 1; 0; 0; 2; 4; 5; 3; 0; 2; 4; 0; 4; 0; 3; 1; 2; 4; 0; 3; 1;
3; 3; 3; 1; 2; 5; 1; 0; 3; 0; 1; 1; 1; 2; 2; 2; 1; 2; 2; 4; 6; 1; 4; 8; 4; 1; 3; 2; 1; 1; 0; 4; 3;
2; 3; 3; 3; 5; 1; 2; 4; 4; 0; 5; 1; 1; 2; 1; 0; 3; 1; 3; 4; 2; 4; 1; 1; 1; 1; 2; 0; 3; 4; 3; 2; 1;
4; 2; 3; 1; 1; 2; 3; 2; 2; 1; 4; 5; 3; 2; 3; 0; 2; 4; 1; 4; 1; 1; 0; 3; 2; 1; 2; 1; 4; 3; 0; 2; 4;
1; 2; 5; 4; 1; 0; 3; 1; 2; 3; 3; 4; 1; 3; 7; 1; 6; 3; 3; 2; 3; 0; 5; 2; 2; 2; 3; 4; 1; 1; 0; 3; 1;
2; 0; 2; 3; 6; 1; 1; 3; 2; 1; 3; 2; 2; 3; 1; 3; 3; 3.
 77
Проверьте гипотезу о том, что данная выборка имеет распределение
Пуассона. Уровень значимости  = 0,05. Объем выборки n = 180.

129. 5; 6; 8; 2; 4; 6; 2; 2; 1; 2; 3; 5; 7; 8; 6; 6; 4; 7; 7; 3; 7; 8; 4; 1; 7; 4; 1; 6; 5; 2;
5; 7; 8; 4; 5; 7; 7; 7; 2; 8; 7; 1; 6; 8; 3; 3; 6; 5; 5; 6; 4; 7; 3; 5; 3; 8; 7; 7; 6; 1; 3; 6; 8;
5; 1; 6; 7; 8; 1; 2; 7; 4; 8; 5; 4; 7; 8; 6; 3; 7; 3; 4; 8; 8; 8; 7; 5; 6; 3; 6; 6; 6; 2; 5; 1; 5;
5; 4; 7; 5; 6; 1; 8; 3; 6; 5; 5; 5; 7; 3; 4; 2; 3; 2; 5; 4; 1; 7; 6; 5; 8; 8; 4; 8; 2; 5; 3; 3; 4;
3; 8; 2; 1; 8; 6; 5; 3; 8; 3; 3; 3; 4; 8; 2; 2; 6; 6; 8; 4; 7; 2; 7; 1; 1; 1; 1; 4; 6; 2; 8; 1; 4;
4; 5; 8; 6; 2; 8; 3; 8; 1; 3; 3; 3; 3; 6; 6; 5; 6; 8; 6; 5; 3; 1; 6; 4; 1; 6; 7; 8; 3; 6; 8; 2; 4;
1; 6; 8; 8; 7.
Проверьте гипотезу о равномерном дискретном распределении
рассматриваемой величины по данной выборке. Уровень значимости  = 0,05.
Объем выборки n = 200.

130. 1; 3; 2; 3; 2; 3; 4; 0; 1; 3; 0; 2; 2; 6; 0; 3; 2; 3; 1; 1; 2; 2; 2; 2; 0; 8; 3; 3;
5; 0; 3; 3; 0; 2; 1; 1; 1; 2; 1; 0; 3; 0; 3; 1; 2; 0; 2; 2; 3; 2; 3; 2; 3; 3; 2; 2; 4; 1; 2; 1;
3; 2; 3; 4; 3; 0; 4; 2; 2; 6; 4; 2; 1; 2; 3; 4; 1; 1; 1; 5; 2; 1; 3; 4; 1; 3; 4; 1; 2; 2; 2; 0;
1; 1; 2; 3; 3; 5; 1; 2; 2; 3; 3; 5; 2; 4; 2; 4; 0; 5; 3; 1; 0; 3; 2; 3; 2; 4; 4; 3; 3; 4; 2; 4;
3; 0; 0; 1; 3; 1; 1; 1; 0; 1; 5; 2; 0; 3; 3; 4; 3; 3; 4; 3; 1; 5; 1; 1; 3; 0; 1; 1; 1; 1; 3; 2;
0; 3; 2; 5; 1; 3; 2; 1; 1; 0; 2; 1; 0; 2; 1; 4; 5; 4; 1; 0; 1; 4; 2; 2; 2; 0; 2; 4; 1; 2; 1; 0;
1; 2; 4; 1; 3; 1; 5; 2; 3; 1; 8; 1.

Проверьте гипотезу о том, что данная выборка имеет распределение

Пуассона. Уровень значимости  = 0,05. Объем выборки n = 200.

38. ПРИМЕРЫ ВЫПОЛНЕНИЯ ЗАДАНИЙ 121-130

Пример 1. На массовых соревнованиях спортсмены-стрелки производят

по 6 выстрелов. Ниже приведены их результаты (количество попаданий по
мишени): 6; 6; 3; 5; 4; 6; 6; 6; 6; 5; 6; 6; 4; 6; 4; 6; 5; 3; 4; 5; 3; 6; 4; 6; 6; 3; 4; 4; 5;
3; 4; 3; 4; 5; 4; 5; 6; 5; 5; 6; 5; 5; 6; 6; 6; 6; 5; 5; 6; 6; 4; 5; 5; 6; 6; 4; 5; 6; 6; 5; 4; 4;
4; 2; 4; 5; 4; 3; 4; 4; 5; 4; 5; 5; 5; 6; 6; 6; 4; 5; 4; 3; 5; 5; 6; 6; 4; 6; 4; 6; 5; 4; 5; 4; 5;
5; 4; 6; 5; 4; 4; 4; 5; 6; 5; 5; 2; 5; 6; 3; 6; 5; 4; 5; 6; 6; 4; 3; 5; 5; 4; 3; 2; 4; 4; 5; 5; 6;
78
5; 6; 6; 6; 5; 4; 6; 5; 4; 5; 5; 3; 5; 4; 6; 5; 5; 4; 4; 1; 6; 6; 5; 5; 4; 5; 5; 6; 3; 6; 6; 4.

Проверьте гипотезу о биномиальном распределении количества попаданий по

данной выборке. Уровень значимости  = 0,05.
Решение. Данная случайная величина (количество попаданий) принимает
значения от 1 до 6.
Находим абсолютные частоты для всех этих значений (подсчитываем,
сколько стрелков имеют 1, 2, 3, 4, 5 и 6 попаданий в мишень). Заносим данные
mi
в таблицу 3. Рассчитываем по формуле wi  значения относительных частот
n
и по формуле F  ( x)   wi значения эмпирической функции распределения
xi  x

(накопленные частоты).
Таблица 11
xi 1 2 3 4 5 6
Абсолютная частота mi 1 3 13 42 52 49
Относительная частота 0,00625 0,01875 0,08125 0,2625 0,325 0,30625
wi
Эмпирическая функция
0,00625 0,025 0,10625 0,36875 0,69375 1
распределения F*(x)

После этого вычисляем среднее выборочное числа попаданий:

1 k 1
x   xi mi  (1  1  2  3  3  13  4  42  5  52  6  49)  4,80 .
n i 1 160

Определяем выборочную дисперсию и выборочное среднее

квадратическое отклонение:
1 k 1
Dв   mi ( xi  x ) 2  [1  (1  4,8) 2  3  (2  4,8) 2  13  (3  4,8) 2 
n i 1 160
 42  (4  4,8)  52  (5  4,8) 2  49  (6  4,8) 2 ]  1,1225,
2

 в  Dв  1,1225  1,059 .
 79
Теперь проверим гипотезу о том, что распределение числа попаданий
является биномиальным:
H0: распределение числа попаданий является биномиальным;
H1: распределение числа попаданий не является биномиальным.
Прежде всего, объединяем два первых интервала, добавив туда же
значение числа попаданий, равное 0 (см. таблицу 10), т.к. их эмпирические
частоты mi меньше 4. Данные заносим в таблицу 11 (столбец mi).
Считаем, что данное распределение является биномиальным с
математическим ожиданием 4,80. Т.к. при биномиальном распределении
M(X) = np,
x 4,80
то вероятность попадания при одном выстреле будет равна p    0,8 .
n 5
Тогда по формуле Бернулли находим вероятности 0, 1, 2, 3, 4, 5 и 6 попаданий:
P6 (0)  C60 p 0 q 6  1  0,80  0,2 6  0,000064 ;

P6 (1)  C61 p1q 5  6  0,81  0,25  0,001536 ;

P6 (2)  C62 p 2 q 4  15  0,8 2  0,2 4  0,015360 ;

P6 (3)  C63 p 3 q 3  20  0,83  0,23  0,081920 ;

P6 (4)  C64 p 4 q 2  15  0,8 4  0,2 2  0,245760 ;

P6 (5)  C65 p 5 q1  6  0,85  0,21  0,393216 ;

P6 (6)  C66 p 6 q 0  1  0,86  0,2 0  0,262144 .

Умножаем эти вероятности на объём выборки (n = 160) и получаем
теоретические частоты (mi’). Заполняем два оставшихся столбца и находим
суммы по столбцам.
Таблица 12
( mi  mi ' ) 2
xi mi pi mi’ mi – mi’
mi '

0, 1, 2 4 0,01696 2,7136 1,2864 0,609826

3 13 0,081920 13,1072 -0,1072 0,000877
80
( mi  mi ' ) 2
xi mi pi mi’ mi – mi’
mi '

4 42 0,245760 39,3216 2,6784 0,18244

5 52 0,393216 62,91456 -10,9146 1,893483
6 49 0,262144 41,94304 7,05696 1,187341
 160 1 160 0 3,874

Последняя сумма соответствует искомому критерию  экс

2
 3,874 .
Данная выборка разбита на l = 7 интервалов. В биномиальном
распределении р = 1 подбираемых параметра (вероятность появления события
при одном испытании). Поэтому число степеней свободы в данном случае k = l
 p  1 = 7  1  1 = 5. При уровне значимости  = 0,05 и найденному числу
степеней свободы из таблицы критических точек распределения 2 находим
значение критерия  кр2  11,07 .

Т.к.  экс
2
  кр2 , то нулевая гипотеза принимается: выборочные данные не

противоречат тому, что распределение числа попаданий является

биномиальным.

Пример 2. В учётном журнале фиксируются вызовы ремонтной бригады.

Студент-практикант построил вариационный ряд количества вызовов за смену:

xi 0 1 2 3 4 5 6 7 8
mi 12 28 43 38 15 6 6 1 1

Проверьте гипотезу о том, что количества вызовов за смену имеют

распределение Пуассона. Уровень значимости  = 0,1.

Решение. Вычисляем среднее выборочное числа вызовов:

1 k 1
x 
n i 1
xi mi 
150
(0  12  1  28  2  43  3  38  4  15  5  6  6  6  7  1  8  1)  2,46.

После этого проверим гипотезу о том, что количества вызовов за смену имеют
распределение Пуассона:
 81

H0: число вызовов имеют распределение Пуассона;

H1: число вызовов не имеют распределение Пуассона.
Прежде всего, объединяем последние интервалы, т.к. их эмпирические
частоты mi меньше 4. Данные заносим в таблицу 10 (столбец mi).
Считаем, что данное распределение является пуассоновским с
математическим ожиданием 2,46. Тогда по формуле Пуассона находим
вероятности нужного числа вызовов:

x  2,46 0  2, 46 2,461  2, 46
P(0)  e  e  0,0854 ; P(1)  e  0,2102 ;
x! 0! 1!
2,46 2  2, 46 2,463  2, 46
P(2)  e  0,2585 ; P(3)  e  0,2120 ;
2! 3!
2,46 4  2, 46 2,46 5  2, 46
P(4)  e  0,1304 ; P(5)  e  0,0641 .
4! 5!
Тогда вероятность того, что будет более 5 вызовов равна
P(>5) = 1 – (P(0) + P(1) + P(2) + P(3) + P(4) + P(5)) =
= 1 – (0,0854 + 0,2102 + 0,2585 + 0,2120 + 0,1304 + 0,0641) = 0,0394.
Умножаем эти вероятности на объём выборки (n = 160) и получаем
теоретические частоты (mi’).
Заполняем два оставшихся столбца и находим суммы по столбцам.

Таблица 13

( mi  mi ' ) 2
xi mi pi mi’ mi – mi’
mi '

0 12 0,0854 12,81 -0,81 0,051218

1 28 0,2102 31,53 -3,53 0,395208
2 43 0,2585 38,775 4,225 0,460364
3 38 0,2120 31,8 6,2 1,208805
4 15 0,1304 19,56 -4,56 1,063067
82
( mi  mi ' ) 2
xi mi pi mi’ mi – mi’
mi '

5 6 0,0641 9,615 -3,615 1,35915

>5 8 0,0394 5,91 2,09 0,739103
 150 1 150 0 5,277

Последняя сумма соответствует искомому критерию  экс

2
 5,277 .
Данная выборка разбита на l = 7 интервалов. В распределении Пуассона
p  1 подбираемых параметра (математическое ожидание). Поэтому число

степеней свободы в данном случае k = l  p  1 = 7  1  1 = 5. При уровне

значимости  = 0,1 и найденному числу степеней свободы из таблицы
критических точек распределения 2 находим значение критерия  кр2  9,24 .

Т.к.  экс
2
  кр2 , то нулевая гипотеза принимается: выборочные данные не

противоречат тому, что распределение числа вызовов является пуассоновским.

Пример 3. Для статистического анализа некоторой случайной величины

был построен вариационный ряд:

xi 1 2 3 4 5 6 7
mi 26 21 18 32 26 26 31

Проверьте гипотезу о том, что данная случайная величина имеет

равномерное дискретное распределение. Уровень значимости  = 0,1.

Решение. Выдвигаем основную и альтернативную гипотезы:

H0: данная случайная величина имеет равномерное дискретное
распределение;
H1: данная случайная величина не имеет равномерное дискретное
распределение.
Считаем, что данное распределение является равномерным дискретным.
Тогда вероятности всех значений этой величины одинаковы и равны
1 1
p   0,1429 (k – количество значений случайной величины). Умножаем
k 7
 83
эту вероятности на объём выборки (n = 180) и получаем теоретические
частоты mi’ = 0,1429180 = 25,714 (они также будут все одинаковыми).
Заполняем два оставшихся столбца и находим суммы по столбцам.

Таблица 14
( mi  mi ' ) 2
xi mi pi mi’ mi – mi’
mi '

1 26 0,1429 25,714 0,286 0,003181

2 21 0,1429 25,714 -4,714 0,864191
3 18 0,1429 25,714 -7,714 2,31414
4 32 0,1429 25,714 6,286 1,536665
5 26 0,1429 25,714 0,286 0,003181
6 26 0,1429 25,714 0,286 0,003181
7 31 0,1429 25,714 5,286 1,086637
 180 1 180 0 5,811

Последняя сумма соответствует искомому критерию  экс

2
 5,811 .
Данная выборка разбита на l=7 интервалов. Для дискретного
равномерного распределения р = 0 (подбираемых параметра нет). Поэтому
число степеней свободы в данном случае k = l  p  1 = 7  0  1 = 6. При
уровне значимости  = 0,1 и найденному числу степеней свободы из таблицы
критических точек распределения 2 находим значение критерия  кр2  10,64

(Приложение 3).
Т.к.  экс
2
  кр2 , то нулевая гипотеза принимается: выборочные данные не

противоречат тому, что распределение данной случайной величины является

равномерным дискретным.
84

39. ПРОВЕРКА ГИПОТЕЗ О РАВЕНСТВЕ СРЕДНИХ

Гипотеза о равенстве двух средних значений произвольно

распределённых генеральных совокупностей (большие независимые
выборки).

При уровне значимости  нужно проверить гипотезу Н 0 : x  y . Если

объём обеих выборок велик, то можно считать, что выборочные средние имеют
нормальное распределение, а их дисперсии известны. В этом случае в качестве
статистики можно использовать случайную величину
Х Y
Z ,
Dв ( X ) Dв (Y )

nx ny

имеющую нормальное распределение, причём M(Z) = 0, D(Z) = 1.

Определяется соответствующее экспериментальное значение zэкс. Из таблицы
функции Лапласа находится критическое значение zкр. При альтернативной
гипотезе Н1: x  y оно находится из условия (zкр) = 0,5 – . Если zэкс < zкр, то
нулевая гипотеза принимается, в противоположном случае – отвергается. При
альтернативной гипотезе Н1: x  y критическое значение находится из

условия (zкр) = 0,5(1 – ). Нулевая гипотеза принимается, если |zэкс| < zкр.

Гипотеза о равенстве двух средних значений нормально распределённых

генеральных совокупностей, дисперсии которых неизвестны и одинаковы
(малые независимые выборки).

При уровне значимости  нужно проверить основную гипотезу Н 0 :

x  y . В качестве статистики используем случайную величину

Х Y n n ( n  n y  2)
Т  x y x ,
nx  Dв ( X )  n y  Dв (Y ) nx  n y

имеющую распределение Стьюдента с (nх + nу – 2) степенями свободы.

Определяется соответствующее экспериментальное значение tэкс. Из таблицы
 85
критических точек распределения Стьюдента (Приложение 4) находится
критическое значение tкр.

Гипотеза о равенстве двух дисперсий нормально распределённых

генеральных совокупностей

В данном случае при уровне значимости  нужно проверить

гипотезу Н 0 : D(Х) = D(Y). Статистикой служит случайная величина
S б2
F 2,
Sм
имеющая распределение Фишера – Снедекора с f1 = nб – 1 и f2 = nм – 1
степенями свободы ( S б2 – большая дисперсия, объём её выборки nб).
Определяется соответствующее экспериментальное (наблюдаемое) значение
Fэкс. Критическое значение Fкр при альтернативной гипотезе Н1: D ( Х ) > D ( Y )
находится из таблицы критических точек распределения Фишера – Снедекора
(Приложение 5) по уровню значимости  и числу степеней свободы f1 и f2.
Нулевая гипотеза принимается, если Fэкс < Fкр.

40. ЗАДАНИЯ 131-140

Заданы две выборки.

1) Для обеих выборок вычислите среднее, исправленную дисперсию и

среднее квадратическое отклонение. Найдите размах варьирования, среднее
абсолютное (линейное) отклонение, коэффициент вариации, линейный
коэффициент вариации, коэффициент осцилляции.

2) Предполагая, что данная случайная величина имеет нормальное

распределение, определите доверительный интервал для генеральной средней
(в обоих случаях).

3) По критерию Фишера проверьте гипотезу о равенстве генеральных

дисперсий.

4) По критерию Стьюдента проверьте гипотезу о равенстве генеральных

86
средних (альтернативная гипотеза – об их неравенстве).

Во всех расчётах уровень значимости  = 0,05.

131. Выборка 1: 36; 19; 22; 39; 20; 26; 21; 26; 26, Выборка 2: 28; 24; 26; 26;
48; 22; 33 (в ньютонах).

132. Выборка 1: 128; 192; 223; 398; 205; 266; 219; 260; 264; 98. Выборка
2: 286; 240; 263; 266; 484; 223; 335. (условных единиц).

133. Выборка 1: 52, 48, 46, 55, 62, 58, 64 и 56 мин. Выборка 2: 51, 47, 44,
52, 56 и 48 мин.
134. Выборка 1: 25, 30, 42, 48, 52, 55 и 66 (условных единиц). Выборка 2:
– 28; 28; 38; 38; 45; 56; 59; 60; 64; 78.

135. Выборка 1: 360; 319; 322; 339; 350; 326; 361; 326; 386. Выборка 2:
368; 354; 326; 346; 348; 357; 383 (секунд).

136. Выборка 1: 25, 130, 242, 48, 152, 138, 55 и 136 секунд. Выборка 2: 28;
128; 138; 235; 45 и 156 секунд.

137. Выборка 1: 40, 78, 89, 122, 146 и 198 кг. Выборка 2: 38, 69, 77, 99,
126, 142, 158, 162 и 226 кг.

138. Выборка 1: 8, 12, 16, 18, 24 и 44 г. Выборка 2: 8, 9, 14, 17, 19, 26, 26,
33 и 54 г.

139. Выборка 1: 50,4; 53,6; 54,4; 46,4; 44,0; 48,2; 49,4. Выборка 2: 47,2;
62,4; 64,8; 62,4; 58,9; 55,4; 66,2; 49,5; 67,8; 68,9 (ньютонов).

140. Выборка 1: 0,42, 0,52, 0,48, 0,46, 0,55, 0,62, 0,58, 0,64 и 0,56 секунд.
Выборка 2: 0,51, 0,67, 0,54, 0,52, 0,56, 0,66 и 0,68 секунд.
 87

41. ПРИМЕР ВЫПОЛНЕНИЯ ЗАДАНИЙ 131-140

Из первого нарезного оружия было произведено 8 выстрелов. При этом

измерялись начальные скорости пуль. Получены следующие результаты: 902,4;
901,3; 898,4; 903,5; 901,1; 900,4; 899,7 и 900,3 (м/с). Из второго оружия было
произведено 7 выстрелов. Скорости вылета пуль оказались равны 905,5; 910,3;
903,8; 902,4; 899,9; 903,3 и 905,6 (м/с).
Для обеих выборок вычислите среднее, исправленную дисперсию и
среднее квадратическое отклонение. Найдите размах варьирования, среднее
абсолютное (линейное) отклонение, коэффициент вариации, линейный
коэффициент вариации, коэффициент осцилляции.
Предполагая, что данная случайная величина имеет нормальное
распределение, определите доверительный интервал для генеральной средней
(в обоих случаях).
По критерию Фишера проверьте гипотезу о равенстве генеральных
дисперсий. По критерию Стьюдента проверьте гипотезу о равенстве
генеральных средних (альтернативная гипотеза – об их неравенстве).
Во всех расчётах уровень значимости  = 0,05.
Решение. Для первого оружия вычислим среднее значение,
исправленную дисперсию и исправленное среднее квадратическое отклонение:
1 n 902,4  901,3  898,4  903,5  901,1  900,4  899,7  900,3
x 
n i 1
xi 
8
 900,76 м / с,

1 n (902,4  900,76) 2  (901,3  900,76) 2  (898,4  900,76) 2 

Dв   ( xi  x ) 2

n i 1 8
 (903,5  900,76)  (901,1  900,76)  (900,4  900,76) 2 
2 2

8
 (899,7  900,76) 2  (900,3  900,76) 2
 1,920 ( м / с) 2 ,
8
 в  Dв  1,920  1,386 м / с,
88
n 8
s2  Dв   1,920  2,194 ( м / с) 2 , s  s 2  2,194  1,481  м / с  .
n 1 8 1
Для первого оружия находим другие характеристики вариации:
- размах варьирования R = xmax – xmin = 903,5 – 898,4 = 5,1;
- среднее абсолютное (линейное) отклонение
1 n | 902,4  900,76 |  | 901,3  900,76 |  | 898,4  900,76 | 
d 
n i 1
| xi  x | 
8
 | 903,5  900,76 |  | 901,1  900,76 |  | 900,4  900,76 |  | 899,7  900,76 | 
8
 | 900,3  900,76 | 1,64  0,54  2,36  2,74  0,34  0,36  1,06  0,46
  1,0625;
8 8
в 1,386
- коэффициент вариации V   100%   100%  0,154% ;
x 900,76

d 1,0625
-линейный коэффициент вариации Vd   100%   100%  0,118% ;
x 900,76
R 5,1
- коэффициент осцилляции VR   100%   100%  0,566% .
x 900,76
Для доверительной вероятности  = 0,95 (уровень значимости  = 0,05) по
таблице критических точек распределения Стьюдента при f = 8 – 1 = 7
степенях свободы находим значение коэффициента t = 2,36. Тогда полуширина
доверительного интервала
s 1,481
  t  2,36   1,24 м / с .
n 8
И с вероятностью  = 0,95 генеральное среднее начальной скорости пули
лежит в интервале (900,76  1,24) м/с или (899,52; 902,00) м/с.
Повторим все расчёты для второго оружия:
905,5  902,3  903,8  902,4  899,9  903,3  901,3
y  902,69 м / с,
8
 89
(905,5  902,69) 2  (902,3  902,69) 2  (903,8  902,69) 2 
Dв 
8
 (902,4  902,69)  (899,9  902,69) 2  (903,3  902,69) 2 
2

8
 (901,3  902,69) 2

 2,673 ( м / с) 2 ,  в  2,673  1,635 м / с,

8
7
s2   2,673  3,118 ( м / с) 2 , s  3,118  1,766 м / с .
7 1
R = ymax – ymin = 905,5 – 899,9 = 5,6;
1 n | 905,5  902,69 |  | 902,3  902,69 |  | 903,8  902,69 | 
d   | xi  x | 
n i 1 8
 | 902,4  902,69 |  | 899,9  902,69 |  | 903,3  902,69 | 
8
 | 901,3  902,69 | 2,81  0,39  1,11  0,59  2,70  0,99  1,39
  1,298;
8 8
1,635 1,298
V  100%  0,181% ; Vd   100%  0,144% ;
902,69 902,69
5,6
VR   100%  0,620% .
902,69
Для доверительной вероятности  = 0,95 (уровень значимости  = 0,05) по
таблице критических точек распределения Стьюдента при f = 7 – 1 = 6
степенях свободы находим значение коэффициента t = 2,45. Тогда полуширина
доверительного интервала
1,766
  2,45   1,63 м / с .
7
И с вероятностью  = 0,95 генеральное среднее начальной скорости пули
лежит в интервале (902,69  1,63) м/с или (901,03; 904,32) м/с.
Проводим проверку гипотезы о равенстве дисперсий:
H0: Dx = Dy;
H1: Dx < Dy.
Найдём наблюдаемое значение критерия Фишера
90
2
sб2 s y 3,118
F экс 2  2   1,42 .
s м s x 2,194
f1 = nб – 1 = nу – 1 = 7 – 1 = 6 и f2 = nм – 1 = nх – 1 = 8 – 1 = 7 (числа степеней
свободы). По таблице критических точек распределения Фишера – Снедекора
(Приложение 5) при уровне значимости  = 0,05 и данным числам степеней
свободы находим Fкр = 3,87. Т.к. Fэкс < Fкр, то нет оснований отвергать нулевую
гипотезу (т.е. можно считать, что дисперсии двух выборок равны).
Проводим проверку гипотезы о равенстве генеральных средних:
H0: x  y ;
H1: x  y .
Найдём экспериментальное значение критерия Стьюдента

|x  y| n x n y ( n x  n y  2)
t экс   
n x  Dx  n y  D y nx  n y
| 900,76  902,69 | 8  7  (8  7  2)
   2,30.
8  1,920  7  2,673 87
Число степеней свободы f = nх + nу – 2 = 8 + 7 – 2 = 13. По таблице критических
точек распределения Стьюдента (Приложение 4) при уровне значимости
  0,05 и данному числу степеней свободы находим tкр = 2,16. Т.к. tэкс > tкр, то
нулевая гипотеза отвергается, генеральные средние двух выборок не равны.

42. ЭЛЕМЕНТЫ ТЕОРИИ КОРРЕЛЯЦИИ

Во многих задачах требуется установить и оценить зависимость

изучаемой случайной величины y от одной или нескольких других величин.
Мы рассмотрим зависимость y от одной случайной (или неслучайной
величины x ). Рассмотрение зависимости y от нескольких случайных величин
выходит за рамки данного пособия.
Две случайные величины могут быть связаны либо функциональной
зависимостью, либо статистической, либо быть независимыми.
Строгая функциональная зависимость реализуется редко, так как обе
 91
величины или одна из них подвержены влиянию случайных факторов,
причем среди них могут быть и общие для обеих величин. В этом случае
возникает статистическая зависимость.
Статистической называют зависимость, при которой изменение одной
из величин влечет изменение распределения другой. В частности,
статистическая зависимость проявляется в том, при изменении одной величины
изменяется среднее значение другой. В таком случае статистическую
зависимость называют корреляционной.
Приведем пример случайной величины y , которая не связана с
величиной x функционально, а связана корреляционно ([4, с. 253]).
Пусть y - урожай зерна, а x - количество удобрений. С одинаковых по
площади участков земли при равных количествах внесенных удобрений
снимают разный урожай. Т. е. y не является функцией от х. Это объясняется
воздействием случайных факторов, таких как осадки, температура воздуха,
погодные явления – засуха, наводнения, и т.п. Вместе с тем, как показывает
опыт, средний урожай является функцией от количества удобрений. Т.е.
переменные y и х связаны корреляционной зависимостью.
Уравнением регрессии y на х называется условное математическое
ожидание M Y | x   f ( x) .
Уравнением регрессии х на y называется условное математическое
ожидание M  X | y    ( y ) .
Условное математическое ожидание M Y | x  является функцией от

х, следовательно, его оценка, т.е. условное среднее y x , также является

функцией от х. Обозначив эту функцию f *  x  , получим уравнение:


y x  f * ( x) .
Это уравнение называют выборочным уравнением регрессии y на х,

функцию f *  x  называют выборочной функцией регрессии, а ее график –

92
выборочной линией регрессии y на х.

Как же найти по данным наблюдений параметры функции f *  x  , если их

вид неизвестен? Как оценить тесноту связи между величинами y и х и
установить, коррелированны ли эти величины? Ответы на эти вопросы мы
рассмотрим дальше.

43. НАХОЖДЕНИЕ ПАРАМЕТРОВ ВЫБОРОЧНОГО УРАВНЕНИЯ ПРЯМОЙ

ЛИНИИ РЕГРЕССИИ ПО НЕСГРУППИРОВАННЫМ ДАННЫМ

Пусть изучается система количественных признаков  X , Y  . В результате

n независимых опытов получены n пар чисел  xi , yi  , i  1,....n.
Найдем по данным наблюдений выборочное уравнение регрессии. Для
определенности будем искать уравнение
y =  + x + , (1)
где величина y рассматривается как зависимая переменная, x – объясняющая
(независимая) переменная, ,  – постоянные величины (параметры
уравнения),  – случайный член.
Предположив, что стохастическое слагаемое в уравнении (1) имеет
нулевое математическое ожидание и постоянную дисперсию, оценим
параметры модели методом наименьших квадратов (МНК).
В основе МНК лежит принцип минимизации суммы квадратов излишков
модели. В результате этого можно получить следующую систему нормальных
уравнений:
 n n
 an  b  i  yi ,
x 
 i 1 i 1
 n (2)
n n
a x  b x 2  x y ,
  i  i  i i
 i 1 i 1 i 1

где a, b – оценки параметров  ,  соответственно, n – количество наблюдений,

n n n n
 xi ,  yi ,  xi y i ,  xi2 можно вычислить на основании данных
i 1 i 1 i 1 i 1
 93
наблюдений ( xi , y i ), i = 1,2,…n. Решив систему (2), получим уравнение

линейной регрессии:

y x  a  bx .

Коэффициенты a и b можно также вычислить следующим образом:

 n

  x y  nx y
Cov x, y  i 1 i i
b   n
 Var  x  2, (3)
  i x 2
 n  x 
i 1
 a  y  bx.

1 n 1 n
где: x   xi ,
n i 1
y  yi .
n i 1
Достоверность построенной модели можно проверить, воспользовавшись
методами дисперсионного анализа. Для этого нужно найти дисперсию
излишков по формуле:
1 n 2
 2   i ,
n  k i 1

где  i  yi  yˆ i , k – число объясняющих переменных, затем вычислить

стандартные ошибки параметров модели:

 2  x2   2
c.o.a   1  , c.o.b   .
n  Var x   nVar  x 

1 n
где: Var(x)=   xi  x 2 – выборочная дисперсия x.
n i 1

Для проверки статистической значимости коэффициентов полученной

модели нужно проделать следующее:
1) Вычислить расчетное значение t-статистики по формуле:

a b
t aˆ  , t bˆ  .
c.o.a  c.o.b 
2) По таблице критических значений для распределения Стьюдента с (n-k)
степенями свободы при заданном уровне значимости  найти критическое
94
значение t-критическое;
3) Сравнить tр и tкрит. Если tр > tкрит, то коэффициенты полученного уравнения
регрессии являются статистически значимыми, в противном случае –
незначимыми.
На основании коэффициента детерминации
Var  
R2  1 , (4)
Var  y 
можно сделать выводы об адекватности полученной модели. Значение R2 может
принадлежать интервалу (0,1).
Коэффициент детерминации показывает, какую часть дисперсии у
объясняет полученное уравнение регрессии. Чем ближе R2 к 1, тем увереннее
можно утверждать, что связь между рассматриваемыми величинами является
статистически значимой.
Показателем тесноты линейной связи между факторным и результативным
признаком является выборочный коэффициент корреляции.
Коэффициент корреляции вычисляется по формуле:
( x  x )( y  y )
r
 x y
Раскрыв данное соотношение, можем получить его в другой форме:
xy  x y
r
 x y
Данная формула может быть преобразована к виду:
n  xy   x  y
r
n  x 2  ( x) 2 n  y 2  ( y ) 2

или
y
 xy   x 
r n .
( x) 2 ( y ) 2
 x2  n y2 
n n
Для коэффициента корреляции выполняется неравенство r  1.
 95
Если r  0 , то между x и y прямая связь (чем больше x, тем больше y),
Если r  0 , то между x и y обратная связь (чем больше x, тем меньше y).
Если r  0,3 , то между x и y практически отсутствует связь, близкая к

линейной,
Если 0,3  r  0,5 , то между x и y умеренная связь, если r  0,7 , то между x

и y наблюдается функциональная связь.

При помощи коэффициента корреляции уравнение линейной регрессии
может быть записано в виде:
y
yx  y  r (x  x) .
x

44. ЗАДАНИЯ 141-150

На основании имеющихся статистических данных:
1) рассчитайте параметры уравнения линейной регрессии между расходами на
жилищные услуги (y) и личным располагаемым доходом (x).
2) вычислите коэффициент детерминации и сделайте вывод.
3) оцените модель через среднюю ошибку аппроксимации и F-критерий
Фишера.
4) постройте корреляционное поле и нанесите на него линию полученного
уравнения регрессии.
141.
X 2 3 4 5 6 7 8
Y 3 5 5,5 4 7 7,5 8,5

142.
X 5 2 4 6 7 3 5 6
Y 10 18 14 8 5 15 8 5

143.
X 8 7,5 6 8,2 7,5 6,5 5,5
Y 3 2,5 1,5 3,5 3 2,5 1,5
96
144.
X 1,7 2,4 3 3,5 2,5 2 1,5 4
Y 3 5 6,2 7,1 3,5 2,8 1,5 8,2

145.
X 10 12 8 15 14 16 12 13
Y 5,5 6,2 3,9 8 7,5 8,5 5 6,2

146.
X 3,7 4,2 3,9 4,3 5 5,2 5,3
Y 11 12,4 15,2 16,6 17,2 18,1 19,2

147.
X 5,2 7,1 8,1 9,2 10,2 11,3 11,5
Y 10,5 14,3 18,5 20,3 22,1 24,2 25,2

148.
X 12,2 14,3 10,6 8,2 9,5 14,2 18,1 22,2
Y 6,5 7,5 5,8 4,7 5,1 7,2 10,2 12,1

149.
X 36 24 18 25 31 33 24
Y 108 63 47 80 92 102 71

150.
X 5,9 7,2 6,1 10,2 14,2 15,1 16,8 19,2 20,1
Y 6 5,4 4,3 8,3 12,1 12,4 13,2 15,1 18,2

45. ПРИМЕР ВЫПОЛНЕНИЯ ЗАДАНИЙ 141-150

На основании имеющихся статистических данных за 10 лет:

X 47,97 48,97 50,38 52,49 54,23 58,08 61,63 64,66 67,35 70,13

Y 6,4 6,7 7,07 7,4 7,74 8,16 8,53 8,91 9,35 9,84
 97

1) рассчитайте параметры уравнения линейной регрессии между расходами на

жилищные услуги (y) и личным располагаемым доходом (x).
2) вычислите коэффициент детерминации и сделайте вывод.
3) оцените модель через среднюю ошибку аппроксимации и F-критерий
Фишера.
4) постройте корреляционное поле и нанесите на него линию полученного
уравнения регрессии.
Решение:
1. Идентифицируем переменные:
x – располагаемый личный доход, независимая переменная.
y – расходы на жилищные услуги, зависимая переменная.

2. Оценим параметры модели y x  a  bx одношаговым методом наименьших
квадратов (МНК). Все необходимые вычисления запишем в таблицу 10.
Для коэффициентов a и b запишем систему нормальных уравнений (2):
 n n
 an  b  i  yi ,
x 
 i 1 i 1
 n n n
a x  b x 2  x y ,
  i  i  i i
 i 1 i 1 i 1

Таблица 15

x y x2 xy x  x  y  y  x  x 2 ŷ  y  ŷ 2
1 47,97 6,4 2301,1 307,01 15,49 92,53 6,96 0,055
2 48,97 6,7 2398,0 328,10 11,29 74,29 7,11 0,006
3 50,38 7,07 2538,1 356,19 6,78 51,97 7,31 0,008
4 52,49 7,4 2755,2 388,43 3,11 26,00 7,63 0,014
5 54,23 7,74 2940,8 419,74 0,91 11,28 7,88 0,044
6 58,08 8,16 3373,3 473,93 0,07 0,24 8,45 0,006
7 61,63 8,53 3798,2 525,70 2,10 16,33 8,97 0,003
8 64,66 8,91 4180,9 576,12 6,36 50,00 9,42 0,012
98
x y x2 xy x  x  y  y  x  x 2 ŷ  y  ŷ 2
9 67,35 9,35 4536,0 629,72 13,08 95,28 9,81 0,003
10 70,13 9,84 4918,2 690,08 22,95 157,28 10,22 0,001
сумма 575,89 80,1 33740,1 4695,02 82,14 575,19 0,154

среднее 57,589 8,01

n n n n
Подставив в указанную систему значения  xi ,  y i,  xi y i ,  xi2 ,
i 1 i 1 i 1 i 1

вычисленные согласно входным данным, получим систему уравнений:

10a  575,89b  80,1

575,89a  33740b  4695,019
Откуда находим: a = -0,225; b = 0,143.
Таким образом, yˆ  0,225  0,143x .

Найдя отклонения каждой переменной от своего среднего арифметического,

оценим параметры a и b в альтернативной форме:
 10

  xi  x  yi  y 
82,14
b  i1 10   0,143,
 575,19
  xi  x 2

 i 1

a  y  bx  8,01  0,143  57,589  0,225.

Искомое уравнение линейной регрессии: yˆ  0,225  0,143x .

Коэффициент bˆ  0,143 показывает, что при увеличении располагаемого

личного дохода на 1 млрд. долларов расходы на жилищные услуги
увеличивались в среднем на 0,143 млрд. долларов.
Коэффициент корреляции и детерминации (по формуле (4)):
Var (u ) 0,154
R2  1  1  0,98 ;
Var ( y ) 11,88

R  R 2  0,99 .
Поскольку коэффициент детерминации R2 = 0,98, то расходы на жилищные
услуги на 98% зависят от личных доходов граждан.
 99
Проверка адекватности модели

Для проверки качества оценивания регрессии служит критерий Фишера.

Он заключается в формулировании и проверке нулевой гипотезы:
H0: R2 = 0, при альтернативной гипотезе
H1: R2  0.
Для проведения F-теста необходимо:
1) вычислить расчетное значение F-статистики по формуле:
R2
Fp  .
1  R 2 /n  k  1
2) по таблице критических значений для распределения Фишера при
заданном уровне значимости  со степенями свободы V1 = k и V2 = n-k-1 найти
Fкрит.
3) если Fр > Fкрит, то нулевая гипотеза отклоняется с вероятностью (1-), в
противном случае нулевая гипотеза принимается.
В данном случае F p  89. Табличное значение FТ с уровнем значимости

 = 0,05 и числом степеней свободы V1 = 1 и V2 = n-k-1 = 10 (Приложение 5)

равно 4,96. Поскольку Fр > FТ, то построенная модель адекватна. Так как при
этом коэффициенты регрессии статистически значимые, то ее можно
использовать для принятия решений и осуществления прогнозов.
На рисунке изображено корреляционное поле и график полученного
уравнения регрессии.
Расход ы на жилищные усл уги

11

10

5
40 45 50 55 60 65 70 75
Распол агаемый личный д оход
100

ПРИЛОЖЕНИЯ

Приложение 1
x2
1 2
Таблица значений локальной функции Лапласа   x   e .
2
0 1 2 3 4 5 6 7 8 9
0,0 0,3989 0,3989 0,3989 0,3988 0,3986 0,3984 0,3982 0,3980 0,3977 0,3973
0,1 0,3970 0,3965 0,3961 0,3956 0,3951 0,3945 0,3939 0,3932 0,3925 0,3918
0,2 0,3910 0,3902 0,3894 0,3885 0,3876 0,3867 0,3857 0,3847 0,3836 0,3825
0,3 0,3814 0,3802 0,3790 0,3778 0,3765 0,3752 0,3739 0,3726 0,3712 0,3698
0,4 0,3683 0,3668 0,3652 0,3637 0,3621 0,3605 0,3589 0,3572 0,3555 0,3538
0,5 0,3521 0,3503 0,3485 0,3467 0,3448 0,3429 0,3410 0,3391 0,3372 0,3352
0,6 0,3332 0,3312 0,3292 0,3271 0,3251 0,3230 0,3209 0,3187 0,3166 0,3144
0,7 0,3123 0,3101 0,3079 0,3056 0,3034 0,3011 0,2989 0,2966 0,2943 0,2920
0,8 0,2897 0,2874 0,2850 0,2827 0,2803 0,2780 0,2756 0,2732 0,2709 0,2685
0,9 0,2661 0,2637 0,2613 0,2589 0,2565 0,2541 0,2516 0,2492 0,2468 0,2444

1,0 0,2420 0,2396 0,2371 0,2347 0,2323 0,2299 0,2275 0,2251 0,2227 0,2203
1,1 0,2179 0,2155 0,2131 0,2107 0,2083 0,2059 0,2036 0,2012 0,1989 0,1965
1,2 0,1942 0,1919 0,1895 0,1872 0,1849 0,1826 0,1804 0,1781 0,1758 0,1736
1,3 0,1714 0,1691 0,1669 0,1647 0,1626 0,1604 0,1582 0,1561 0,1539 0,1518
1,4 0,1497 0,1476 0,1456 0,1435 0,1415 0,1394 0,1374 0,1354 0,1334 0,1315
1,5 0,1295 0,1276 0,1257 0,1238 0,1219 0,1200 0,1182 0,1163 0,1145 0,1127
1,6 0,1109 0,1092 0,1074 0,1057 0,1040 0,1023 0,1006 0,0989 0,0973 0,0957
1,7 0,0940 0,0925 0,0909 0,0893 0,0878 0,0863 0,0848 0,0833 0,0818 0,0804
1,8 0,0790 0,0775 0,0761 0,0748 0,0734 0,0721 0,0707 0,0694 0,0681 0,0669
1,9 0,0656 0,0644 0,0632 0,0620 0,0608 0,0596 0,0584 0,0573 0,0562 0,0551

2,0 0,0540 0,0529 0,0519 0,0508 0,0498 0,0488 0,0478 0,0468 0,0459 0,0449
2,1 0,0440 0,0431 0,0422 0,0413 0,0404 0,0395 0,0387 0,0379 0,0371 0,0363
2,2 0,0353 0,0347 0,0339 0,0332 0,0325 0,0317 0,0310 0,0303 0,0297 0,0290
2,3 0,0283 0,0277 0,0270 0,0264 0,0258 0,0252 0,0246 0,0241 0,0235 0,0229
2,4 0,0224 0,0219 0,0213 0,0208 0,0203 0,0198 0,0194 0,0189 0,0184 0,0180
2,5 0,0175 0,0171 0,0167 0,0163 0,0158 0,0154 0,0151 0,0147 0,0143 0,0139
2,6 0,0136 0,0132 0,0129 0,0126 0,0122 0,0119 0,0116 0,0113 0,0110 0,0107
2,7 0,0104 0,0101 0,0099 0,0096 0,0093 0,0091 0,0088 0,0086 0,0084 0,0081
2,8 0,0079 0,0077 0,0075 0,0073 0,0071 0,0069 0,0067 0,0065 0,0063 0,0061
2,9 0,0060 0,0058 0,0056 0,0055 0,0053 0,0051 0,0050 0,0048 0,0047 0,0046

3,0 0,0044 0,0043 0,0042 0,0040 0,0039 0,0038 0,0037 0,0036 0,0035 0,0034
3,1 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026 0,0025 0,0025
3,2 0,0024 0,0023 0,0022 0,0022 0,0021 0,0020 0,0020 0,0019 0,0018 0,0018
3,3 0,0017 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014 0,0013 0,0013
3,4 0,0012 0,0012 0,0012 0,0011 0,0011 0,0010 0,0010 0,0010 0,0009 0,0009
3,5 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007 0,0007 0,0007 0,0006
3,6 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005 0,0005 0,0005 0,0005 0,0004
3,7 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003 0,0003 0,0003 0,0003
3,8 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002 0,0002 0,0002 0,0002 0,0002
3,9 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0001
 101
Приложение 2
z2
1 x 2
Таблица значений интегральной функции Лапласа Ф x    e dz .
2 0
x Ф(х) x Ф(х) x Ф(х) x Ф(х) x Ф(х)
0,00 0,0000 0,46 0,1772 0,92 0,3212 1,38 0,4162 1,84 0,4671
0,01 0,0040 0,47 0,1808 0,93 0,3238 1,39 0,4177 1,85 0,4678
0,02 0,0080 0,48 0,1844 0,94 0,3264 1,40 0,4192 1,86 0,4686
0,03 0,0120 0,49 0,1879 0,95 0,3289 1,41 0,4207 1,87 0,4693
0,04 0,0160 0,50 0,1915 0,96 0,3315 1,42 0,4222 1,88 0,4699
0,05 0,0199 0,51 0,1950 0,97 0,3340 1,43 0,4236 1,89 0,4706
0,06 0,0239 0,52 0,1985 0,98 0,3365 1,44 0,4251 1,90 0,4713
0,07 0,0279 0,53 0,2019 0,99 0,3389 1,45 0,4265 1,91 0,4719
0,08 0,0319 0,54 0,2054 1,00 0,3413 1,46 0,4279 1,92 0,4726
0,09 0,0359 0,55 0,2088 1,01 0,3438 1,47 0,4292 1,93 0,4732
0,10 0,0398 0,56 0,2123 1,02 0,3461 1,48 0,4306 1,94 0,4738
0,11 0,0438 0,57 0,2157 1,03 0,3485 1,49 0,4319 1,95 0,4744
0,12 0,0478 0,58 0,2190 1,04 0,3508 1,50 0,4332 1,96 0,4750
0,13 0,0517 0,59 0,2224 1,05 0,3531 1,51 0,4345 1,97 0,4756
0,14 0,0557 0,60 0,2257 1,06 0,3554 1,52 0,4357 1,98 0,4761
0,15 0,0596 0,61 0,2291 1,07 0,3577 1,53 0,4370 1,99 0,4767
0,16 0,0636 0,62 0,2324 1,08 0,3599 1,54 0,4382 2,00 0,4772
0,17 0,0675 0,63 0,2357 1,09 0,3621 1,55 0,4394 2,02 0,4783
0,18 0,0714 0,64 0,2389 1,10 0,3643 1,56 0,4406 2,04 0,4793
0,19 0,0753 0,65 0,2422 1,11 0,3665 1,57 0,4418 2,06 0,4803
0,20 0,0793 0,66 0,2454 1,12 0,3686 1,58 0,4429 2,08 0,4812
0,21 0,0832 0,67 0,2486 1,13 0,3708 1,59 0,4441 2,10 0,4821
0,22 0,0871 0,68 0,2517 1,14 0,3729 1,60 0,4452 2,12 0,4830
0,23 0,0910 0,69 0,2549 1,15 0,3749 1,61 0,4463 2,14 0,4838
0,24 0,0948 0,70 0,2580 1,16 0,3770 1,62 0,4474 2,16 0,4846
0,25 0,0987 0,71 0,2611 1,17 0,3790 1,63 0,4484 2,18 0,4854
0,26 0,1026 0,72 0,2642 1,18 0,3810 1,64 0,4495 2,20 0,4861
0,27 0,1064 0,73 0,2673 1,19 0,3830 1,65 0,4505 2,22 0,4868
0,28 0,1103 0,74 0,2703 1,20 0,3849 1,66 0,4515 2,24 0,4875
0,29 0,1141 0,75 0,2734 1,21 0,3869 1,67 0,4525 2,26 0,4881
0,30 0,1179 0,76 0,2764 1,22 0,3883 1,68 0,4535 2,28 0,4887
0,31 0,1217 0,77 0,2794 1,23 0,3907 1,69 0,4545 2,30 0,4893
0,32 0,1255 0,78 0,2823 1,24 0,3925 1,70 0,4554 2,32 0,4898
0,33 0,1293 0,79 0,2852 1,25 0,3944 1,71 0,4564 2,34 0,4904
0,34 0,1331 0,80 0,2881 1,26 0,3962 1,72 0,4573 2,36 0,4909
0,35 0,1368 0,81 0,2910 1,27 0,3980 1,73 0,4582 2,38 0,4913
0,36 0,1406 0,82 0,2939 1,28 0,3997 1,74 0,4591 2,40 0,4918
0,37 0,1443 0,83 0,2967 1,29 0,4015 1,75 0,4599 2,42 0,4922
0,38 0,1480 0,84 0,2995 1,30 0,4032 1,76 0,4608 2,44 0,4927
0,39 0,1517 0,85 0,3023 1,31 0,4049 1,77 0,4616 2,46 0,4931
0,40 0,1554 0,86 0,3051 1,32 0,4066 1,78 0,4625 2,48 0,4934
0,41 0,1591 0,87 0,3078 1,33 0,4082 1,79 0,4633 2,50 0,4938
0,42 0,1628 0,88 0,3106 1,34 0,4099 1,80 0,4641 2,52 0,4941
0,43 0,1664 0,89 0,3133 1,35 0,4115 1,81 0,4649 2,54 0,4945
0,44 0,1700 0,90 0,3159 1,36 0,4131 1,82 0,4656 2,56 0,4948
0,45 0,1736 0,91 0,3186 1,37 0,4147 1,83 0,4664 2,58 0,4951
102
продолжение приложения 2
x Ф(х) x Ф(х) x Ф(х) x Ф(х) x Ф(х)
2,60 0,4953 2,72 0,4967 2,84 0,4977 2,96 0,4985 3,80 0,499928
2,62 0,4956 2,74 0,4969 2,86 0,4979 2,98 0,4986 4,00 0,499968
2,64 0,4959 2,76 0,4971 2,88 0,4980 3,00 0,49865 4,50 0,499997
2,66 0,4961 2,78 0,4973 2,90 0,4981 3,20 0,49931 5,00 0,499997
2,68 0,4963 2,80 0,4974 2,92 0,4982 3,40 0,49966
2,70 0,4965 2,82 0,4976 2,94 0,4984 3,60 0,499841
 103
Приложение 3
Критические точки распределения  2
Число Уровень значимости 
степеней
свободы k 0.01 0.025 0.05 0.95 0.975 0.99

1 6.6 5.0 3.8 0.0039 0.00098 0.00016

2 9.2 7.4 6.0 0.103 0.051 0.020
3 11.3 9.4 7.8 0.352 0.216 0.115
4 13.3 11.1 9.5 0.711 0.484 0.297
5 15.1 12.8 11.1 1.15 0.831 0.554
6 16.8 14.4 12.6 1.64 1.24 0.872
7 18.5 16.0 14.1 2.17 1.69 1.24
8 20.1 17.5 15.5 2.73 2.18 1.65
9 21.7 19.0 16.9 3.33 2.70 2.09
10 23.2 20.5 18.3 3.94 3.25 2.56
11 24.7 21.9 19.7 4.57 3.82 3.05
12 26.2 23.3 21 .0 5.23 4.40 3.57
13 27.7 24.7 22.4 5.89 5.01 4.11
14 29.1 26.1 23.7 6.57 5.63 4.66
15 30.6 27.5 25.0 7.26 6.26 5.23
16 32.0 28.8 26.3 7.96 6.91 5.81
17 33.4 30.2 27.6 8.67 7.56 6.41
18 34.8 31.5 28.9 9.39 8.23 7.01
19 36.2 32.9 30.1 10.1 8.91 7.63
20 37.6 34.2 31.4 10.9 9.59 8.26
21 38.9 35.5 32.7 11.6 10.3 8.90
22 40.3 36.8 33.9 12.3 11.0 9.54
23 41.6 38.1 35.2 13.1 11.7 10.2
24 43.0 39.4 36.4 13.8 12.4 10.9
25 44.3 40.6 37.7 14.6 13.1 11.5
26 45.6 41.9 38.9 15.4 13.8 12.2
27 47.0 43.2 40.1 16.2 14.6 12.9
28 48.3 44.5 41.3 16.9 15.3 13.6
29 49.6 45.7 42.6 17.7 16.0 14.3
30 50.9 47.0 43.8 18.5 16.8 15.0
104
Приложение 4
Критические точки распределения Стьюдента
Число Уровень значимости  (двусторонняя критическая
степеней область)
свободы k
0.10 0.05 0.02 0.01 0.002 0.001
1 6.31 12.7 31.82 63.7 318.3 637.0
2 2.92 4.30 6.97 9.92 22.33 31.6
3 2.35 3.18 4.54 5.84 10.22 12.9
4 2.13 2.78 3.75 4.60 7.17 8.61
5 2.01 2.57 3.37 4.03 5.89 6.86
6 1.94 2.45 3.14 3.71 5.21 5.96
7 1.89 2.36 3.00 3.50 4.79 5.40
8 1.86 2.31 2.90 3.36 4.50 5.04
9 1.83 2.26 2.82 3.25 4.30 4.78
10 1.81 2.23 2.76 3.17 4.14 4.59
11 1.80 2.20 2.72 3.11 4.03 4.44
12 1.78 2.18 2.68 3.05 3.93 4.32
13 1.77 2.16 2.65 3.01 3.85 4.22
14 1.76 2.14 2.62 2.98 3.79 4.14
15 1.75 2.13 2.60 2.95 3.73 4.07
16 1.75 2.12 2.58 2.92 3.69 4.01
17 1.74 2.11 2.57 2.90 3.65 3.95
18 1.73 2.10 2.55 2.88 3.61 3.92
19 1.73 2.09 2.54 2.86 3.58 3.88
20 1.73 2.09 2.53 2.85 3.55 3.85
21 1.72 2.08 2.52 2.83 3.53 3.82
22 1.72 2.07 2.51 2.82 3.51 3.79
23 1.71 2.07 2.50 2.81 3.59 3.77
24 1.71 2.06 2.49 2.80 3.47 3.74
25 1.71 2.06 2.49 2.79 3.45 3.72
26 1.71 2.06 2.48 2.78 3.44 3.71
27 1.71 2.05 2.47 2.77 3.42 3.69
28 1.70 2.05 2.46 2.76 3.40 3.66
29 1.70 2.05 2.46 2.76 3.40 3.66
30 1.70 2.04 2.46 2.75 3.39 3.65
40 1.68 2.02 2.42 2.70 3.31 3.55
60 1.67 2.00 2.39 2.66 3.23 3.46
120 1.66 1.98 2.36 2.62 3.17 3.37
 1.64 1.96 2.33 2.58 3.09 3.29
0.05 0.025 0.01 0.005 0.001 0.0005
Уровень значимости  (односторонняя критическая
область)
 105
Приложение 5
Критические точки распределения Фишера
( k1 — число степеней свободы большей дисперсии,
k2 —число степеней свободы меньшей дисперсии)

Уровень значимости  = 0.01

k1
1 2 3 4 5 6 7 8 9 10 11 12
k2
1 4052 4999 5403 5625 5764 5889 5928 5981 6022 6056 6082 6106
99.33 99.30 99.34 99.36 99.36 99.40 99.41
2 98.49 99.01 90.17 99.25 99.42
28.71 27.91 27.67 27.49 27.34 27.23 27.13
3 34.12 30.81 29.46 28.24 27.05
15.98 15.52 15.21 14.98 14.80 14.66 14.54 14.45
4 21.20 18.00 16.69 14.37
11.39 10.97 10.67 10.45 10.27 10.15 10.05 9.96
5 16.26 13.27 12.06 9.89
9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.79
6 13.74 10.92 9.78 7.72
7.85 7.46 7.19 7.00 6.84 6.71 6.62 6.54
7 12.25 9.55 8.45 6.47
7.01 6.63 6.37 6.19 6.03 5.91 5.82 5.74
8 11.26 8.65 7.59 5.67

9 10.56 8.02 6.99 6.42 6.06 5.80 5.62 5.47 5.35 5.26 5.18 5.11
10 10.04 7.56 6.55 5.99 5.64 5.39 5.21 5.06 4.95 4.85 4.78 4.71
11 9.86 7.20 6.22 5.67 5.32 5.07 4.88 4.74 4.63 4.54 4.46 4.40
12 9.33 6.93 5.95 5.41 5.06 4.82 4.65 4.50 4.39 4.30 4.22 4.16
13 9.07 6.70 5.74 5.20 4.86 4.62 4.44 4.30 4.19 4.10 4.02 3.96
14 8.86 6.51 5.56 5.03 4.69 4.46 4.28 4.14 4.03 3.94 3.86 3.80
15 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80 3.73 3.67
16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3.69 3.61 3.55
17 8.40 6.11 5.18 4.67 4.34 4.10 3.93 3.79 3.68 3.59 3.52 3.45
106
Продолжение приложения 5

Уровень значимости  =0.05

k1
1 2 3 4 5 6 7 8 9 10 11 12
k2
1 161 200 216 225 230 234 237 239 241 242 243 244
2 18.5 19.00 19.16 19.25 19:30 19.33 19.36 19.37 19.38 19.39 19.40 19.41
3 10.13 9.55 9.28 9.12 9.01 8.94 8.88 8.84 8.81 8.78 8.76 8.74
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.93 5.91
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.78 4.74 4.70 4.68
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.03 4.00
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.63 3.60 3.57
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.34 3.31 3.28
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.13 3.10 3.07
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.97 2.94 2.91
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.86 2.82 2.79
12 4.75 3.88 3.49 3.26 3.11 3.00 2.92 2.85 2.80 2.76 2.72 2.69
13 4.67 3.80 3.41 3.18 3.02 2.92 2.84 2.77 2.72 2.67 2.63 2.60
14 4.60 3.74 3.34 3.11 2.96 2.85 2.77 2.70 2.65 2.60 2.56 2.53
15 4.54 3.68 3.29 3.06 2.90 2.79 2.70 2.64 2.59 2.55 2.51 2.48
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.45 2.42
17 4.45 3.59 3.20 2.96 2.81 2.70 2.62 2.55 2.50 2.45 2.41 2.38
 107
ЛИТЕРАТУРА
1. Белько И.В. Теория вероятностей, математическая статистика,
математическое программирование [Электронный ресурс]: учебное пособие /
Белько И.В., Морозова И.М., Криштапович Е.А. - М.:НИЦ ИНФРА-М, Нов.
знание, 2016. - 299 с. – Режим доступа:
[Link]
2. Березинец, И. В. Практикум по теории вероятностей и математической
статистике[Электронный ресурс]/ И. В. Березинец; Высшая школа
менеджмента СПбГУ. — 9-е изд., испр. и доп. — СПб.: Изд-во «Высшая школа
менеджмента», 2013. - 163 с. – Режим доступа:
[Link]
3. Гулай, Т.А. Теория вероятностей и математическая статистика
[Электронный ресурс]: учебное пособие / Т.А. Гулай, А.Ф. Долгополова, Д.Б.
Литвин, С.В. Мелешко. - 2-е изд., доп. – Ставрополь: АГРУС, 2013. - 260 с. -
Режим доступа: [Link]
4. Гмурман, В.Е. Теория вероятностей и математическая статистика. Учеб.
пособие для вузов / В.Е. Гмурман. – 9-е изд., стер. – М.:Высш.шк., 2003. –
479 с.: ил.
5. Гмурман, В.Е. Руководство к решению задач по теории вероятностей и
математической статистики: Учеб. пособие для студенотов вузов/В.Е. Гмурман.
– 7-е изд., доп. – М.: Высш. шк., 2003. – 405 с.: ил.
6. Кремер, Н. Ш. Теория вероятностей и математическая статистика
[Электронный ресурс]: учебник для студентов вузов, обучающихся по
экономическим специальностям / Н. Ш. Кремер. - 3-е изд., перераб. и доп. - М.:
ЮНИТИ-ДАНА, 2012. - 551 с. - Режим доступа:
[Link]
7. Кочетков Е.С. Теория вероятностей и математическая статистика:
Учебник/Е.С. Кочетков, С.О. Смерчинская, В.В. Соколов. - 2-e изд., испр. и
перераб. - М.: Форум: НИЦ ИНФРА-М, 2014. - 240 с. – Режим доступа:
[Link]
8. Теория вероятностей: Учебник [Электронный ресурс]/ Р.Ш.
Хуснутдинов. - М.: НИЦ ИНФРА-М, 2013. - 175 с. – Режим доступа:
[Link]
9. Методические указания и контрольные задания по дисциплине
«Статистика в фармации» для студентов заочного факультета/ Ю.Л. Данилов,
Л.А. Соснина, Н.Е. Тихонова, С.И. Фаерштейн. – Пермь: Из-во ПГФА, 2012.-
68с. – Режим доступа: [Link]
10. Шмойлова Р.А., Минашкин В.Г., Садовникова Н.А. Практикум по
теории статистики. – М.: Финансы и статистика, 2006. – 416 с. – Режим
доступа: [Link]