Вероятностью ошибки второго рода называют

На
разных стадиях статистического
исследования и моделирования возникает
необходимость в формулировке и
экспериментальной проверке некоторых
предположений (гипотез) относительно
природы и величины неизвестных параметров
анализируемой генеральной совокупности
(совокупностей). Например, исследователь
высказывает предположение: «выборка
извлечена из нормальной генеральной
совокупности» или «генеральная
средняя анализируемой совокупности
равна пяти». Такие предположения
называются статистическими
гипотезами.

Сопоставление
высказанной гипотезы относительно
генеральной совокупности с имеющимися
выборочными данными, сопровождаемое
количественной оценкой степени
достоверности получаемого вывода,
осуществляется с помощью того или иного
статистического критерия и называется
проверкой
статистических гипотез.

Выдвинутая
гипотеза называется нулевой
(основной).
Ее принято обозначать Н₀.

По
отношению к высказанной (основной)
гипотезе всегда можно сформулировать
альтернативную
(конкурирующую),
противоречащую ей. Альтернативную
(конкурирующую) гипотезу принято
обозначать Н₁.

Цель
статистической проверки гипотез
состоит в том, чтобы на основании
выборочных данных принять решение о
справедливости основной гипотезы Н₀.

Если
выдвигаемая гипотеза сводится к
утверждению о том, что значение некоторого
неизвестного параметра генеральной
совокупности в
точности равно
заданной величине, то эта гипотеза
называется простой,
например: «среднедушевой совокупный
доход населения России составляет 650
рублей в месяц»; «уровень безработицы
(доля безработных в численности
экономически активного населения) в
России равна 9%» . В других случаях
гипотеза называется сложной.

В
качестве нулевой гипотезы Н₀
принято выдвигать простую гипотезу,
т.к. обычно бывает удобнее проверять
более строгое утверждение.

По
своему содержанию статистические
гипотезы можно подразделить на несколько
основных типов⁶:

— гипотезы о виде
закона распределения исследуемой
случайной величины;

—
гипотезы о числовых значениях параметров
исследуемой генеральной совокупности⁷;

—
гипотезы об однородности двух или
нескольких выборок или некоторых
характеристик анализируемых совокупностей;

— гипотезы об общем
виде модели, описывающей статистическую
зависимость между признаками и др.

Так
как проверка статистических гипотез
осуществляется на основании выборочных
данных, т.е. ограниченного ряда наблюдений,
решения относительно нулевой гипотезы
Н₀
имеют
вероятностный характер. Другими словами,
такое решение неизбежно сопровождается
некоторой, хотя возможно и очень малой,
вероятностью ошибочного заключения
как в ту, так и в другую сторону.

Так,
в какой-то небольшой доле случаев α
нулевая гипотеза Н₀
может оказаться отвергнутой, в то время
как в действительности в генеральной
совокупности она является справедливой.
Такую ошибку называют ошибкой
первого рода.
А ее вероятность
принято называть
уровнем
значимости
и обозначать α.

Наоборот,
в какой-то небольшой доле случаев β
нулевая
гипотеза Н₀
принимается, в то время как на самом
деле в генеральной совокупности она
ошибочна, а справедлива альтернативная
гипотеза Н₁.
Такую ошибку называют ошибкой
второго рода.
Вероятность ошибки второго рода принято
обозначать β.
Вероятность 1
— β называют
мощностью
критерия.

При
фиксированном объеме выборки можно
выбрать по своему усмотрению величину
вероятности только одной из ошибок α
или β.
Увеличение вероятности одной из них
приводит к снижению другой. Принято
задавать вероятность ошибки первого
рода α
— уровень
значимости. Как правило, пользуются
некоторыми стандартными значениями
уровня значимости α:
0,1; 0,05; 0,025; 0,01; 0,005; 0,001. Тогда, очевидно,
из двух критериев, характеризующихся
одной и той же вероятностью α
отклонить
правильную в действительности гипотезу
Н₀,
следует принять тот, который сопровождается
меньшей ошибкой второго рода β,
т.е. большей мощностью. Снижения
вероятностей обеих ошибок α
и β
можно добиться путем увеличения объема
выборки.

Правильное
решение относительно нулевой гипотезы
Н₀
также может быть двух видов:

—
будет принята нулевая гипотеза Н₀,
тогда как и на самом деле в генеральной
совокупности верна нулевая гипотеза
Н₀
; вероятность
такого решения 1
— α;

—
нулевая гипотеза
Н₀
будет отклонена в пользу альтернативной
Н_1,
тогда как и на самом деле в генеральной
совокупности нулевая гипотеза
Н₀
отклоняется в пользу альтернативной
Н₁;
вероятность такого решения 1
— β — мощность критерия.

Результаты
решения относительно нулевой гипотезы
можно проиллюстрировать с помощью
таблицы 8.1.

Таблица 8.1

Нулевая гипотеза Н0	Результаты решения относительно нулевой гипотезы Н0
отклонена	принята
верна	ошибка первого рода, ее вероятность Р(Н1/Н0) = α	правильное решение, его вероятность Р(Н0/Н0) = 1 — α
не верна	правильное решение, его вероятность Р(Н1/Н1) = 1 — β	ошибка второго рода, ее вероятность Р(Н0/Н1) = β

Проверка
статистических гипотез осуществляется
с помощью статистического
критерия
(назовем его в общем виде К),
являющего
функцией от результатов наблюдения.

Статистический
критерий — это правило (формула), по
которому определяется мера расхождения
результатов выборочного наблюдения с
высказанной гипотезой Н₀.

Статистический
критерий, как и всякая функция от
результатов наблюдения, является
случайной величиной и в предположении
справедливости нулевой гипотезы Н₀
подчинена
некоторому хорошо изученному (и
затабулированному) теоретическому
закону распределения с плотностью
распределения f(k).

Выбор
критерия для проверки статистических
гипотез может быть осуществлен на
основании различных принципов. Чаще
всего для этого пользуются принципом
отношения правдоподобия,
который позволяет построить критерий
наиболее мощный среди всех возможных
критериев. Суть его сводится к выбору
такого критерия К
с известной функцией плотности f(k)
при условии справедливости гипотезы
Н₀,
чтобы при заданном уровнем значимости
α
можно было бы найти критическую точку
К_кр.
распределения
f(k), которая
разделила бы область значений критерия
на две части: область допустимых значений,
в которой результаты выборочного
наблюдения выглядят наиболее
правдоподобными, и критическую область,
в которой результаты выборочного
наблюдения выглядят менее правдоподобными
в отношении нулевой гипотезы Н₀.

Если
такой критерий К
выбран, и известна плотность его
распределения, то задача проверки
статистической гипотезы сводится к
тому, чтобы при заданном уровне значимости
α
рассчитать по выборочным данным
наблюдаемое значение критерия К_набл.
и определить
является ли оно наиболее или менее
правдоподобным в отношении нулевой
гипотезы Н₀.

Проверка
каждого типа статистических гипотез
осуществляется с помощью соответствующего
критерия, являющегося наиболее мощным
в каждом конкретном случае. Например,
проверка гипотезы о виде закона
распределения случайной величины может
быть осуществлена с помощью критерия
согласия Пирсона χ²;
проверка гипотезы о равенстве неизвестных
значений дисперсий двух генеральных
совокупностей — с помощью критерия F
— Фишера; ряд
гипотез о неизвестных значениях
параметров генеральных совокупностей
проверяется с помощью критерия Z
— нормальной распределенной случайной
величины и критерия T—
Стьюдента и т.д.

Значение
критерия, рассчитываемое по специальным
правилам на основании выборочных данных,
называется наблюдаемым
значением критерия
(К_набл.).

Значения
критерия, разделяющие совокупность
значений критерия на область
допустимых значений
(наиболее правдоподобных в отношении
нулевой гипотезы
Н₀)
и критическую
область
(область значений, менее правдоподобных
в отношении таблицам распределения
случайной величины К,
выбранной в качестве критерия, называются
критическими
точками(К_кр.).

Областью
допустимых значений (областью принятия
нулевой гипотезы Н₀)
называют совокупность значений критерия
К,
при которых нулевая гипотеза
Н₀
не отклоняется.

Критической
областью
называют совокупность значений критерия
К,
при которых нулевая гипотеза Н₀
отклоняется
в пользу конкурирующей Н₁.

Различают
одностороннюю
(правостороннюю или левостороннюю) и
двустороннюю
критические области.

Если
конкурирующая гипотеза — правосторонняя,
например, Н₁:
а > а₀,
то и критическая область — правосторонняя
(рис 1). При правосторонней конкурирующей
гипотезе критическая точка (К_{кр.
правосторонняя})принимает
положительные значения.

Если
конкурирующая гипотеза — левосторонняя,
например, Н₁:
а < а₀,
то и критическая область — левосторонняя
(рис 2). При левосторонней конкурирующей
гипотезе критическая точка принимает
отрицательные значения (К_{кр.
левосторонняя}).

Если
конкурирующая гипотеза — двусторонняя,
например, Н₁:
а 
а₀,
то и критическая область — двусторонняя
(рис 3). При двусторонней конкурирующей
гипотезе определяются две критические
точки (К_{кр.
левосторонняя} и
К_{кр.
правосторонняя}).

Область
допустимых Критическая

значений
область

К

0
К_кр.

Рис
8.1. Правосторонняя критическая область.

Критическая
Область допустимых

область
значений

К

-К_кр.
0

Рис 8.2. Левосторонняя
критическая область.

Критическая
Область допустимых
Критическая

область
значений
область

К

-К_кр.
0
К_кр.

Рис
8.3. Двусторонняя критическая область.

Основной
принцип проверки статистических гипотез
состоит в следующем:

—
если наблюдаемое значение критерия
(К_набл.)
принадлежит критической области, то
нулевая гипотеза Н₀
отклоняется в пользу конкурирующей Н₁;

—
если наблюдаемое значение критерия
(К_набл.)
принадлежит области допустимых значений,
то нулевую гипотезу Н₀
нельзя отклонить.

Можно
принять решение относительно нулевой
гипотезы Н₀
путем
сравнения наблюдаемого (К_набл.)
и критического
значений критерия (К_кр.).

При правосторонней
конкурирующей гипотезе:

Если
К_набл.

К_кр.,
то нулевую гипотезу Н₀
нельзя отклонить;

если
К_набл.
> К_кр.,
то нулевая гипотеза Н₀
отклоняется в пользу конкурирующей Н₁.

При левосторонней
конкурирующей гипотезе:

Если
К_набл.

— К_кр.,
то нулевую гипотезу Н₀
нельзя отклонить;

если
К_набл.

— К_кр.,
то нулевая гипотеза Н₀
отклоняется в пользу конкурирующей Н₁.

При двусторонней
конкурирующей гипотезе:

Если
— К_кр.

К_набл.

К_кр.,
то нулевую гипотезу Н₀
нельзя отклонить;

если
К_набл.
> К_кр.
или К_набл.
< —
К_кр.,
то нулевая гипотеза Н₀
отклоняется в пользу конкурирующей Н₁.

Алгоритм
проверки статистических гипотез
сводится к
следующему:

1.
Сформулировать нулевую Н₀
и альтернативную Н₁
гипотезы;

2.
Выбрать уровень значимости ;

3.
В соответствии с видом выдвигаемой
нулевой гипотезы Н₀
выбрать статистический критерий для
ее проверки, т.е. — специально подобранную
случайную величину К,
точное или приближенное распределение
которой заранее известно;

4.
По таблицам распределения случайной
величины К,
выбранной в качестве статистического
критерия, найти его критическое значение
К_кр.
(критическую точку или точки);

5.
На основании выборочных данных по
специальному алгоритму вычислить
наблюдаемое
значение критерия К_набл.;

6.
По виду конкурирующей гипотезы Н₁
определить тип критической области;

7.
Определить, в какую область (допустимых
значений или критическую) попадает
наблюдаемое значение критерия К_набл.,
и в зависимости от этого — принять решение
относительно нулевой гипотезы Н₀.

Следует
заметить, что даже в том случае, если
нулевую гипотезу Н₀
нельзя
отклонить, это не означает, что высказанное
предположение о генеральной совокупности
является единственно подходящим: просто
ему не противоречат имеющиеся выборочные
данные, однако таким же свойством наряду
с высказанной могут обладать и другие
гипотезы.

Можно
интерпретировать результаты проверки
нулевой гипотезы следующим образом:

—
если в результате проверки нулевую
гипотезу Н₀
нельзя отклонить, то это означает, что
имеющиеся выборочные данные не позволяют
с достаточной уверенностью отклонить
нулевую гипотезу Н₀,
вероятность нулевой гипотезы Н₀
больше α,
а конкурирующей Н₁
— меньше 1 —
α;

—
если в результате проверки нулевая
гипотеза Н₀
отклоняется в пользу конкурирующей Н₁,
то это означает, что имеющиеся выборочные
данные не позволяют с достаточной
уверенностью принять нулевую гипотезу
Н₀,
вероятность нулевой гипотезы Н₀
меньше α,
а конкурирующей Н₁
— больше 1 —
α.

Пример
8.1 В
семи случаях из десяти фирма-конкурент
компании «А» действовала на рынке
так, как будто ей заранее были известны
решения, принимаемые фирмой «А».
На уровне значимости 0,05 определите,
случайно ли это, или в фирме «А»
работает осведомитель фирмы-конкурента?

Решение.
Для того
чтобы ответить на вопрос данной задачи,
необходимо проверить статистическую
гипотезу о том, совпадает ли данное
эмпирическое распределение числа
действий фирмы-конкурента с равномерным
теоретическим распределением?

Если
ходы, предпринимаемые конкурентом,
выбираются случайно, т.е. в фирме «А»
— нет осведомителя (инсайдера), то число
«правильных» и «неправильных»
ее действий должно распределиться
поровну, т.е. по 5 (10/2). А это и есть
отличительная особенность равномерного
распределения.

Этот
вид статистических гипотез относится
к гипотезам о виде закона распределения
генеральной совокупности.

Сформулируем
нулевую и конкурирующую гипотезы
согласно условию задачи.

Н₀:
Х~R(a;
b)
— случайная величина Х подчиняется
равномерному распределению с параметрами
(a;
b)
(в контексте задачи — «в фирме «А»
— нет осведомителя (инсайдера)»;
«распределение числа удачных ходов
фирмы-конкурента — случайно»).

Н₁:
Случайная величина Х не подчиняется
равномерному распределению (в контексте
задачи — «в фирме «А» — есть
осведомитель (инсайдер)»; «распределение
числа удачных ходов фирмы-конкурента
— не случайно»).

В
качестве критерия для проверки
статистических гипотез о неизвестном
законе распределения генеральной
совокупности используется случайная
величина ²
. Этот критерий называют критерием
Пирсона.

Его
наблюдаемое значение ()
рассчитывается по формуле:

,
(8.1)

где
m_(эмп.)i
— эмпирическая
частота i-той
группы выборки;

m_(теор.)i
— теоретическая
частота i-той
группы выборки.

Составим
таблицу распределения эмпирических и
теоретических частот:

m(эмп.)i	7	3
m(теор.)i	5	5

Найдем
наблюдаемое значение
:

Критическое
значение ()
следует определять по таблице распределения²
(см. приложение 4) по уровню значимости

и числу степеней свободы k.

По
условию 
= 0,05, а число степеней свободы рассчитывается
по формуле:

k
= n
— l
—1,

где
k
— число степеней свободы;

n
— число групп выборки;

l
— число неизвестных параметров
предполагаемой модели, оцениваемых по
данным выборки (если все параметры
предполагаемого закона известны точно,
то l
= 0).

По
условию задачи число групп выборки (n)
равно 2, т.к. могут быть только два варианта
действий фирмы-конкурента: «удачные»
и «неудачные», а число неизвестных
параметров равномерного распределения
(l)
равно 0.

Отсюда,
k
= 2 — 0 — 1 = 1.

Найдем
по
уровню значимости
= 0,05 и числу степеней свободы k=1.

,
следовательно, на данном уровне значимости
нулевую гипотезу нельзя отклонить,
расхождения эмпирических и теоретических
частот — незначимые. Данные наблюдений
согласуются с гипотезой о равномерном
распределении генеральной совокупности.

Это
означает, что для утверждения о том, что
действия фирмы-конкурента на рынке
неслучайны; на уровне значимости 
= 0,05 можно утверждать, что в фирме «А»
нет платного осведомителя фирмы-конкурента.

Ответ.
на уровне значимости 
= 0,05 можно утверждать, что в фирме «А»
нет платного осведомителя фирмы-конкурента.

Пример
8.2 На
уровне значимости 
= 0,025 проверить гипотезу о нормальном
распределении генеральной совокупности,
если известны эмпирические и теоретические
частоты:

m(эмп.)i	5	10	20	25	14	3
m(теор.)i	6	14	28	18	8	3

Решение.
Сформулируем
нулевую и конкурирующую гипотезы
согласно условию задачи.

Н₀:
Х~N(a;
²)
— случайная величина Х подчиняется
нормальному закону распределения с
параметрами а и ².

Н₁:
Случайная величина Х не подчиняется
нормальному закону распределения с
параметрами а и ².

В
качестве критерия для проверки нулевой
гипотезы используем критерий Пирсона
²
.

Найдем
наблюдаемое значение ():

Найдем
критическое значение критерия ()
по таблице распределения²
(приложение 4) по уровню значимости 
и числу степеней свободы k.

По
условию 
= 0,025; число степеней свободы найдем по
формуле:

k
= n
— l
—1,

где
k
— число степеней свободы;

n
— число групп выборки;

l
— число неизвестных параметров
предполагаемой модели, оцениваемых по
данным выборки.

По
условию задачи число групп выборки (n)
равно 6, а число неизвестных параметров
нормального распределения (l)
равно 2.

Отсюда,
k
= 6 — 2 — 1 = 3.

Найдем
по
уровню значимости
= 0,025 и числу степеней свободы k=3.

,
следовательно, на данном уровне значимости
нулевая гипотеза отвергается в пользу
конкурирующей, расхождения эмпирических
и теоретических частот — значимые. Данные
наблюдений не согласуются с гипотезой
о нормальном распределении генеральной
совокупности.

Ответ.
На уровне значимости 
= 0,025 данные наблюдений не согласуются
с гипотезой о нормальном распределении
генеральной совокупности.

Пример
8.3 Техническая
норма предусматривает в среднем 40 сек.
на выполнение определенной технологической
операции на конвейере по производству
часов. От работниц, работающих на этой
операции, поступили жалобы, что они в
действительности затрачивают на эту
операцию больше времени. Для проверки
данной жалобы произведены хронометрические
измерения времени выполнения этой
технологической операции у 16 работниц,
занятых на этой операции, и получено
среднее время выполнения операции
=
42 сек. Можно ли по имеющимся хронометрическим
данным на уровне значимости
= 0,01 отклонить гипотезу о том, что среднее
время выполнения этой операции
соответствует норме, если:

а)
исправленное выборочное среднее
квадратическое отклонение s
составило 3,5 сек.;

б)
выборочное среднее квадратическое
отклонение
составило 3,5 сек.?

Решение.
а) Для решения
данной задачи необходимо проверить
гипотезу о том, что неизвестная генеральная
средняя нормальной совокупности точно
равна определенному числу, когда
дисперсия
генеральной совокупности неизвестна
(выборка
мала, т.к. n
= 16, меньше 30).

Сформулируем
нулевую и конкурирующую гипотезы
согласно условию задачи.

Н₀:
a
= а₀
= 40 — неизвестное математическое ожидание
а
(нормально распределенной генеральной
совокупности с неизвестной дисперсией)
равно гипотетическому предполагаемому
числовому значению а₀
(применительно к условию данной задачи
— время выполнения технологической
операции соответствует норме).

Н₁:
a
> 40 — неизвестное математическое
ожидание а
(нормально распределенной генеральной
совокупности с неизвестной дисперсией)
больше числовому значению а₀
(применительно к условию данной задачи
— время выполнения технологической
операции больше установленной нормы).

Так как конкурирующая
гипотеза — правосторонняя, то и критическая
область — правосторонняя.

В
качестве критерия для сравнения
неизвестного математического ожидание
а
(нормально распределенной генеральной
совокупности с неизвестной дисперсией)
с гипотетическим числовым значением
а₀,
используется случайная величина t
— критерий Стьюдента:

Его
наблюдаемое значение (t_набл.)
рассчитывается по формуле:

.
(8.2)

где
—
выборочная средняя;

а₀
— числовое значение генеральной средней;

s
— исправленное среднее квадратическое
отклонение;

n
— объем выборки.

Найдем
наблюдаемое значение t_набл.:

Критическое
значение (t_кр.)
следует
находить
по таблице
распределения Стьюдента (приложение
5) по уровню значимости 
и числу степеней свободы k.

По
условию 
= 0,01; число степеней свободы найдем по
формуле:

k
= n
— 1,

где
k
— число степеней свободы;

n
— объем выборки.

k
= 16 — 1 = 15.

Найдем
t_кр.
по уровню значимости 
= 0,01 (для односторонней критической
области) и числу степеней свободы k
= 15:

Заметим,
что при левосторонней конкурирующей
гипотезе Н₁:
a

40 t_кр.
следует находить по таблицам распределения
Стьюдента (приложение 5) по уровню
значимости 
(для односторонней критической области)
и числу степеней свободы k
= n
— 1 и присваивать ему «минус»;

При
двусторонней конкурирующей гипотезе
Н₁:
a

40 t_кр.
следует находить по таблицам распределения
Стьюдента (приложение 5) по уровню
значимости 
(для двусторонней критической области)
и числу степеней свободы k
= n
— 1).

t_набл.
< t_кр,
следовательно, на данном уровне значимости
нет оснований отклонить нулевую гипотезу.

Ответ.
По имеющимся хронометрическим данным
на уровне значимости 
= 0,01 нельзя отклонить гипотезу о том,
что среднее время выполнения этой
операции соответствует норме.
Следовательно, жалобы работниц —
необоснованны.

Область
допустимых
Критическая

значений
область

t

0
t_набл.=
2,21 t_кр.=
2,6

Рис 8.4.

Наблюдаемое
значение критерия попадает в область
допустимых значений, следовательно,
нет оснований отклонить нулевую гипотезу.

б)
Для решения данной задачи необходимо
проверить гипотезу о том, что неизвестная
генеральная средняя нормальной
совокупности точно равна определенному
числу, когда дисперсия
генеральной совокупности неизвестна.

Алгоритм
решения задачи будет тот же, что и в
первом случае. Однако наблюдаемое
значение t_набл.
будет рассчитывается по формуле:

.
(8.3)

где
—
выборочная средняя;

а₀
— числовое значение генеральной средней;

—
выборочное среднее квадратическое
отклонение;

n
— объем выборки.

Найдем
наблюдаемое значение (t_набл.):

Критическое
значение (t_кр.)
следует
находить
по таблице
распределения Стьюдента (приложение
5) по уровню значимости 
и числу степеней свободы k.

t_набл.
< t_кр,
следовательно, на данном уровне значимости
нет оснований отвергнуть нулевую
гипотезу, жалобы работниц — необоснованны.

Ответ.
По имеющимся хронометрическим данным
на уровне значимости 
= 0,01 нельзя отклонить гипотезу о том,
что среднее время выполнения этой
операции соответствует норме, жалобы
работниц — необоснованны.

Пример
8.4 Изменим
условие предидущей задачи. Техническая
норма предусматривает в среднем 40 сек.
на выполнение определенной технологической
операции на конвейере по производству
часов. От работниц, работающих на этой
операции, поступили жалобы, что они в
действительности затрачивают на эту
операцию больше времени. Для проверки
данной жалобы произведены хронометрические
измерения времени выполнения этой
технологической операции у 36 работниц,
занятых на этой операции, и получено
среднее время выполнения операции
=
42 сек. Можно ли (предполагая время
выполнения технологической операции
случайной величиной, подчиняющейся
нормальному закону) по имеющимся
хронометрическим данным на уровне
значимости
= 0,01 отклонить гипотезу о том, что среднее
время выполнения этой операции
соответствует норме, если известно, что
среднее квадратическое отклонение
генеральной совокупности 
составляет 3,5 сек.?

Решение.
Для решения
данной задачи необходимо проверить
гипотезу о том, что неизвестная генеральная
средняя нормальной совокупности точно
равна числовому значению, когда дисперсия
генеральной совокупности известна
(большая выборка, т.к. n
= 36, больше 30).

Сформулируем
нулевую и конкурирующую гипотезы
согласно условию задачи.

Н₀:
a
= а₀
= 40 — неизвестная генеральная средняя
нормально распределенной совокупности
с известной дисперсией равна числовому
значению (применительно к условию данной
задачи — время выполнения технологической
операции соответствует норме).

Н₁:
a
> 40 — неизвестная генеральная средняя
нормально распределенной совокупности
с известной дисперсией больше числового
значения (применительно к условию данной
задачи — время выполнения технологической
операции больше установленной нормы).

Так как конкурирующая
гипотеза — правосторонняя, то и критическая
область — правосторонняя.

В
качестве критерия для сравнения
выборочной средней с гипотетической
генеральной средней нормальной
совокупности, когда дисперсия генеральной
совокупности известна, используется
случайная величина U:

Его
наблюдаемое значение (u_набл.)
рассчитывается по формуле:

.
(8.4)

где
—
выборочная средняя;

а₀
— числовое значение генеральной средней;

—
выборочное среднее квадратическое
отклонение;

n
— объем выборки.

Найдем
наблюдаемое значение (u_набл.):

Так
как конкурирующая гипотеза — правосторонняя,
критическое значение u_кр.
следует
находить
по таблице
функции Лапласа (приложение 2) из
равенства:

Ф₀(u_кр
) = (1 — 2)
/ 2.

По
условию 
= 0,01.

Отсюда:

Ф₀(u_кр
) = (1 — 2·0,01) / 2 = 0,49.

По
таблице функции Лапласа (приложение 2)
найдем при каком u_кр.
Ф₀(u_кр
) = 0,49.

₀(2,33)
= 0,49.

Следовательно:
u_кр.
= 2,33.

Заметим,
что при левосторонней конкурирующей
гипотезе Н₁:
a

40 u_кр.
следует находить по таблице функции
Лапласа (приложение 2) из равенства
Ф₀(u_кр)
= (1 — 2)
/ 2 и присваивать ему «минус».

При
двусторонней конкурирующей гипотезе
Н₁:
a

40 u_кр.
следует находить по таблице функции
Лапласа (приложение 2) из равенства
Ф₀(u_кр
) = (1 — )
/ 2).

u_набл.
> u_кр,
следовательно, на данном уровне значимости
нулевая гипотеза отвергается в пользу
конкурирующей. По имеющимся хронометрическим
данным с более чем 99%-ной надежностью
можно утверждать, что среднее время
выполнения этой операции превышает
норму. Следовательно, жалобы работниц
— обоснованны.

Область
допустимых Критическая

значений
область

U

0
u_кр.=
2,33 u_набл.=
3,43

Рис. 8.5.

Наблюдаемое
значение критерия попадает в критическую
область, следовательно, нулевая гипотеза
отвергается в пользу конкурирующей.

Ответ.
По имеющимся хронометрическим данным
на уровне значимости 
= 0,01 можно утверждать, что среднее время
выполнения этой операции превышает
норму, жалобы работниц — обоснованны.

Пример
8.5 Экономический
анализ производительности труда
предприятий отрасли позволил выдвинуть
гипотезу о наличии двух типов предприятий
с различной средней величиной показателя
производительности труда. Выборочное
обследование 42-х предприятий первой
группы дало следующие результаты:
средняя производительность труда
составила 119 деталей. По данным выборочного
обследования 35-и предприятий второй
группы средняя производительность
трудасоставила 107 деталей. Генеральные
дисперсии известны:D(X)
= 126,91 (дет.²);
D(Y)
= 136,1 (дет.²).
Считая, что выборки извлечены из нормально
распределенных генеральных совокупностей
Х и Y,
на уровне значимости 0,05 проверьте,
случайно ли полученное различие средних
показателей производительности труда
в группах или же имеются два типа
предприятий с различной средней величиной
производительности труда.

Решение.
Для решения
данной задачи необходимо сравнить две
средние нормально распределенных
генеральных совокупностей, генеральные
дисперсии которых известны
(большие независимые выборки). В данной
задаче речь идет о больших выборках,
так как n_x
= 42 и n_y
= 35 больше 30. Выборки — независимые, так
как из контекста задачи видно, что они
извлечены из непересекающихся генеральных
совокупностей.

Сформулируем
нулевую и конкурирующую гипотезы
согласно условию задачи.

Н₀:
=

— генеральные средние двух нормально
распределенных совокупностей с известными
дисперсиями равны (применительно к
условию данной задачи — предприятия
двух групп относятся к одному типу
предприятий, — средняя производительность
труда в двух группах — одинакова).

Н₁:


— генеральные средние двух нормально
распределенных совокупностей с известными
дисперсиями не равны (применительно к
условию данной задачи — предприятия
двух групп относятся к разному типу
предприятий, — средняя производительность
труда в двух группах — неодинакова).

Выдвигаем
двустороннюю конкурирующую гипотезу,
так как из условия задачи не следует,
что необходимо выяснить больше или
меньше производительность труда в одной
из групп предприятий по сравнению с
другой.

Так
как конкурирующая гипотеза — двусторонняя,
то и критическая область — двусторонняя.

В
качестве критерия для сравнения двух
средних генеральных совокупностей,
дисперсии которых известны (большие
независимые выборки), используется
случайная величина Z.

Его
наблюдаемое значение (z_набл.)
рассчитывается по формуле:

,
(8.5)

где
— выборочная средняя дляX;

—
выборочная средняя для Y;

D(X)
— генеральная дисперсия для X;

D(Y)
— генеральная дисперсия для Y;

n_x
— объем выборки для X;

n_y
— объем выборки для Y.

Найдем
наблюдаемое значение (z_набл.):

Так
как конкурирующая гипотеза — двусторонняя,
критическое значение (z_кр.)
следует
находить
по таблице
функции Лапласа (приложение 2) из
равенства:

Ф₀(z_кр
) = (1 — )
/ 2.

По
условию 
= 0,05.

Отсюда:

Ф₀(z_кр
) = (1 — 0,05) / 2 = 0,475.

По
таблице функции Лапласа (приложение 2)
найдем при каком z_кр.
Ф₀(z_кр
) = 0,475.

₀(1,96)
= 0,475.

Учитывая, что
конкурирующая гипотеза — двусторонняя,
находим две критические точки:

z_{кр.(прав.)}
= 1,96;
z_{кр.(лев.)}
= — 1,96.

Заметим,
что при левосторонней конкурирующей
гипотезе Н₁:

z_кр.
следует находить по таблице функции
Лапласа (приложение 2) из равенства
Ф₀(z_кр
) = (1 — 2)
/ 2 и присваивать ему «минус».

При
правосторонней конкурирующей гипотезе
Н₁:
>
z_кр.
следует находить по таблице функции
Лапласа (приложение 2) из равенства
Ф₀(z_кр
) = (1 — 2)
/ 2).

z_набл.
> z_кр,
следовательно, на данном уровне значимости
нулевая гипотеза отвергается в пользу
конкурирующей. На уровне значимости 
= 0,05 можно утверждать, что полученное
различие средних показателей
производительности труда в группах —
неслучайно, имеются два типа предприятий
с различной средней величиной
производительности труда.

Критическая
Область допустимых
Критическая

область
значений
область

Z

—z_кр.
=
-1,96
0
z_кр.=
1,96 z_набл.=
4,565

Рис. 8.6.

Наблюдаемое
значение критерия попадает в критическую
область, следовательно, нулевая гипотеза
отвергается в пользу конкурирующей.

Ответ.
На уровне
значимости 
= 0,05 можно утверждать, что полученное
различие средних показателей
производительности труда в группах —
неслучайно, имеются два типа предприятий
с различной средней величиной
производительности труда.

Пример
8.6 Предполагается,
что применение нового типа резца сократит
время обработки некоторой детали.
Хронометраж времени обработки 9 деталей,
обработанных старым типом резцов, дал
следующие результаты: среднее время
обработки детали
составило 57 мин., исправленная выборочная
дисперсия=
186,2 (мин.²).
Среднее время обработки 15 деталей,
обработанных новым типом резца,
по данным хронометражных измерений
составило 52 мин., а исправленная выборочная
дисперсия=
166,4 (мин.²).
На уровне значимости 
= 0,01 ответьте на вопрос, позволило ли
использование нового типа резцов
сократить время обработки детали?

Решение.
Для решения
данной задачи необходимо сравнить две
средние нормально распределенных
генеральных совокупностей, генеральные
дисперсии которых неизвестны,
но предполагаются одинаковыми (малые
независимые выборки). В данной задаче
речь идет о малых выборках, так как n_x
= 9 и n_y
= 15 меньше 30. Выборки — независимые, так
как из контекста задачи видно, что они
извлечены из непересекающихся генеральных
совокупностей.

Сформулируем
нулевую и конкурирующую гипотезы
согласно условию задачи.

Н₀:
=

— генеральные средние двух нормально
распределенных совокупностей с
неизвестными дисперсиями (но предполагаемыми
одинаковыми) равны (применительно к
условию данной задачи — среднее время,
затрачиваемое на обработку детали
резцами нового и старого типа — одинаково,
т.е. использование нового типа резца не
позволяет снизить время на обработку
детали).

Н₁:
>

— генеральная средняя для Х больше, чем
генеральная средняя для Y
(применительно к условию данной задачи
— среднее время, затрачиваемое на
обработку детали резцами старого типа
больше, чем — нового, т.е. использование
нового типа резца позволяет снизить
время на обработку детали).

Так как конкурирующая
гипотеза — правосторонняя, то и критическая
область — правосторонняя.

Приступать
к проверке гипотезы о равенстве
генеральных средних двух нормально
распределенных совокупностей с
неизвестными дисперсиями можно лишь в
том случае, если генеральные дисперсии
равны. В противном случае, данная задача
в теории неразрешима.

Поэтому,
прежде чем проверять эту гипотезу,
проверим гипотезу о равенстве генеральных
дисперсий нормальных совокупностей.

Сформулируем
нулевую и конкурирующую гипотезы
согласно условию задачи.

Н₀:
D(X)
= D(Y)
— генеральные дисперсии двух нормально
распределенных совокупностей равны.

Н₁:
D(X)

D(Y)
— генеральная дисперсия для X
больше генеральной дисперсии для Y.
Выдвигаем правостороннюю конкурирующую
гипотезу, так как исправленная выборочная
дисперсия для Х значительно больше, чем
исправленная выборочная дисперсия для
Y.

Так как конкурирующая
гипотеза — правосторонняя, то и критическая
область — правосторонняя.

В
качестве критерия для сравнения двух
дисперсий нормальных генеральных
совокупностей используется случайная
величина F
— критерий Фишера-Снедекора.

Его
наблюдаемое значение (f_набл.)
рассчитывается по формуле:

,
(8.6)

где
— большая (по величине) исправленная
выборочная дисперсия;

—
меньшая (по величине) исправленная
выборочная дисперсия.

Найдем
f_набл.:

.

Критическое
значение (f_кр.)
следует
находить
по таблице
распределения Фишера-Снедекора
(приложение 6) по уровню значимости 
и числу степеней свободы k₁
и k₂.

По
условию 
= 0,01; число степеней свободы найдем по
формуле:

k₁
= n₁
— 1; k₂
= n₂
— 1,

где
k₁
— число степеней свободы большей (по
величине) исправленной дисперсии;

k₂
— число степеней свободы меньшей (по
величине) исправленной дисперсии;

n₁
— объем выборки большей (по величине)
исправленной дисперсии;

n₂
— объем выборки меньшей (по величине)
исправленной дисперсии.

Найдем
k₁
и k₂:

k₁
= 10 — 1 = 8;

k₂
= 15 — 1 = 14.

Определяем
f_кр.
по уровню значимости 
= 0,01 и числу степеней свободы k₁=9
и k₂=14:

f_набл.
< f_кр,
следовательно, на данном уровне значимости
нет оснований отвергнуть нулевую
гипотезу о равенстве генеральных
дисперсий нормальных совокупностей.

Следовательно,
можно приступить к проверке гипотезы
о равенстве генеральных средних двух
нормально распределенных совокупностей.

В
качестве критерия для проверки этой
гипотезы, используется случайная
величина t
— критерий Стьюдента:

Его
наблюдаемое значение (t_набл.)
рассчитывается по формуле:

,
(8.7)

где
— выборочная средняя дляX;

—
выборочная средняя для Y;

D(X)
— генеральная дисперсия для X;

D(Y)
— генеральная дисперсия для Y;

n_x
— объем выборки для X;

n_y
— объем выборки для Y.

Найдем
t_набл.:

.

Критическое
значение (t_кр.)
следует
находить
по таблице
распределения Стьюдента (приложение
5) по уровню значимости 
и числу степеней свободы k.

По
условию 
= 0,01; число степеней свободы найдем по
формуле:

k
= n_x
+ n_y
— 2,

где
k
— число степеней свободы;

n_x
— объем выборки для X;

n_y
— объем выборки для Y.

k
= 9 + 15 — 2 = 22.

Найдем
t_кр.
по уровню значимости 
= 0,01 (для односторонней критической
области) и числу степеней свободы k
= 22:

Заметим,
что при левосторонней конкурирующей
гипотезе

t_кр.
следует находить по таблицам распределения
Стьюдента (приложение 5) по уровню
значимости 
(для односторонней критической области)
и числу степеней свободы k
= n_x
+ n_y
— 2 и присваивать ему «минус»;

При
двусторонней конкурирующей гипотезе


t_кр
следует находить по таблицам распределения
Стьюдента (приложение 5) по уровню
значимости 
(для двусторонней критической области)
и числу степеней свободы k
= n_x
+ n_y
— 2).

t_набл.
< t_кр,
следовательно, на данном уровне значимости
нет оснований отвергнуть нулевую
гипотезу. По имеющимся хронометрическим
данным на уровне значимости 
= 0,01 нельзя отклонить гипотезу о том,
что генеральные средние равны, т.е.
среднее время, затрачиваемое на обработку
детали старым и новым типом резцов
отличается незначимо, расхождения между
средними — случайны, использование
нового типа резцов не позволяет снизить
время обработки детали.

Область
допустимых
Критическая

значений
область

T

0
t_набл.=
0,9 t_кр.=
2,51

_Рис
8.7.

Наблюдаемое
значение критерия попадает в область
допустимых значений, следовательно,
нулевую гипотезу нельзя отвергнуть.

Ответ.
На уровне значимости 
= 0,01 нельзя утверждать, что использование
нового типа резцов позволило сократить
время обработки детали.

Пример
8.7 Партия
изделий принимается в том случае, если
вероятность того, что изделие окажется
соответствующим стандарту, составляет
не менее 0,97. Среди случайно отобранных
200 изделий проверяемой партии оказалось
193 соответствующих стандарту. Можно ли
на уровне значимости 
= 0,02 принять партию?

Решение.
Для решения
данной задачи необходимо проверить
гипотезу о том, что неизвестная генеральная
доля точно равна определенному числу.

Сформулируем
нулевую и конкурирующую гипотезы
согласно условию задачи.

Н₀:
р = р₀
= 0,97 — неизвестная генеральная доля р
равна р₀
(применительно к условию данной задачи
— вероятность того, что деталь из
проверяемой партии окажется соответствующей
стандарту, равна 0,97; то есть партию
изделий можно принять).

Н₁:
р < 0,97 — неизвестная вероятность р
меньше гипотетической вероятности р₀
(применительно к условию данной задачи
— вероятность того, что деталь из
проверяемой партии окажется соответствующей
стандарту, меньше 0,97; то есть партию
изделий нельзя принять).

Так
как конкурирующая гипотеза — левосторонняя,
то и критическая область — левосторонняя.

В
качестве критерия для сравнения
наблюдаемой относительной частоты с
гипотетической вероятностью появления
события используется случайная величина
U:

Его
наблюдаемое значение (u_набл.)
рассчитывается по формуле:

,
(8.8)

где
m
/ n
— относительная частота (частость)
появления события;

р₀
— гипотетическая вероятность появления
события;

q₀
— гипотетическая вероятность непоявления
события;

n
— объем выборки.

По
условию: m
= 193; n
= 200; p₀
= 0,97; q₀
= 1 — p₀
= 0,03; 
= 0,02.

Найдем
наблюдаемое значение (u_набл.):

Так
как конкурирующая гипотеза — левосторонняя,
то критическое значение (u_кр.)
следует
находить
по таблице
функции Лапласа (приложение 2) из
равенства:

Ф₀(u_кр
) = (1 — 2)
/ 2.

По
условию 
= 0,02.

Отсюда:

Ф₀(u_кр
) = (1 — 2 · 0,02) / 2 = 0,48.

По
таблице функции Лапласа (приложение 2)
найдем при каком u_кр.
Ф₀(u_кр
) = 0,48.

₀(2,05)
= 0,48.

Учитывая,
что конкурирующая гипотеза — левосторонняя,
критическому значению необходимо
присвоить знак «минус».

Следовательно:
u_кр.
= — 2,05.

Заметим,
что при правосторонней конкурирующей
гипотезе Н₁:
р > 0,97 u_кр.
следует находить по таблице функции
Лапласа (приложение 2) из равенства
Ф₀(u_кр
) = (1 — 2)
/ 2.

При
двусторонней конкурирующей гипотезе
Н₁:
p

0,97 u_кр.
следует находить по таблице функции
Лапласа (приложение 2) из равенства
Ф₀(u_кр
) = (1 — )
/ 2).

u_набл.
> u_кр,
следовательно, на данном уровне значимости
нет оснований отвергнуть нулевую
гипотезу. По имеющимся данным на уровне
значимости 
= 0,02 нельзя отклонить гипотезу о том,
что вероятность того, что изделие
окажется соответствующим стандарту,
составляет 0,97. Следовательно, партию
изделий принять можно.

Критическая
Область допустимых

область
значений

U

—u_кр.=
— 2,05
u_набл.
= — 0,28 0

Рис.8.8.

Наблюдаемое
значение критерия попадает в область
допустимых значений, следовательно,
нет оснований отклонить нулевую гипотезу.

Ответ.
На уровне значимости 
= 0,02 партию изделий принять можно.

Пример
8.8 Два завода
изготавливают однотипные детали. Для
оценки их качества извлечены выборки
из продукции этих заводов и получены
следующие результаты:

	Завод №1	Завод №2
Объем выборки	n1	n2
Число бракованных деталей	m1	m2

На
уровне значимости 
= 0,025 определите, имеется ли существенное
различие в качестве изготавливаемых
этими заводами деталей?

Решение.
Для решения
данной задачи необходимо сравнить две
вероятности биномиальных распределений.

Сформулируем
нулевую и конкурирующую гипотезы
согласно условию задачи.

Н₀:
р₁
= р₂
— вероятности появления события в двух
генеральных совокупностях, имеющих
биномиальное распределение, равны
(применительно к условию данной задачи
— вероятность того, что деталь изготовленная
на первом заводе, окажется бракованной,
равна вероятности того, что деталь
изготовленная на втором заводе, окажется
бракованной).

Н₁:
р₁

р₂ —
вероятности появления события в двух
генеральных совокупностях, имеющих
биномиальное распределение, не равны
(применительно к условию данной задачи
— вероятность того, что деталь изготовленная
на первом заводе, окажется бракованной,
не равна вероятности того, что деталь
изготовленная на втором заводе, окажется
бракованной; заводы изготавливают
детали разного качества). Так как по
условию задачи не требуется проверить,
на каком заводе качество изготавливаемых
деталей выше, выдвигаем двустороннюю
конкурирующую гипотезу.

Так
как конкурирующая гипотеза — двусторонняя,
то и критическая область — двусторонняя.

В
качестве критерия для сравнения двух
вероятностей биномиальных распределений
используется случайная величина U:

Его
наблюдаемое значение u_набл.
рассчитывается по формуле:

,
(8.9)

где
m₁
/ n₁
— относительная частота (частость)
появления события в первой выборке;

m₂
/ n₂
— относительная
частота (частость) появления события
во второй выборке;

—
средняя частость появления события;

—
средняя частость непоявления события;

;

n₁
— объем первой выборки;

n₂
— объем второй выборки.

По
условию: m₁
= 20; n₁
= 200; m₂
= 15; n₂
= 300; 
= 0,025.

Найдем
— среднюю частость появления события:

.

Найдем
— среднюю частость непоявления события:

=
1 — 0,07 = 0,93.

Найдем
u_набл.:

Так
как конкурирующая гипотеза — двусторонняя,
критическое значение (u_кр.)
следует
находить
по таблице
функции Лапласа (приложение 2) из
равенства:

Ф₀(u_кр
) = (1 — )
/ 2.

По
условию 
= 0,025.

Отсюда:

Ф₀(u_кр
) = (1 — 0,025) / 2 = 0,4875.

По
таблице функции Лапласа (приложение 2)
найдем при каком u_кр.
Ф₀(u_кр
) = 0,4875.

₀(2,24)
= 0,4875.

Учитывая, что
конкурирующая гипотеза — двусторонняя,
находим две критические точки:

u_{кр.(прав.)}
= 2,24;
u_{кр.(лев.)}
= — 2,24.

Заметим,
что при правосторонней конкурирующей
гипотезе Н₁:
р₁
> р₂ u_кр.
следует находить по таблице функции
Лапласа (приложение 2) из равенства
Ф₀(u_кр
) = (1 — 2)
/ 2.

При
левосторонней конкурирующей гипотезе
Н₁:
р₁
< р₂
u_кр.
следует находить по таблице функции
Лапласа (приложение 2) из равенства
Ф₀(u_кр
) = (1 — 2)
/ 2 и присваивать ему знак «минус»).

-u_кр.
< u_набл.
< u_кр,
следовательно, на данном уровне значимости
нет оснований отвергнуть нулевую
гипотезу. По имеющимся данным на уровне
значимости 
= 0,025 нет оснований отклонить нулевую
гипотезу. Следовательно, заводы
изготавливают детали одинакового
качества.

Критическая
Область допустимых
Критическая

область
значений
область

U

—u_кр.
=
-2,24
u_набл.=
2,15 u_кр.=
2,24

Рис.8.9.

Наблюдаемое
значение критерия попадает в область
допустимых значений, следовательно,
нет оснований отклонить нулевую гипотезу.

Ответ.
Нет оснований отклонить нулевую гипотезу,
то есть имеющееся различие в качестве
изготавливаемых этими заводами деталей
— случайно, незначимо.

Задачи
к теме 8

1.
Компания, производящая средства для
потери веса, утверждает, что прием
таблеток в сочетании со специальной
диетой позволяет сбросить в среднем в
неделю 800 граммов веса. Случайным образом
отобраны 25 человек, использующих эту
терапию, и обнаружено, что в среднем
еженедельная потеря в весе составила
830 граммов со средним квадратическим
отклонением 250 граммов. Ответьте, правда
ли, что потеря в весе составляет 800
граммов? Уровень значимости 
= 0,05.

2.
Компания утверждает, что новый вид
зубной пасты для детей лучше предохраняет
зубы от кариеса, чем зубные пасты,
производимые другими фирмами. Для
проверки эффекта в случайном порядке
была отобрана группа из 500 детей, которые
пользовались новым видом зубной пасты.
Другая группа из 600 детей, также случайно
выбранных, в это же время пользовалась
другими видами зубной пасты. После
окончания эксперимента было выяснено,
что у 30 детей, использующих новую пасту,
и 35 детей из контрольной группы появились
новые признаки кариеса. Имеются ли у
компании достаточные основания для
утверждения о том, что новый сорт зубной
пасты эффективнее предотвращает кариес,
чем другие виды зубной пасты? Принять
уровень значимости 
= 0,05.

3.
По оценкам оператора сотовой связи
средняя длительность ежедневных звонков
составляет 24 минуты на одного абонента.
Выборочное обследование 100 абонентов
показало, что среднедневная длительность
звонков составляет 30 минут. На уровне
значимости 
= 0,05 оцените статистическую значимость
различий выборочного обследования,
если известно, что стандартное отклонение
длительности звонков в генеральной
совокупности составляет 3 минуты.

4.
По оценкам финансовых аналитиков риск
потери денежных средств для инвесторов
арт — бизнеса составляет 17% в течение
пяти лет. Среди 400 постоянных клиентов
аукционного дома был проведен опрос, в
ходе которого выяснилось, что 65 из них
потеряли средства на вложениях в предметы
искусства за последние пять лет. Можно
ли утверждать, что оценки финансовых
аналитиков совпадают с действительностью
на уровне значимости 
= 0,01?

5.
Крупный коммерческий банк заказал
маркетинговое исследование по выявлению
эффекта «премирования» (калькулятор,
набор ручек и др.), как стимула для
открытия счета в банке. Для проверки
случайным образом было отобрано 230
«премированных» посетителей и 200 «не
премированных». В результате выяснилось,
что 80% посетителей, которым предлагалась
премия и 75% посетителей, которым не
предлагалась премия, открыли счет в
банке в течение 6 месяцев. Используя эти
данные, проверьте гипотезу о том, что
доля «премированных» посетителей,
открывших счет в банке, статистически
существенно отличается от удельного
веса «не премированных» посетителей,
открывших счет в банке. Принять уровень
значимости 
= 0,01.

6.
По данным российской аналитической
компании средняя розничная цена покупки
мобильного телефона в 2006 году составила
5000 рублей. Выборочная оценка 25 случайно
выбранных телефонов, купленных в одном
из салонов города показала, что средняя
цена купленного телефона составляет
5200 рублей с исправленным средним
квадратическим отклонением 250 рублей.
На уровне значимости 
= 0,01 проверьте гипотезу о том, что средняя
розничная цена мобильного телефона,
купленного в 2006 году равна 5200 рублей.

7.
Компания, выпускающая в продажу новый
сорт сока, проводит оценку вкусов
покупателей по случайной выборке из
500 человек, и оказалось, что 310 из них
предпочли новый сорт всем остальным.
Проверьте на уровне значимости 
= 0,01 гипотезу о том, что новый сорт сока
предпочитают 65 % потребителей.

8.
Страховая компания изучает вероятность
дорожных происшествий для подростков,
имеющих мотоциклы. За прошедший год
проведена случайная выборка 1000 страховых
полисов подростков-мотоциклистов и
выявлено, что 11 из них попадали в дорожные
происшествия и предъявили компании
требование о компенсации за ущерб. Может
ли аналитик компании отклонить гипотезу,
о том, что менее одного процента всех
подростков-мотоциклистов, имеющих
страховые полисы, попадали в дорожные
происшествия в прошлом году? Принять
уровень значимости 
= 0,05.

9.
Новое лекарство, изобретенное для
лечения атеросклероза, должно пройти
экспериментальную проверку для выяснения
возможных побочных эффектов. В ходе
эксперимента лекарство принимали 7000
мужчин и 6000 женщин. Результаты выявили,
что 100 мужчин и 100 женщин испытывали
побочные эффекты при приеме нового
медикамента. Можем ли мы на основании
эксперимента утверждать, что побочные
эффекты нового лекарства у женщин
проявляются в большей степени, чем у
мужчин? Принять уровень значимости 
= 0,01.

10.
Руководство фирмы — провайдера полагает,
что проведение рекламной акции приведет
к увеличению числа новых клиентов. За
30 рабочих дней после проведения рекламной
акции число новых клиентов составило
120 чел., тогда как до нее в среднем за
день к услугам Internet
впервые подключились 2 чел. Считая
среднее квадратическое отклонение
равным 3, на уровне значимости 0,01
определите принесла ли успех рекламная
акция?

11.
Владелец фирмы
считает, что добиться более высоких
финансовых результатов ему помешала
неравномерность поставок комплектующих
по месяцам года, несмотря на то, что
поставщик в полном объеме выполнил свои
обязательства за год. Поставщик
утверждает, что поставки были не так уж
неравномерны. Распределение поставок
по месяцам года имеет следующий вид:

Месяцы	1	2	3	4	5	6	7	8	9	10	11	12
Объем поставок, единиц	19	23	26	18	20	20	20	20	32	27	35	40

На
уровне значимости 
= 0,05 определите кто прав: владелец фирмы
или поставщик? Изменится ли ответ на
поставленный вопрос, если уровень
значимости принять равным 0,01? Объясните
результаты.

12.
Годовой оборот 8 супермаркетов некоторой
федеральной сети в Ростовской области
составил 16 млн. у.е. с исправленным
средним квадратическим отклонением
0,25 млн. у.е., а годовой оборот 5 супермаркетов
этой же сети в Краснодарском крае
составил 9,5 млн. у.е. с исправленным
средним квадратическим отклонением
0,4 млн. у.е. Можно ли на уровне значимости

= 0,05 утверждать, что в Ростовской области
сеть супермаркетов работает более
эффективно?

13.
Компания по производству безалкогольных
напитков предполагает выпустить на
рынок новую модификацию популярного
напитка, в котором сахар заменен
сукразитом. Компания хотела бы быть
уверенной в том, что не менее 60% её
потребителей предпочтут новую модификацию
напитка. Новый напиток был предложен
на пробу 1500 человек, и 850 из них сказали,
что он вкуснее старого. Может ли компания
отклонить предположение о том, что 60%
всех её потребителей предпочтут новую
модификацию напитка старой? Принять
уровень значимости 
= 0,01.

14.
Кондитерская компания решила выяснить,
действительно ли новая упаковка
увеличивает объем продаж дорогих конфет.
Исследования были проведены в 35 магазинах
и супермаркетах, продающих конфеты в
старой упаковке и в 42 магазинах, в которых
продавались конфеты в новой упаковке.
Среднедневной объем продаж конфет в
старой упаковке составил 27,4 коробки с
дисперсией 6,8, а объем продаж конфет в
новой упаковке составил 35,6 с дисперсией
4,2. Можно ли на уровне значимости 
= 0,01 утверждать, что новая упаковка
увеличила объем продаж конфет?

15.
Производители нового типа аспирина
утверждают, что он снимает головную
боль за 30 минут. Случайная выборка 100
человек, страдающих головными болями,
показала, что новый тип аспирина снимает
головную боль за 33,6 минуты при среднем
квадратическом отклонении 4,2 минуты.
Проверьте на уровне значимости 
= 0,05 справедливость утверждения
производителей аспирина о том, что это
лекарство излечивает головную боль за
30 минут.

16.
Для определения среднего размера
валютного вклада клиентов коммерческого
банка осуществлена случайная выборка
200 вкладчиков банка. В результате были
получены следующие данные:

Размер вклада (в долларах)	До 500	500-1000	1000-1500	1500-2000	2000-2500	2500-3000	Более 3000
Число вкладов	8	16	40	72	36	18	10
Теоретические частоты	6	18	36	76	39	18	7

На основании этих
данных проверить на 5% уровне значимости
гипотезу о нормальном законе распределения
размера валютного вклада.

17.
На двух станках с программным управлением
обрабатываются одинаковые детали. Для
оценки точности станков отобраны 10
деталей с первого станка и 12 деталей со
второго станка. По этим выборкам найдены
исправленные выборочные дисперсии,
равные соответственно 30 кв.ед. и 10 кв.ед.
Можно ли на основании этих данных
утверждать на 5% уровне значимости, что
точность станков существенно различается?

18.
По данным
Росстата средний возраст безработного
по РФ составляет 40 лет. Выборочное
обследование демографических характеристик
безработных в регионе выявило, что
средний возраст безработного составил
38 лет, со стандартным отклонением 4 года.
Выяснить, существенны ли результаты
выборочного исследования, если в выборку
попало 25 человек? Ответ дать на 5% уровне
значимости

19.
Главный бухгалтер большой корпорации
провел обследование по данным прошедшего
года с целью выяснения доли некорректных
счетов. Из 2000 выбранных счетов в 25
оказались некорректные проводки. Для
уменьшения доли ошибок он внедрил новую
систему. Год спустя он решил проверить,
как работает новая система, и выбрал
для проверки в порядке случайного отбора
3000 счетов компании. Среди них оказалось
30 некорректных. Можно ли утверждать,
что новая система позволила уменьшить
долю некорректных проводок в счетах?
Принять уровень значимости 
= 0,05.

20.
На предприятии исследовалось изменение
расхода сырья на производство продукции
в условиях применения новой и старой
технологий изготовления изделий.
Дисперсия расхода сырья на изделие по
новой технологии составила 124 кв.ед., а
по старой – 189 кв.ед. Считая, что расход
сырья на изделие по старой и новой
технологии имеет нормальный закон
распределения с одинаковыми дисперсиями,
выяснить, существенны ли различия в
вариации расхода сырья на изделие при
использовании старой и новой технологий.
Ответ дать на 1% уровне значимости,
применив двухстороннюю альтернативную
гипотезу.

Л
И Т Е Р А Т У Р А

1.
Абезгауз Г.Г., Тронь А.П., Коненкин Ю.Н.,
Коровина И.А. Справочник по вероятностным
расчетам. М. 1970.

2. Белинский В.А.,
Калихман И.А., Майстров Л.Я., Митькин А.М.
Высшая математика с основами математической
статистики. -М.: Высшая школа, 1965.

3. Вентцель Е.С.
Теория вероятностей. — М.: Наука, 1964.

4. Ван-дер-Варден
Б.Л. Математическая статистика. М.: Изд-во
иностр. лит-ра, 1960.

5. Вайнберг Дж.,
Шумекер Дж. Статистика. — М.: Статистика,
1979.

6.
Вентцель Е.С., Овчаров Л.А. Теория
вероятностей (задачи и упражнения). —
М.: Наука, 1969.

7.
Венецкий И.Г., Кильдишев Г.С. Теория
вероятностей и математическая статистика.
М., 1975.

8.
Венецкий И.Г., Венецкая В.И. Основные
математико-статистические понятия и
формулы в экономическом анализе. — М.:
Статистика, 1974.

9. Гнеденко Б.Г.
Курс теории вероятностей. — 6-е изд. — М.:
Наука, 1988.

10.
Гнеденко Б.В., Хинчин А.Я. Элементарное
введение в теорию вероятностей. — М.:
Наука, 1970.

11. Гершгорн А.С.
Элементы теории вероятностей и
математической статистики. Львов, 1961 .

12. Гмурман В.Е.
Теория вероятностей и математическая
статистика. М., 1975.

13.
Гмурман В.Е. Руководство к решению задач
по теории вероятностей и математической
статистике. — М.: Высшая школа, 1975, 1979,
1997.

14. Гурский Е.И.
Теория вероятностей с элементами
математической статистики. М.: Высшая
школа, 1971.

15. Дружинин Н.К.
Математическая статистика в экономике.
М., 1971.

16. Емельянов Г.В.,
Скитович В.П. Задачник по теории
вероятностей и математической статистике.
— Л.: Изд-во ЛГУ, 1967.

17. Ивашев-Мусатов
О.С. Теория вероятностей и математическая
статистика. — М.: Наука, 1979.

18. Иванова В.М.,
Калинина В.Н., Нешумова Л.А., Решетникова
И.О. Математическая статистика. — М.:
Высшая школа, 1981.

19.
Коваленко И.Н., Вилиппова А.А. Теория
вероятностей и математическая статистика.
— 2-е изд. — М.: Высшая школа, 1982.

20.
Карасев А.И., Аксютина З.М., Савельева
Т.И. Курс высшей математики для
экономических вузов. ч.II.
Теория вероятностей и математическая
статистика. — М.: Высшая школа, 1982.

21.
Колемаев В.А., Староверов О.В., Турундаевский
В.Б. Теория вероятностей и математическая
статистика. — М.: Высшая школа, 1991.

22.
Колемаев В.А., Калинина В.Н. Теория
вероятностей и математическая статистика.
— М.: ИНФРА-М, 1997.

23. Карасев А.И.
Теория вероятностей и математическая
статистика. М., 1971.

24. Колде Я.К.
Практикум по теории вероятностей и
математической статистике. М.: Высшая
школа, 1991.

25. Козлова З.А.
Методические указания по изучению темы
«Закон больших чисел» — Ростов-на-Дону,
1979.

26.
Кремер Н.Ш. Теория вероятностей и
математическая статистика.-М.:
Юнити-Дана,2000.

27. Мостллер Ф.,
Рурке Р., Томас Дж. Вероятность. — М.:
Изд-во «Мир», 1969.

28.
Маринеску И., Мойнягу Ч., Никулеску Р.,
Ранку Н., Урсяну В. Основы математической
статистики и ее применение. — М.: Статистика,
1970.

29.
Павловский З. Введение в математическую
статистику. — М.: Статистика, 1967.

30. Румшинский Л.З.
Элементы теории вероятностей. М., 1970.

31.
Сборник задач по теории вероятностей,
математической статистике и теории
случайных функций/ под ред. Свешникова
А.А.- М.: Наука, 1965.

32. Феллер. В. Введение
в теорию вероятностей и ее приложения.
— М.: ИЛ, 1952.

33. Чистяков В.П.
Курс теории вероятностей.-3-е изд. — М.:
Наука, 1987.

34. Четыркин Е.И.,
Калихман И.Л. Вероятность и статистика.
— М.: Финансы и статистика, 1982.

35. Mendenhall W., Wackerly
D., Scheaffer R. Mathematical statistics with Applications.- PWS-KENT
Publishing Company, USA, 1990.

36. Canavos G. Applied
Probability and Statistical Methods. — Little, Brown… Company, USA,
1984.

37.
Aczel A. Complete Business Statistics. — 2^nd
ed., Richard D. Irwin, INC., 1993.

Приложение
1

Таблица
функции

Ошибки первого рода (англ. type I errors, α errors, false positives) и ошибки второго рода (англ. type II errors, β errors, false negatives) в математической статистике — это ключевые понятия задач проверки статистических гипотез. Тем не менее, данные понятия часто используются и в других областях, когда речь идёт о принятии «бинарного» решения (да/нет) на основе некоего критерия (теста, проверки, измерения), который с некоторой вероятностью может давать ложный результат.

Определения[править | править исходный текст]

Пусть дана выборка из неизвестного совместного распределения , и поставлена бинарная задача проверки статистических гипотез:

где  — нулевая гипотеза, а  — альтернативная гипотеза. Предположим, что задан статистический критерий

,

сопоставляющий каждой реализации выборки одну из имеющихся гипотез. Тогда возможны следующие четыре ситуации:

1. Распределение выборки соответствует гипотезе , и она точно определена статистическим критерием, то есть .
2. Распределение выборки соответствует гипотезе , но она неверно отвергнута статистическим критерием, то есть .
3. Распределение выборки соответствует гипотезе , и она точно определена статистическим критерием, то есть .
4. Распределение выборки соответствует гипотезе , но она неверно отвергнута статистическим критерием, то есть .

Во втором и четвертом случае говорят, что произошла статистическая ошибка, и её называют ошибкой первого и второго рода соответственно. ^[1][2]

	Верная гипотеза
Результат  применения  критерия		верно принята	неверно принята  (Ошибка второго рода)
	неверно отвергнута  (Ошибка первого рода)	верно отвергнута

О смысле ошибок первого и второго рода[править | править исходный текст]

Как видно из вышеприведённого определения, ошибки первого и второго рода являются взаимно-симметричными, то есть если поменять местами гипотезы и , то ошибки первого рода превратятся в ошибки второго рода и наоборот. Тем не менее, в большинстве практических ситуаций путаницы не происходит, поскольку принято считать, что нулевая гипотеза соответствует состоянию «по умолчанию» (естественному, наиболее ожидаемому положению вещей) — например, что обследуемый человек здоров, или что проходящий через рамку металлодетектора пассажир не имеет запрещённых металлических предметов. Соответственно, альтернативная гипотеза обозначает противоположную ситуацию, которая обычно трактуется как менее вероятная, неординарная, требующая какой-либо реакции.

С учётом этого ошибку первого рода часто называют ложной тревогой, ложным срабатыванием или ложноположительным срабатыванием — например, анализ крови показал наличие заболевания, хотя на самом деле человек здоров, или металлодетектор выдал сигнал тревоги, сработав на металлическую пряжку ремня. Слово «положительный» в данном случае не имеет отношения к желательности или нежелательности самого события.

Термин широко используется в медицине. Например, тесты, предназначенные для диагностики заболеваний, иногда дают положительный результат (т.е. показывают наличие заболевания у пациента), когда на самом деле пациент этим заболеванием не страдает. Такой результат называется ложноположительным.

В других областях обычно используют словосочетания со схожим смыслом, например, «ложное срабатывание», «ложная тревога» и т.п. В информационных технологиях часто используют английский термин false positive без перевода.

Из-за возможности ложных срабатываний не удаётся полностью автоматизировать борьбу со многими видами угроз. Как правило, вероятность ложного срабатывания коррелирует с вероятностью пропуска события (ошибки второго рода). То есть: чем более чувствительна система, тем больше опасных событий она детектирует и, следовательно, предотвращает. Но при повышении чувствительности неизбежно вырастает и вероятность ложных срабатываний. Поэтому чересчур чувствительно (параноидально) настроенная система защиты может выродиться в свою противоположность и привести к тому, что побочный вред от неё будет превышать пользу.

Соответственно, ошибку второго рода иногда называют пропуском события или ложноотрицательным срабатыванием — человек болен, но анализ крови этого не показал, или у пассажира имеется холодное оружие, но рамка металлодетектора его не обнаружила (например, из-за того, что чувствительность рамки отрегулирована на обнаружение только очень массивных металлических предметов).

Слово «отрицательный» в данном случае не имеет отношения к желательности или нежелательности самого события.

Термин широко используется в медицине. Например, тесты, предназначенные для диагностики заболеваний, иногда дают отрицательный результат (т.е. показывают отсутствие заболевания у пациента), когда на самом деле пациент страдает этим заболеванием. Такой результат называется ложноотрицательным.

В других областях обычно используют словосочетания со схожим смыслом, например, «пропуск события», и т.п. В информационных технологиях часто используют английский термин false negative без перевода.

Степень чувствительности системы защиты должна представлять собой компромисс между вероятностью ошибок первого и второго рода. Где именно находится точка баланса, зависит от оценки рисков обоих видов ошибок.

Вероятности ошибок (уровень значимости и мощность)[править | править исходный текст]

Вероятность ошибки первого рода при проверке статистических гипотез называют уровнем значимости и обычно обозначают греческой буквой (отсюда название -errors).

Вероятность ошибки второго рода не имеет какого-то особого общепринятого названия, на письме обозначается греческой буквой (отсюда -errors). Однако с этой величиной тесно связана другая, имеющая большое статистическое значение — мощность критерия. Она вычисляется по формуле . Таким образом, чем выше мощность, тем меньше вероятность совершить ошибку второго рода.

Обе эти характеристики обычно вычисляются с помощью так называемой функции мощности критерия. В частности, вероятность ошибки первого рода есть функция мощности, вычисленная при нулевой гипотезе. Для критериев, основанных на выборке фиксированного объема, вероятность ошибки второго рода есть единица минус функция мощности, вычисленная в предположении, что распределение наблюдений соответствует альтернативной гипотезе. Для последовательных критериев это также верно, если критерий останавливается с вероятностью единица (при данном распределении из альтернативы).

В статистических тестах обычно приходится идти на компромисс между приемлемым уровнем ошибок первого и второго рода. Зачастую для принятия решения используется пороговое значение, которое может варьироваться с целью сделать тест более строгим или, наоборот, более мягким. Этим пороговым значением является уровень значимости, которым задаются при проверке статистических гипотез. Например, в случае металлодетектора повышение чувствительности прибора приведёт к увеличению риска ошибки первого рода (ложная тревога), а понижение чувствительности — к увеличению риска ошибки второго рода (пропуск запрещённого предмета).

Примеры использования[править | править исходный текст]

Радиолокация[править | править исходный текст]

В задаче радиолокационного обнаружения воздушных целей, прежде всего, в системе ПВО ошибки первого и второго рода, с формулировкой «пропуск цели» и «ложная тревога» являются одним из основных элементов как теории, так и практики построения радиолокационных станций. Вероятно, это первый пример последовательного применения статистических методов в целой технической области.

Компьютеры[править | править исходный текст]

Понятия ошибок первого и второго рода широко используются в области компьютеров и программного обеспечения.

Компьютерная безопасность[править | править исходный текст]

Наличие уязвимостей в вычислительных системах приводит к тому, что приходится, с одной стороны, решать задачу сохранения целостности компьютерных данных, а с другой стороны — обеспечивать нормальный доступ легальных пользователей к этим данным (см. компьютерная безопасность). Moulton (1983, с.125) отмечает, что в данном контексте возможны следующие нежелательные ситуации:

• когда авторизованные пользователи классифицируются как нарушители (ошибки первого рода)
• когда нарушители классифицируются как авторизованные пользователи (ошибки второго рода)

Фильтрация спама[править | править исходный текст]

Ошибка первого рода происходит, когда механизм блокировки/фильтрации спама ошибочно классифицирует легитимное email-сообщение как спам и препятствует его нормальной доставке. В то время как большинство «антиспам»-алгоритмов способны блокировать/фильтровать большой процент нежелательных email-сообщений, гораздо более важной задачей является минимизировать число «ложных тревог» (ошибочных блокировок нужных сообщений).

Ошибка второго рода происходит, когда антиспам-система ошибочно пропускает нежелательное сообщение, классифицируя его как «не спам». Низкий уровень таких ошибок является индикатором эффективности антиспам-алгоритма.

Пока не удалось создать антиспамовую систему без корреляции между вероятностью ошибок первого и второго рода. Вероятность пропустить спам у современных систем колеблется в пределах от 1% до 30%. Вероятность ошибочно отвергнуть валидное сообщение — от 0,001 % до 3 %. Выбор системы и её настроек зависит от условий конкретного получателя: для одних получателей риск потерять 1% хорошей почты оценивается как незначительный, для других же потеря даже 0,1% является недопустимой.

Вредоносное программное обеспечение[править | править исходный текст]

Понятие ошибки первого рода также используется, когда антивирусное программное обеспечение ошибочно классифицирует безвредный файл как вирус. Неверное обнаружение может быть вызвано особенностями эвристики, либо неправильной сигнатурой вируса в базе данных. Подобные проблемы могут происходить также и с антитроянскими и антишпионскими программами.

Поиск в компьютерных базах данных[править | править исходный текст]

При поиске в базе данных к ошибкам второго рода можно отнести документы, которые выдаются поиском, несмотря на их иррелевантность (несоответствие) поисковому запросу. Ошибочные срабатывания характерны для полнотекстового поиска, когда поисковый алгоритм анализирует полные тексты всех хранимых в базе данных документов и пытается найти соответствия одному или нескольким терминам, заданным пользователем в запросе.

Большинство ложных срабатываний обусловлены сложностью естественных языков, многозначностью слов: например, «home» может обозначать как «место проживания человека», так и «корневую страницу веб-сайта». Число подобных ошибок может быть снижено за счёт использования специального словаря. Однако это решение относительно дорогое, поскольку подобный словарь и разметка документов (индексирование) должны создаваться экспертом.

Оптическое распознавание текстов (OCR)[править | править исходный текст]

Разнообразные детектирующие алгоритмы нередко выдают ошибки первого рода. Программное обеспечение оптического распознавания текстов может распознать букву «a» в ситуации, когда на самом деле изображены несколько точек, которые используемый алгоритм расценил как «a».

Досмотр пассажиров и багажа[править | править исходный текст]

Ошибки первого рода регулярно встречаются каждый день в компьютерных системах предварительного досмотра пассажиров в аэропортах. Установленные в них детекторы предназначены для предотвращения проноса оружия на борт самолёта; тем не менее, уровень чувствительности в них зачастую настраивается настолько высоко, что много раз за день они срабатывают на незначительные предметы, такие как ключи, пряжки ремней, монеты, мобильные телефоны, гвозди в подошвах обуви и т.п. (см. обнаружение взрывчатых веществ, металлодетекторы).

Таким образом, соотношение числа ложных тревог (идентифицикация благопристойного пассажира как правонарушителя) к числу правильных срабатываний (обнаружение действительно запрещённых предметов) очень велико.

Биометрия[править | править исходный текст]

Ошибки первого и второго рода являются большой проблемой в системах биометрического сканирования, использующих распознавание радужной оболочки или сетчатки глаза, черт лица и т.д. Такие сканирующие системы могут ошибочно отождествить кого-то с другим, «известным» системе человеком, информация о котором хранится в базе данных (к примеру, это может быть лицо, имеющее право входа в систему, или подозреваемый преступник и т.п.). Противоположной ошибкой будет неспособность системы распознать легитимного зарегистрированного пользователя, или опознать подозреваемого в преступлении.^[3]

Массовая медицинская диагностика (скрининг)[править | править исходный текст]

В медицинской практике есть существенное различие между скринингом и тестированием:

• Скрининг включает в себя относительно дешёвые тесты, которые проводятся для большой группы людей при отсутствии каких-либо клинических признаков болезни (например, мазок Папаниколау).
• Тестирование подразумевает гораздо более дорогие, зачастую инвазивные, процедуры, которые проводятся только для тех, у кого проявляются клинические признаки заболевания, и которые, в основном, применяются для подтверждения предполагаемого диагноза.

К примеру, в большинстве штатов в США обязательно прохождение новорожденными процедуры скрининга на оксифенилкетонурию и гипотиреоз, помимо других врождённых аномалий. Несмотря на высокий уровень ошибок первого рода, эти процедуры скрининга считаются целесообразными, поскольку они существенно увеличивают вероятность обнаружения этих расстройств на самой ранней стадии.^[4]

Простые анализы крови, используемые для скрининга потенциальных доноров на ВИЧ и гепатит, имеют существенный уровень ошибок первого рода; однако в арсенале врачей есть гораздо более точные (и, соответственно, дорогие) тесты для проверки, действительно ли человек инфицирован каким-либо из этих вирусов.

Возможно, наиболее широкие дискуссии вызывают ошибки первого рода в процедурах скрининга на рак груди (маммография). В США уровень ошибок первого рода в маммограммах достигает 15%, это самый высокий показатель в мире.^[5] Самый низкий уровень наблюдается в Нидерландах, 1%.^[6]

Медицинское тестирование[править | править исходный текст]

Ошибки второго рода являются существенной проблемой в медицинском тестировании. Они дают пациенту и врачу ложное убеждение, что заболевание отсутствует, в то время как в действительности оно есть. Это зачастую приводит к неуместному или неадекватному лечению. Типичным примером является доверие результатам кардиотестирования при выявлении коронарного атеросклероза, хотя известно, что кардиотестирование выявляет только те затруднения кровотока в коронарной артерии, которые вызваны стенозом.

Ошибки второго рода вызывают серьёзные и трудные для понимания проблемы, особенно когда искомое условие является широкораспространённым. Если тест с 10%-ным уровнем ошибок второго рода используется для обследования группы, где вероятность «истинно-положительных» случаев составляет 70%, то многие отрицательные результаты теста окажутся ложными. (См. Теорему Байеса).

Ошибки первого рода также могут вызывать серьёзные и трудные для понимания проблемы. Это происходит, когда искомое условие является редким. Если уровень ошибок первого рода у теста составляет один случай на десять тысяч, но в тестируемой группе образцов (или людей) вероятность «истинно-положительных» случаев составляет в среднем один случай на миллион, то большинство положительных результатов этого теста будут ложными.^[7]

Исследования сверхъестественных явлений[править | править исходный текст]

Термин ошибка первого рода был взят на вооружение исследователями в области паранормальных явлений и привидений для описания фотографии или записи или какого-либо другого свидетельства, которое ошибочно трактуется как имеющее паранормальное происхождение — в данном контексте ошибка первого рода — это какое-либо несостоятельное «медиасвидетельство» (изображение, видеозапись, аудиозапись и т.д.), которое имеет обычное объяснение.^[8]

См. также[править | править исходный текст]

• Статистическая значимость
• Атака второго рода
• Случаи ложного срабатывания систем предупреждения о ракетном нападении
• Receiver_operating_characteristic

Примечания[править | править исходный текст]

Ошибки первого и второго рода. Понятие о статистических критериях

Проверить статистическую гипотезу – значит проверить, согласуются ли данные, полученные из выборки с этой гипотезой. При этом проверяемая гипотеза может подтвердиться, а может и не подтвердиться. Проверка статистических гипотез сопряжена с возможностью допустить ошибку.

Ошибка первого рода состоит в том, что будет отвергнута верная гипотеза.

Ошибка второго рода состоит в том, что будет принята ложная гипотеза.

Вероятность совершения ошибки первого рода обозначается и называется уровнем значимости. Уровень значимости обычно задается близким к нулю (например, 0,05; 0,01; 0,02 и т.д.). Чем меньше уровень значимости , тем меньше вероятность отвергнуть проверяемую гипотезу когда она верна, т.е. совершить ошибку первого рода.

Вероятность не отклонить ложную гипотезу обозначается .

При проверке нулевой гипотезы могут возникнуть следующие ситуации (табл.):

	верная	ложная
отклоняется	Ошибка второго рода	Решение верное
не отклоняется	Решение верное	Ошибка второго рода

Проверка любой статистической гипотезы осуществляется с помощью статистического критерия.

Статистический критерий – это случайная величина [статистика], которая используется с целью проверки нулевой гипотезы.

В дальнейшем статистический критерий непараметрических гипотез будем обозначать, как правило, буквой .

Статистические критерии носят название соответственно распределению: критерий, — критерий, t-критерий и т.д.

Наблюдаемое значение статистического критерия – это значение критерия, которое рассчитано по выборке с определенным законом распределения.

Множество всех возможных значений выбранного статистического критерия разделяется на два непересекающихся подмножества. Первое из этих подмножеств включает в себя значения критерия, при которых нулевая гипотеза отвергается, а второе – те значения критерия, при которых нулевая гипотеза принимается.

Критическая область – это множество возможных значений статистического критерия, при которых нулевая гипотеза отвергается.

Область принятия гипотезы [область допустимых значений] – это множество возможных значений статистического критерия, при которых нулевая гипотеза принимается.

В том случае, если наблюдаемое значение статистического критерия (рассчитанное по выборочной совокупности) принадлежит критической области, нулевую гипотезу отвергают. Если же наблюдаемое значение статистического критерия принадлежит области принятия гипотезы, то нулевая гипотеза принимается.

Критические точки [квантили] – это точки, которые разграничивают критическую область и область принятия гипотезы.

Выделяют одностороннюю и двустороннюю критические области. Дадим определения данных критических областей на примере условного статистического критерия .

Правосторонняя критическая область определяется неравенством , где это положительное значение статистического критерия, определяемое по таблице распределения данного критерия.

Левосторонняя критическая область определяется неравенством , где — это отрицательное значение статистического критерия. определяемое по таблице распределения данного критерия.

Двусторонняя критическая область определяется неравенствами , , где — отрицательное значение и