Этот вопрос уже давно подробно изучен, и наиболее широкое распространение получил метод полярных координат, предложенный Джорджем Боксом, Мервином Мюллером и Джорджем Марсальей в 1958 году. Данный метод позволяет получить пару независимых нормально распределенных случайных величин с математическим ожиданием 0 и дисперсией 1 следующим образом:

Где Z 0 и Z 1 - искомые значения, s = u 2 + v 2 , а u и v - равномерно распределенные на отрезке (-1, 1) случайные величины, подобранные таким образом, чтобы выполнялось условие 0 < s < 1.
Многие используют эти формулы, даже не задумываясь, а многие даже и не подозревают об их существовании, так как пользуются готовыми реализациями. Но есть люди, у которых возникают вопросы: «Откуда взялась эта формула? И почему получается сразу пара величин?». Далее я постараюсь дать наглядный ответ на эти вопросы.

Для начала напомню, что такое плотность вероятности, функция распределения случайной величины и обратная функция. Допустим, есть некая случайная величина, распределение которой задано функцией плотности f(x), имеющей следующий вид:

Это означает, что вероятность того, что значение данной случайной величины окажется в интервале (A, B), равняется площади затененной области. И как следствие, площадь всей закрашенной области должна равняться единице, так как в любом случае значение случайной величины попадет в область определения функции f.
Функция распределения случайной величины является интегралом от функции плотности. И в данном случае ее примерный вид будет такой:

Тут смысл в том, что значение случайной величины будет меньше чем A с вероятностью B. И как следствие, функция никогда не убывает, а ее значения лежат в отрезке .

Обратная функция - это функция, которая возвращает аргумент исходной функции, если в нее передать значение исходной функции. Например, для функции x 2 обратной будет функция извлечения корня, для sin(x) это arcsin(x) и т.д.

Так как большинство генераторов псевдослучайных чисел на выходе дают только равномерное распределение, то часто возникает необходимость его преобразования в какое-либо другое. В данном случае в нормальное Гауссовское:

Основу всех методов преобразования равномерного распределения в любое другое составляет метод обратного преобразования. Работает он следующим образом. Находится функция, обратная функции необходимого распределения, и в качестве аргумента передается в нее равномерно распределенная на отрезке (0, 1) случайная величина. На выходе получаем величину с требуемым распределением. Для наглядности привожу следующую картинку.

Таким образом, равномерный отрезок как бы размазывается в соответствии с новым распределением, проецируясь на другую ось через обратную функцию. Но проблема в том, что интеграл от плотности Гауссовского распределения вычисляется непросто, поэтому вышеперечисленным ученым пришлось схитрить.

Существует распределение хи-квадрат (распределение Пирсона), которое представляет собой распределение суммы квадратов k независимых нормальных случайных величин. И в случае, когда k = 2, это распределение является экспоненциальным.

Это означает, что если у точки в прямоугольной системе координат будут случайные координаты X и Y, распределенные нормально, то после перевода этих координат в полярную систему (r, θ) квадрат радиуса (расстояния от начала координат до точки) будет распределен по экспоненциальному закону, так как квадрат радиуса - это сумма квадратов координат (по закону Пифагора). Плотность распределения таких точек на плоскости будет выглядеть следующим образом:

Так как она равноценна во всех направлениях, угол θ будет иметь равномерное распределение в диапазоне от 0 до 2π. Справедливо и обратное: если задать точку в полярной системе координат с помощью двух независимых случайных величин (угла, распределенного равномерно, и радиуса, распределенного экспоненциально), то прямоугольные координаты этой точки будут являться независимыми нормальными случайными величинами. А экспоненциальное распределение из равномерного получить уже гораздо проще, с помощью того же метода обратного преобразования. В этом и заключается суть полярного метода Бокса-Мюллера.
Теперь выведем формулы.

(1)

Для получения r и θ нужно сгенерировать две равномерно распределенные на отрезке (0, 1) случайные величины (назовем их u и v), распределение одной из которых (допустим v) необходимо преобразовать в экспоненциальное для получения радиуса. Функция экспоненциального распределения выглядит следующим образом:

Обратная к ней функция:

Так как равномерное распределение симметрично, то аналогично преобразование будет работать и с функцией

Из формулы распределения хи-квадрат следует, что λ = 0,5. Подставим в эту функцию λ, v и получим квадрат радиуса, а затем и сам радиус:

Угол получим, растянув единичный отрезок до 2π:

Теперь подставим r и θ в формулы (1) и получим:

(2)

Эти формулы уже готовы к использованию. X и Y будут независимы и распределены нормально с дисперсией 1 и математическим ожиданием 0. Чтобы получить распределение с другими характеристиками достаточно умножить результат функции на среднеквадратическое отклонение и прибавить математическое ожидание.
Но есть возможность избавиться от тригонометрических функций, задав угол не прямо, а косвенно через прямоугольные координаты случайной точки в круге. Тогда через эти координаты можно будет вычислить длину радиус-вектора, а потом найти косинус и синус, поделив на нее x и y соответственно. Как и почему это работает?
Выберем случайную точку из равномерно распределенных в круге единичного радиуса и обозначим квадрат длины радиус-вектора этой точки буквой s:

Выбор осуществляется заданием случайных прямоугольных координат x и y, равномерно распределенных в интервале (-1, 1), и отбрасыванием точек, которые не принадлежат кругу, а также центральной точки, в которой угол радиус-вектора не определен. То есть должно выполниться условие 0 < s < 1. Тогда, как и в случае с Гауссовским распределением на плоскости, угол θ будет распределен равномерно. Это очевидно - количество точек в каждом направлении одинаково, значит каждый угол равновероятен. Но есть и менее очевидный факт - s тоже будет иметь равномерное распределение. Полученные s и θ будут независимы друг от друга. Поэтому мы можем воспользоваться значением s для получения экспоненциального распределения, не генерируя третью случайную величину. Подставим теперь s в формулы (2) вместо v, а вместо тригонометрических функций - их расчет делением координаты на длину радиус-вектора, которая в данном случае является корнем из s:

Получаем формулы, как в начале статьи. Недостаток этого метода - отбрасывание точек, не вошедших в круг. То есть использование только 78,5% сгенерированных случайных величин. На старых компьютерах отсутствие тригонометрических функций всё равно давало большое преимущество. Сейчас, когда одна команда процессора за мгновение вычисляет одновременно синус и косинус, думаю, эти методы могут еще посоревноваться.

Лично у меня остается еще два вопроса:

• Почему значение s распределено равномерно?
• Почему сумма квадратов двух нормальных случайных величин распределена экспоненциально?

Так как s - это квадрат радиуса (для простоты радиусом я называю длину радиус-вектора, задающего положение случайной точки), то сначала выясним, как распределены радиусы. Так как круг заполнен равномерно, очевидно, что количество точек с радиусом r пропорционально длине окружности радиуса r. А длина окружности пропорциональна радиусу. Значит плотность распределения радиусов возрастает равномерно от центра окружности к её краям. А функция плотности имеет вид f(x) = 2x на интервале (0, 1). Коэффициент 2 для того, чтобы площадь фигуры под графиком равнялась единице. При возведении такой плотности в квадрат, она превращается в равномерную. Так как теоретически в данном случае для этого необходимо функцию плотности разделить на производную от функции преобразования (то есть от x 2). А наглядно это происходит так:

Если аналогичное преобразование сделать для нормальной случайной величины, то функция плотности ее квадрата окажется похожей на гиперболу. А сложение двух квадратов нормальных случайных величин уже гораздо более сложный процесс, связанный с двойным интегрированием. И то, что в результате получится экспоненциальное распределение, лично мне тут остаётся проверить практическим методом или принять как аксиому. А кому интересно, предлагаю ознакомиться с темой поближе, почерпнув знаний из этих книжек:

• Вентцель Е.С. Теория вероятностей
• Кнут Д.Э. Искусство Программирования, том 2

В заключение приведу пример реализации генератора нормально распределенных случайных чисел на языке JavaScript:

Function Gauss() { var ready = false; var second = 0.0; this.next = function(mean, dev) { mean = mean == undefined ? 0.0: mean; dev = dev == undefined ? 1.0: dev; if (this.ready) { this.ready = false; return this.second * dev + mean; } else { var u, v, s; do { u = 2.0 * Math.random() - 1.0; v = 2.0 * Math.random() - 1.0; s = u * u + v * v; } while (s > 1.0 || s == 0.0); var r = Math.sqrt(-2.0 * Math.log(s) / s); this.second = r * u; this.ready = true; return r * v * dev + mean; } }; } g = new Gauss(); // создаём объект a = g.next(); // генерируем пару значений и получаем первое из них b = g.next(); // получаем второе c = g.next(); // снова генерируем пару значений и получаем первое из них
Параметры mean (математическое ожидание) и dev (среднеквадратическое отклонение) не обязательны. Обращаю ваше внимание на то, что логарифм натуральный.

Как было сказано ранее, примерами распределений вероятностей непрерывной случайной величины Х являются:

• равномерное распределение вероятностей непрерывной случайной величины;
• показательное распределение вероятностей непрерывной случайной величины;
• нормальное распределение вероятностей непрерывной случайной величины.

Дадим понятие равномерного и показательного законов распределения, формулы вероятности и числовые характеристики рассматриваемых функций.

Показатель	Раномерный закон распределения	Показательный закон распределения
Определение	Равномерным называется распределение вероятностей непрерывной случайной величины X, плотность которого сохраняет постоянное значение на отрезке и имеет вид	Показательным (экспоненциальным) называется распределение вероятностей непрерывной случайной величины X, которое описывается плотностью, имеющей вид
		где λ – постоянная положительная величина
Функция распределения
Вероятность попадания в интервал
Математическое ожидание
Дисперсия
Среднее квадратическое отклонение

Примеры решения задач по теме «Равномерный и показательный законы распределения»

Задача 1.

Автобусы идут строго по расписанию. Интервал движения 7 мин. Найти: а) вероятность того, что пассажир, подошедший к остановке, будет ожидать очередной автобус менее двух минут; б) вероятность того, что пассажир, подошедший к остановке, будет ожидать очередной автобус не менее трех минут; в) математическое ожидание и среднее квадратическое отклонение случайной величины X – времени ожидания пассажира.

Решение. 1. По условию задачи непрерывная случайная величина X={время ожидания пассажира} равномерно распределена между приходами двух автобусов. Длина интервала распределения случайной величины Х равна b-a=7, где a=0, b=7.

2. Время ожидания будет менее двух минут, если случайная величина X попадает в интервал (5;7). Вероятность попадания в заданный интервал найдем по формуле: Р(х 1 <Х<х 2)=(х 2 -х 1)/(b-a) .
Р(5 < Х < 7) = (7-5)/(7-0) = 2/7 ≈ 0,286.

3. Время ожидания будет не менее трех минут (т.е. от трех до семи мин.), если случайная величина Х попадает в интервал (0;4). Вероятность попадания в заданный интервал найдем по формуле: Р(х 1 <Х<х 2)=(х 2 -х 1)/(b-a) .
Р(0 < Х < 4) = (4-0)/(7-0) = 4/7 ≈ 0,571.

4. Математическое ожидание непрерывной, равномерно распределенной случайной величины X – времени ожидания пассажира, найдем по формуле: М(Х)=(a+b)/2 . М(Х) = (0+7)/2 = 7/2 = 3,5.

5. Среднее квадратическое отклонение непрерывной, равномерно распределенной случайной величины X – времени ожидания пассажира, найдем по формуле: σ(X)=√D=(b-a)/2√3 . σ(X)=(7-0)/2√3=7/2√3≈2,02.

Задача 2.

Показательное распределение задано при x ≥ 0 плотностью f(x) = 5e – 5x. Требуется: а) записать выражение для функции распределения; б) найти вероятность того, что в результате испытания X попадает в интервал (1;4); в) найти вероятность того, что в результате испытания X ≥ 2 ; г) вычислить M(X), D(X), σ(X).

Решение. 1. Поскольку по условию задано показательное распределение , то из формулы плотности распределения вероятностей случайной величины X получаем λ = 5. Тогда функция распределения будет иметь вид:

2. Вероятность того, что в результате испытания X попадает в интервал (1;4) будем находить по формуле:
P(a < X < b) = e −λa − e −λb .
P(1 < X < 4) = e −5*1 − e −5*4 = e −5 − e −20 .

3. Вероятность того, что в результате испытания X ≥ 2 будем находить по формуле: P(a < X < b) = e −λa − e −λb при a=2, b=∞.
Р(Х≥2) = P(1< X < 4) = e −λ*2 − e −λ*∞ = e −2λ − e −∞ = e −2λ - 0 = e −10 (т.к. предел e −х при х стремящемся к ∞ равен нулю).

4. Находим для показательного распределения:

• математическое ожидание по формуле M(X) =1/λ = 1/5 = 0,2;
• дисперсию по формуле D(X) = 1/ λ 2 = 1/25 = 0,04;
• среднее квадратическое отклонение по формуле σ(Х) = 1/λ = 1/5 = 1,2.

Равномерным считается распределœение, при котором всœе значения случайной величины (в области ее существования, к примеру, в интервале ) равновероятны. Функция распределœения для такой случайной величины имеет вид:

Плотность распределœения:

1

Рис. Графики функции распределœения (слева) и плотности распределœения (справа).

Равномерное распределение - понятие и виды. Классификация и особенности категории "Равномерное распределение" 2017, 2018.

- Равномерное распределение

Основные дискретные распределения случайных величин Определение 1. Случайная величина Х, принимающая значения 1, 2, …, n, имеет равномерное распределение, если Pm = P(Х = m) = 1/n, m = 1, …, n. Очевидно, что. Рассмотрим следующую задачу.В урне имеется N шаров, из них M шаров белого... .

- Равномерное распределение

Законы распределения непрерывных случайных величин Определение 5. Непрерывная случайная величина Х, принимающая значение на отрезке , имеет равномерное распределение, если плотность распределения имеет вид. (1) Нетрудно убедиться, что, . Если случайная величина... .

- Равномерное распределение

Равномерным считается распределение, при котором все значения случайной величины (в области ее существования, например, в интервале ) равновероятны. Функция распределения для такой случайной величины имеет вид: Плотность распределения: F(x) f(x) 1 0 a b x 0 a b x ... .

- Равномерное распределение

Нормальный законы распределения Равномерный, показательный и Функция плотности вероятности равномерного закона такова: (10.17) где a и b – данные числа, a < b; a и b – это параметры равномерного закона. Найдем функцию распределения F(x)... .

- Равномерное распределение

Равномерное распределение вероятностей является простейшим и может быть как дискретным, так и непрерывным. Дискретное равномерное распределение – это такое распределение, для которого вероятность каждого из значений СВ одна и та же, то есть: где N – количество... .

- Равномерное распределение

Определение 16.Непрерывная случайная величина имеет равномерное распределение на отрезке , если на этом отрезке плотность распределения данной случайной величины постоянна, а вне его равна нулю, то есть (45) График плотности для равномерного распределения изображен...

Равномерное распределение. Случайная величина X имеет смысл координаты точки, выбранной наудачу на отрезке

[а, Ь. Равномерную плотность распределения случайной величины X (рис. 10.5, а) можно определить как:

Рис. 10.5. Равномерное распределение случайной величины: а - плотность распределения; б - функция распределения

Функция распределения случайной величины X имеет вид:

График функции равномерного распределения показан на рис. 10.5, б.

Преобразование Лапласа равномерного распределения вычислим по (10.3):

Математическое ожидание и дисперсия легко вычисляются непосредственно из соответствующих определений:

Аналогичные формулы для математического ожидания и дисперсии можно также получить с использованием преобразования Лапласа по формулам (10.8), (10.9).

Рассмотрим пример системы сервиса, которую можно описать равномерным распределением.

Движение транспорта на перекрестке регулируется автоматическим светофором, в котором 1 мин горит зеленый свет и 0,5 мин - красный. Водители подъезжают к перекрестку в случайные моменты времени с равномерным распределением, не связанным с работой светофора. Найдем вероятность того, что автомобиль проедет перекресток, не останавливаясь.

Момент проезда автомобиля через перекресток распределен равномерно в интервале 1 + 0,5 = 1,5 мин. Автомобиль проедет через перекресток, не останавливаясь, если момент проезда перекрестка попадает в интервал времени . Для равномерно распределенной случайной величины в интервале вероятность попадания в интервал равна 1/1,5=2/3. Время ожидания Г ож есть смешанная случайная величина. С вероятностью 2/3 она равна нулю, а с вероятностью 0,5/1,5 принимает любое значение между 0 и 0,5 мин. Следовательно, среднее время и дисперсия ожидания у перекрестка

Экспоненциальное (показательное) распределение. Для экспоненциального распределения плотность распределения случайной величины можно записать как:

где А называют параметром распределения.

График плотности вероятности экспоненциального распределения дан на рис. 10.6, а.

Функция распределения случайной величины с экспоненциальным распределением имеет вид

Рис. 10.6. Экспоненциальное распределение случайной величины: а - плотность распределения; б - функция распределения

График функции экспоненциального распределения показан на рис. 10.6, 6.

Преобразование Лапласа экспоненциального распределения вычислим по (10.3):

Покажем, что для случайной величины X, имеющей экспоненциальное распределение, математическое ожидание равно среднеквадратическому отклонению а и обратно параметру А,:

Таким образом, для экспоненциального распределения имеем: Можно также показать, что

т.е. экспоненциальное распределение полностью характеризуется средним значением или параметром X .

Экспоненциальное распределение обладает рядом полезных свойств, которые используются при моделировании систем сервиса. Например, оно не имеет памяти. Когда , то

Другими словами, если случайная величина соответствует времени, то распределение оставшейся длительности не зависит от времени, которое уже прошло. Данное свойство иллюстрирует рис. 10.7.

Рис. 10.7.

Рассмотрим пример системы, параметры функционирования которой можно описать экспоненциальным распределением.

При работе некоторого прибора в случайные моменты времени возникают неисправности. Время работы прибора Т от его включения до возникновения неисправности распределено по экспоненциальному закону с параметром X. При обнаружении неисправности прибор сразу поступает в ремонт, который продолжается время / 0 . Найдем плотность и функцию распределения промежутка времени Г, между двумя соседними неисправностями, математическое ожидание и дисперсию, а также вероятность того, что время Т х будет больше 2t 0 .

Так как ,то

Нормальное распределение. Нормальным называют распределение вероятностей непрерывной случайной величины, которое описывается плотностью

Из (10.48) следует, что нормальное распределение определяется двумя параметрами - математическим ожиданием т и дисперсией а 2 . График плотности вероятности случайной величины с нормальным распределением при т= 0, а 2 =1 показан на рис. 10.8, а.

Рис. 10.8. Нормальный закон распределения случайной величины при т = 0, ст 2 = 1: а - плотность вероятности; 6 - функция распределения

Функция распределения описывается формулой

График функции распределения вероятности нормально распределенной случайной величины при т = 0, а 2 = 1 показан на рис. 10.8, б.

Определим вероятность того, что X примет значение, принадлежащее интервалу (а, р):

где - функция Лапласа, и вероятность того,

что абсолютное значение отклонения меньше положительного числа 6:

В частности, при т = 0 справедливо равенство:

Как видно, случайная величина с нормальным распределением может принимать как положительные значения, так и отрицательные. Поэтому для вычисления моментов необходимо использовать двустороннее преобразование Лапласа

Однако этот интеграл не обязательно существует. Если он существует, вместо (10.50) обычно используют выражение

которое называют характеристической функцией или производящей функцией моментов.

Вычислим по формуле (10.51) производящую функцию моментов нормального распределения:

После преобразования числителя подэкспоненциального выражения к виду получим

Интеграл

так как является интегралом нормальной плотности вероятности с параметрами т + so 2 и а 2 . Следовательно,

Дифференцируя (10.52), получим

Из данных выражений можно найти моменты:

Нормальное распределение широко распространено на практике, так как, согласно центральной предельной теореме, если случайная величина представляет собой сумму очень большого числа взаимно независимых случайных величин, влияние каждой из которых на всю сумму ничтожно мало, то имеет распределение, близкое к нормальному.

Рассмотрим пример системы, параметры которой можно описать нормальным распределением.

Предприятие изготовляет деталь заданного размера. Качество детали оценивается путем измерения ее размера. Случайные ошибки измерения подчинены нормальному закону со средним квадратическим отклонением а - Юмкм. Найдем вероятность того, что ошибка измерения не будет превышать 15 мкм.

По (10.49) находим

Для удобства использования рассмотренных распределений сведем полученные формулы в табл. 10.1 и 10.2.

Таблица 10.1. Основные характеристики непрерывных распределений

Таблица 10.2. Производящие функции непрерывных распределений

КОНТРОЛЬНЫЕ ВОПРОСЫ

• 1. Какие распределения вероятностей относят к непрерывным?
• 2. Что такое преобразование Лапласа-Стилтьеса? Для чего оно используется?
• 3. Как вычислить моменты случайных величин с использованием преобразования Лапласа-Стилтьеса?
• 4. Чему равно преобразование Лапласа суммы независимых случайных величин?
• 5. Как вычислить среднее время и дисперсию времени перехода системы из одного состояния в другое с использованием сигнальных графов?
• 6. Дайте основные характеристики равномерного распределения. Приведите примеры его использования в задачах сервиса.
• 7. Дайте основные характеристики экспоненциального распределения. Приведите примеры его использования в задачах сервиса.
• 8. Дайте основные характеристики нормального распределения. Приведите примеры его использования в задачах сервиса.

В качестве примера непрерывной случайной величины рассмотрим случайную величину X, равномерно распределенную на интервале (a; b). Говорят, что случайная величина X равномерно распределена на промежутке (a; b), если ее плотность распределения непостоянна на этом промежутке:

Из условия нормировки определим значение константы c . Площадь под кривой плотности распределения должна быть равна единице, но в нашем случае - это площадь прямоугольника с основанием (b - α) и высотой c (рис. 1).

Рис. 1 Плотность равномерного распределения
Отсюда находим значение постоянной c:

Итак, плотность равномерно распределенной случайной величины равна

Найдем теперь функцию распределения по формуле:
1) для
2) для
3) для 0+1+0=1.
Таким образом,

Функция распределения непрерывна и не убывает (рис. 2).

Рис. 2 Функция распределения равномерно распределенной случайной величины

Найдем математическое ожидание равномерно распределенной случайной величины по формуле:

Дисперсия равномерного распределения рассчитывается по формуле и равна

Пример №1 . Цена деления шкалы измерительного прибора равна 0.2 . Показания прибора округляют до ближайшего целого деления. Найти вероятность того, что при отсчете будет сделана ошибка: а) меньшая 0.04 ; б) большая 0.02
Решение. Ошибка округления есть случайная величина, равномерно распределенная на промежутке между соседними целыми делениями. Рассмотрим в качестве такого деления интервал (0; 0,2) (рис. а). Округление может проводиться как в сторону левой границы - 0, так и в сторону правой - 0,2, значит, ошибка, менее либо равная 0,04, может быть сделана два раза, что необходимо учесть при подсчете вероятности:



P = 0,2 + 0,2 = 0,4

Для второго случая величина ошибки может превышать 0,02 также с обеих границ деления, то есть она может быть либо больше 0,02, либо меньше 0,18.


Тогда вероятность появления такой ошибки:

Пример №2 . Предполагалось, что о стабильности экономической обстановки в стране (отсутствии войн, стихийных бедствий и т. д.) за последние 50 лет можно судить по характеру распределения населения по возрасту: при спокойной обстановке оно должно быть равномерным . В результате проведенного исследования, для одной из стран были получены следующие данные.

Имеются ли основания полагать, что в стране была нестабильная обстановка?

Решение проводим с помощью калькулятора Проверка гипотез . Таблица для расчета показателей.

Группы	Середина интервала, x i	Кол-во, f i	x i * f i	Накопленная частота, S	|x - x ср |*f	(x - x ср) 2 *f	Частота, f i /n
0 - 10	5	0.14	0.7	0.14	5.32	202.16	0.14
10 - 20	15	0.09	1.35	0.23	2.52	70.56	0.09
20 - 30	25	0.1	2.5	0.33	1.8	32.4	0.1
30 - 40	35	0.08	2.8	0.41	0.64	5.12	0.08
40 - 50	45	0.16	7.2	0.57	0.32	0.64	0.16
50 - 60	55	0.13	7.15	0.7	1.56	18.72	0.13
60 - 70	65	0.12	7.8	0.82	2.64	58.08	0.12
70 - 80	75	0.18	13.5	1	5.76	184.32	0.18
		1	43		20.56	572	1

Показатели центра распределения .
Средняя взвешенная


Показатели вариации .
Абсолютные показатели вариации .
Размах вариации - разность между максимальным и минимальным значениями признака первичного ряда.
R = X max - X min
R = 70 - 0 = 70
Дисперсия - характеризует меру разброса около ее среднего значения (мера рассеивания, т.е. отклонения от среднего).


Среднее квадратическое отклонение .

Каждое значение ряда отличается от среднего значения 43 не более, чем на 23.92
Проверка гипотез о виде распределения .
4. Проверка гипотезы о равномерном распределении генеральной совокупности.
Для того чтобы проверить гипотезу о равномерном распределении X,т.е. по закону: f(x) = 1/(b-a) в интервале (a,b)
надо:
1. Оценить параметры a и b - концы интервала, в котором наблюдались возможные значения X, по формулам (через знак * обозначены оценки параметров):

2. Найти плотность вероятности предполагаемого распределения f(x) = 1/(b * - a *)
3. Найти теоретические частоты:
n 1 = nP 1 = n = n*1/(b * - a *)*(x 1 - a *)
n 2 = n 3 = ... = n s-1 = n*1/(b * - a *)*(x i - x i-1)
n s = n*1/(b * - a *)*(b * - x s-1)
4. Сравнить эмпирические и теоретические частоты с помощью критерия Пирсона, приняв число степеней свободы k = s-3, где s - число первоначальных интервалов выборки; если же было произведено объединение малочисленных частот, следовательно, и самих интервалов, то s - число интервалов, оставшихся после объединения.

Решение:
1. Найдем оценки параметров a * и b * равномерного распределения по формулам:


2. Найдем плотность предполагаемого равномерного распределения:
f(x) = 1/(b * - a *) = 1/(84.42 - 1.58) = 0.0121
3. Найдем теоретические частоты:
n 1 = n*f(x)(x 1 - a *) = 1 * 0.0121(10-1.58) = 0.1
n 8 = n*f(x)(b * - x 7) = 1 * 0.0121(84.42-70) = 0.17
Остальные n s будут равны:
n s = n*f(x)(x i - x i-1)

i	n i	n * i	n i - n * i	(n i - n* i) 2	(n i - n * i) 2 /n * i
1	0.14	0.1	0.0383	0.00147	0.0144
2	0.09	0.12	-0.0307	0.000943	0.00781
3	0.1	0.12	-0.0207	0.000429	0.00355
4	0.08	0.12	-0.0407	0.00166	0.0137
5	0.16	0.12	0.0393	0.00154	0.0128
6	0.13	0.12	0.0093	8.6E-5	0.000716
7	0.12	0.12	-0.000701	0	4.0E-6
8	0.18	0.17	0.00589	3.5E-5	0.000199
Итого	1				0.0532

Определим границу критической области. Так как статистика Пирсона измеряет разницу между эмпирическим и теоретическим распределениями, то чем больше ее наблюдаемое значение K набл, тем сильнее довод против основной гипотезы.
Поэтому критическая область для этой статистики всегда правосторонняя: }