Проверка гипотез статистические методы

Проверка однородности результатов измерений. Грубые измерения являются результатом поломки прибора или недосмотра экспериментатора, и результат, содержащий грубую ошибку, резко отличается по величине. На этом основаны статистические критерии оценки и исключения грубых измерений. Наличие грубой ошибки в выборке значений случайной величины X нарушает характер распределения, изменяет его параметры, т. е. нарушается однородность наблюдений. Поэтому выявление грубых ошибок можно трактовать как проверку однородности наблюдений, т. е. проверку гипотезы о том, что все элементы выборки х , х .-.-.Хп получены из одной и той же генеральной совокупности. Будем по-прежнему полагать, что случайная величина подчиняется нормальному распределению. Для решения этой задачи предложено несколько методов. [c.59]

В книге с использованием математической статистики рассмотрены методы оптимизации экспериментальных исследований в химии и химической технологии. Последовательно излагаются способы определения параметров законов распрсдело-Е1ИЯ, проверка статистических гипотез, методы дисперсионного, корреляционного и регрессионного анализов и планирования экстремального эксперимента также рассмотрены вопросы выбора оптимальной стратегии эксперимента при исследовании свойств многокомпонентных систсм. Статистические методы анализа и планирования эксперимента иллюстрируются примерами конкретных исследований в химии и химической технологии. [c.2]

Глава 7. Статистические методы проверки гипотез [c.126]

Статистический метод проверки гипотез [c.240]

При малом числе измерений более точные результаты дают статистические методы проверки гипотез. Проверяемая гипотеза состоит в утверждении, что результат измерения х, не содержит грубой погрешности, то есть, является одним из значений случайной величины д с законом распределения (х), статистические оценки параметров которого предварительно определены. Сомнительным может быть в первую очередь лишь наибольший Хтах или наименьший А тт ИЗ результатов измерений. Поэтому для проверки гипотезы следует воспользоваться распределением величин [c.84]

Второй подход основан на статистических методах проверки гипотез. Он в достаточной мере формализован и обычно в очень небольшой степени требует в процессе принятия решения привлечения интуиции и практического опыта исследователя. При этом стратегия проведения дискриминирующего эксперимента строится таким образом, чтобы при реализации каждого единичного опыта конкурирующие модели были поставлены в критические условия с точки зрения их описательной силы. Но степени согласия с опытными данными на определенном шаге испытания принимается решение об адекватности процессу той или иной модели. [c.193]

Действительно, после шести испытаний ни одна из апостериорных вероятностей не превысила величину, большую 0,27, что не позволяет сделать обоснованных выводов о пригодности той или иной модели. В этом отношении использование формализованной процедуры проверки гипотез выглядит более предпочтительным. Апостериорные вероятности принятия шестой модели близки к единице, в то время как вероятности принятия остальных гипотез исчезающе малы. Преимущество формализованной процедуры перед классической, конечно, не в том, что на данном примере с ее помощью удалось получить апостериорные вероятности, достаточно большие по величинам, а в том, что от опыта к опыту они изменяются гораздо более значительно, чем при классическом подходе. Иначе, формализованные, статистические методы позволяют устанавливать условия проведения дискриминирующих [c.195]

Итак, мы показали предпочтительность статистических методов проверки гипотез перед классическими методами, опирающимися в значительной мере на опыт и интуицию экспериментатора. Однако не следует считать, что аналогичная картина будет наблюдаться для всех без исключения химических систем. [c.196]

Расчет реакторов с твердым катализатором проводится в несколько этапов. Во-первых, устанавливаются модели пористой структуры зерна катализатора, кинетики адсорбции и модель зерна катализатора в целом. Идентификация моделей структуры зерна и адсорбции реагентов проводится вариационными методами по кривым отклика на последовательно планируемые возмущения индикатором. Эти методы используют в своей основе статистические процедуры проверки гипотез. Объединение моделей пористой структуры, кинетической и адсорбционной позволяет построить модель зерна, по которой на основе конечно-разностных или кол-локационных методов вычисляются длительности установления стационарных состояний и их возможное число, определяется характер формирования отдельных стационарных состояний и их устойчивость. [c.84]

После вычисления этих основных характеристик распределения ГОСТ 8.207—76 ГСИ. Прямые измерения с многократными наблюдениями. Методы обработки результатов наблюдений. Основные положения предусматривает проверку гипотезы о нормальности распределения случайной величины. Нормальный закон распределения рассматривался нами ранее. Общий вид нормального закона изображен на рис. 1-1. Выше отмечалось, что имеются как общетеоретические соображения, так и экспериментальные данные о том, что случайные значения результатов испытаний по определению показателей качества одного и того же нефтепродукта распределены по закону, близкому к нормальному. Сами значения показателей качества также в большом числе случаев подчинены нормальному закону распределения. Поэтому излагаемые в дальнейшем статистические критерии и методы основываются на нормальном законе распределения. [c.41]

Параметрические методы и связанные с ними статистические критерии предполагают известным вид функции распределения генеральной совокуп -ности, и проверка гипотез сводится определению неизвестных значений параметров распределений. [c.232]

Такая проверка необходима, если величина А определялась двумя разными методами с целью их сравнения или если величина А определялась одним и тем же методом для двух разных объектов, идентичность которых требуется доказать. Для проверки гипотезы 1.4.3 следует установить, существует ли статистически значимое различие между дисперсиями 5 и 8%. Эта проверка проводится так, как указано в разделе 1.3 (см. выражения 1.3.4, 1.3.5, 1.3.5а). Рассмотрим три случая. [c.212]

Все результаты анализа, а также все производные от них показатели всегда содержат неустранимую случайную ошибку. И всегда важно ее учитывать при сравнениях любых результатов измерений. Возможность учета открывают статистические методы проверки гипотез. При заданной статистической надежности (и соответствующем ей риске) эти статистические методы проверки гипотез позволяют дать объективную и общепринятую интерпретацию результатов анализа. [c.114]

Для осуществления проверки выдвигается статистическая гипотеза о генеральных совокупностях, из которых извлекаются результаты измерений. По проверяемым выборкам результатов вычисляют определенное критическое значение некоторой случайной величины Д и находят область Л (при условии, что соответствующее проверяемое распределение выполняется), внутри которой надо ожидать Д с заданной вероятностью Р. Если же критическое значение А лежит вне области Л, то исходная гипотеза отбрасывается. Различие между гипотетическими и наблюдаемыми величинами называется значимым или статистически достоверным. Однако зто различие не может служить достаточно надежной мерой оценки различия в самих генеральных совокупностях, к которым отнесены результаты измерений. Из статистически достоверной разности, например, двух средних XI — Х2 = Ахи еще не следует, что соответствующие совокупности отличаются именно на величину Ах 12. Поэтому ни в коем случае нельзя делать вывод о некотором конкретном числовом различии, опираясь на результаты проверки. Если критическое значение Д находится внутри области Л, то проверяемая гипотеза принимается. Однако из этого не следует еще, что она совершенно верна. Можно только сказать, что результаты измерений ей не противоречат. Поэтому такое различие в результатах называют недостоверным или незначимым. Из утверждения, что разность некоторых величин статистически незначима, еще не следует их равенство. Вопрос о том, можно ли рассматривать такую незначимую разность одновременно и как чисто случайную , нужно решать пр полном понимании статистических методов проверки гипотез (см. [1, 2, 7]) [c.114]

Для конкретной задачи сравнения двух аналитических методов определения покажем, как проводится статистическая проверка гипотез. Пусть результаты анализа -й пробы обоими методами равны Сц и Сгг. Разность ( г = Си — Сг/ — мера рассеяния результатов, обусловленная различием методов. Исследуется нуль-гипотеза Яо Я = 0. Для вычисления дисперсии разности 5 находим сумму [c.87]

Силу связи оценивают методом статистической проверки гипотез. При этом предполагается, что нулевой гипотезой Яо является условие рху = О (здесь символом рху обозначен истинный коэффициент корреляции для генеральных совокупностей величин х и у), т. е. отсутствие связи. Альтернативной гипотезой является гипотеза Н рху ф О, т. е. наличие связи. [c.125]

Более подробное изложение вопроса о проверке гипотезы нормальности распределения выборочной совокупности с помощью других критериев (критерий Колмогорова, критерий Пирсона) см. Пустыльник Е. И. Статистические методы анализа и обработки наблюдений. М. Наука, 1968. 7. [c.84]

В частности, для ответа на последний вопрос можно проанализировать с помощью испытуемой методики стандартный образец, содержание определяемого компонента в котором известно с высокой точностью. Различие между аттестованным и найденным (как среднее из нескольких параллельных определений) значениями может быть вызвано как случайными, так и системаг тическими (если они есть) погрешностями испытуемой методики. Поскольку случайных погрешностей избежать нельзя, найденное значение всегда будет отличаться от аттестованного, даже если систематические погрешности отсутствуют. Поэтому в подобной ситуации необходимо установить, значимо или нет различие полученных результатов, т. е. может или нет оно быть объяснено только наличием случайных погрешностей. Такое решение может быть принято на основании статистических критериев значимости критериев проверки гипотез). Понятно, что статистические методы, позволяющие принять или отвергнуть ту или иную гипотезу, имеют фундаментальное значение для правильной интерпретации аналитических данных. Главные этапы статистической проверки любой гипотезы перечислены на рис. 12.1-8. В их основе лежат следующие идеи. [c.435]

Некоторые новые методы статистической проверки гипотез [c.225]

Кожевникова И.А., Найденов В.И. Критерий проверки адекватности регрессионной модели и натурных данных на примере Каспийского моря. Статистические методы оценивания и проверки гипотез // Межвузовский сборник научных трудов. Пермь Изд-во Перм. ун-та, 1995. С. 284. [c.306]

В случае многопараметровых регрессий (п > 1) возникает проблема оценки значимости каждого из слагаемых в правой части уравнения (//. I). В формальном аспекте это выполняется методами статистической проверки гипотез [702]. Однако с практической точки зрения полезно использовать некоторые простые дополнительные критерии. Таковых можно предложить два отношение и изменение степени неадекватности в результате исключения /-го слагаемого из правой части уравнения (II. ). Например, можно условно принять, что величину а,- следует приравнять нулю, если выполнено одно пз нижеследующих требований [c.316]

Статистические методы часто используют для того, чтобы получить положительный или отрицательный ответ на конкретный вопрос, касающийся значимости данных. Ответ определяется доверительной вероятностью, указывающей степень определенности ответа. Этот метод известен как метод проверки гипотезы [17]. [c.579]

Книга состоит из шести глав. В первой главе излагаются методы расчета доверительного интервала и проверки некоторых статистических гипотез. Вторая — посвящена простейшим схемам дисперсионного анализа. В третьей и четвертой главах рассматривается регрессионный анализ и построение некоторых статистических планов, наиболее часто употребляемых при оптимизации химических процессов. Пятая глава посвящена методологии применения статистических планов для оптимизации технологических процессов. В последней, шес гой главе даны примеры разработки оптимальных режимов отдельных химических процессов с использованием статистических методов планирования экспериментов. Приложение к книге содержит необходимые сведения о матрицах, статистические таблицы и словарь терминов. [c.8]

Выдвинутая гипотеза может быть верной или неверной и поэтому возникает необходимость ее проверки статистическими методами. В итоге этой проверки в двух случаях может быть принято неверное решение. Эти случаи называют ошибками первого и второго рода. [c.304]

Учебное пособие посвящено статистическим методам оптимизации экспериментальных исследований в химии и химической технологии. Излагаются способы определения параметров законов распределения, проверки статистических гипотез, методы дисперсионного, корреляционного и регрессионного анализов и цланирования экстремального эксперимента. В отличие от предыдущего издания (1978) несколько изменено название, расширены примеры использования рассматриваемых методов, переработан и дополнен раздел, посвященный корреляционному и регрессионному анализу, рассмотрены методы планирования промышленных экспериментов, [c.2]

При применении параметрических методов оценки полагают, что вид закона распределения наработки до отказа известен до испытания по общим соображениям выборка, по которой оценивают показатели безотказности, статистически однородна. Проверка гипотезы о виде закона распределения осуществляеася с помощью критериев согласия с отбраковкой недостоверньк данных. [c.716]

Для сложных реакций, когда схема механизма протекания элементарных стадий неизвестна и скорости превращения исходных веществ и образования конечных продуктов одновременно зависят от нескольких параметров, выбор вида кинетичро.кого уравнения с применением аналитических методов становится затруднительным. С одной стороны, это связано с тем, что далеко не всегда удается заранее спланировать условия опыта так, чтобы из числа нескольких параметров, влияющих одновременно на скорость реакции, обеспечить изменение только какого-либо одного параметра и тем самым получить зависимость скорости превращения компонентов в отдельности от каждой из концентраций (или парциальных давлений) исходных веществ и конечных продуктов и на основе этого предсказать как механизм протекания реакций, так и выбрать подходящие для них уравнения кинетики. С другой стороны, расшифровка механизма реакций требует достаточно высокой техники эксперимента и точных методов анализа реакционной смеси, что для многих разрабатываемых процессов является либо технически трудно выполнимой задачей, либо затягивается на весьма длительные сроки. В этих случаях для расчета кинетических констант, а также выбора уравнений скоростей реакций и проверки гипотез о механизме химических превращений в последние годы все большее применение находят статистические методы. [c.214]

Статистические методы часто используются для того, чтобы получить полол<ительный или отрицательный ответ на конкретный вопрос, касающийся значимости данных. Ответ определяется доверительной вероятностью, указывающей степень определенности ответа. Этот метод известен как метод проверки гипотезы 2. Обычный метод заключается в создании нуль-гипотезы, которая устанавливает, что не имеется никакого значимого различия между двумя рядами данных или что изучаемая переменная оказывает незначительное влияниена них. Чтобы получить положительный или отрицательный ответ, выбирается, например, доверительная вероятность 95% или 99% того, что ответ является правильным. К выбору уровня значимости следует подходить очень внимательно. Если выбирается слишком высокая доверительная вероятность (например, 99,9%), то можно пропустить значительное влияние изучаемой переменной. Такая ошибка назывется ошибкой первого рода, или ошибкой [c.591]

Статистические методы проверки дают объективную интерпретацию результатам анализа. Они дают объективный ответ на вопрос, существует ли разница между средними значениями, найденными двумя аналитиками При этом проверяется статистическая гипотеза о при-надлен<ности результатов измерений к одной генеральной совокупности. По результатам, полученным для двух выборок, вычисляют значение некоторой контрольной величины Я и определяют область Л, внутри которой следует ожидать 1 с онределенной вероятностью Р. Если контрольная величина X лежит вне области Л, то выбранная гипотеза отбрасывается. Разница между полученными величинами называется значимой или статистически значимой. Однако эта разница представляет собой недостаточно надежную меру для оценки различия в тех генеральных совокупностях, к которым относятся результаты измерений. Из статистически значимой, например, разницы для двух средних значений — х = А.Х12 нельзя сделать вывод, что соответствующие совокупности отличаются на величину Если контрольная величина X находится внутри области Л, то проверяемая гипотеза принимается. Однако из этого не следует, что гипотеза безусловно подтвердилась. Можно только сказать, что результаты измерений не противоречат проверяемой гипотезе. В этом случае говорят, что различие оказалось незначимым. Если установлена статистическая незначи-мость разности двух величин, то отсюда еще нельзя сделать вывод о равенстве этих величин. Вопрос о том, как такую незначимую разницу следует интерпретировать, нужно решить нри полном понимании статистических методов проверки гипотез (см. Смирнов и Дунин-Барковский, а также 16]). [c.131]

Проверкой гипотез о законе распределения содержаний клиноптилолита по методу Л.Н. Большева и Н.В. Смирнова установлено, что в качестве моделей распределения можно использовать нормальный закон. Оценка среднего содержания клиноптилолита в пробах исследуемых месторождений колеблется от 67 до 78 % (табл. 12). Полученные данные статистически достоверно показывают, что отличительная особенность исследуемь(х месторождений - высокое содержание клиноптилолита, что подтверждает вывод, сделанный на основании анализа валовых и технологических проб. Если предположить, что выборочные совокупности достаточно полно отражают характерные черты (минеральный и химический состав) генеральных совокупностей, имеющиеся данные могут служить для сравнительной оценки месторождений. [c.26]