Центральноукраїнський державний університет

імені Володимира Винниченка

кафедра інформатики та інформаційних технологій

КУРСОВА РОБОТА
на тему: Одноканальна система масового
обслуговування з очікуванням

Студента ІІІ курсу СТ20Б групи

Спеціальність 112 Статистика
Косолапкіна Дениса Сергійовича
Керівник: Луньова М.В.,
старший викладач кафедри
інформатики та інформаційних
технологій
Національна шкала ________________
Кількість балів: __________Оцінка: ECTS _____

Члени комісії ________________ ___________________________

(підпис) (прізвище та ініціали)

________________ ___________________________
(підпис) (прізвище та ініціали)
________________ ___________________________
(підпис) (прізвище та ініціали
м.Кропивницький – 2023 рік

2
 ЗМІСТ

ВСТУП......................................................................................................................3

РОЗДІЛ 1. ТЕОРЕТИЧНА ЧАСТИНА..................................................................5

1.1. Основні поняття і термінологія........................................................5

1.2. Математичні моделі одноканальних систем масового

обслуговування з очікуванням...........................................................................8

1.3. Характеристики та показники ефективності систем масового

обслуговування..................................................................................................11

РОЗДІЛ 2. МЕТОДИ ДОСЛІДЖЕННЯ...............................................................17

2.1. Вибір середовища для дослідження...............................................17

2.2. Збір статистичних даних про надходження заявок та

обслуговування..................................................................................................19

РОЗДІЛ 3. МОДЕЛЮВАННЯ СИСТЕМИ...........................................................5

3.1. Вибір та налаштування математичної моделі.................................5

3.2. Розрахунок характеристик та показників ефективності системи..8

РОЗДІЛ 4. ОПТИМІЗАЦІЯ ТА ПОКРАЩЕННЯ СИСТЕМИ..........................17

4.1. Аналіз результатів моделювання....................................................17

4.1. Визначення можливих шляхів оптимізації....................................17

4.2. Розробка пропозицій для покращення ефективності

обслуговування..................................................................................................19

ВИСНОВКИ...........................................................................................................27

ПЕРЕЛІК ПОСИЛАНЬ.........................................................................................28
3
ВСТУП

СМО з очікуванням – це системи, в яких у випадку

завантаженості усіх каналів обслуговування, заявка стає в чергу і
очікує обслуговування. До таких СМО належать усі каси, автомийки і
торгові точки. Причому довжина черги може бути необмежена (заявка
чекає обслуговування в будь-якому разі) та обмежена певною
кількістю місць (у випадку, коли черга досягла певної довжини, заявка
отримує відмову: клієнт не стає в чергу, а вирішує прийти в інший час).

Сучасний світ характеризується великою кількістю послуг, які

надаються різними організаціями та установами, починаючи від банківських
установ і транспортних компаній до служб обслуговування клієнтів.
Ефективне управління надходженням заявок і їх обслуговуванням є критично
важливим для забезпечення якості обслуговування та задоволення потреб
клієнтів.

Одним із ключових інструментів для управління такими процесами є

теорія масового обслуговування. Вона дозволяє моделювати та аналізувати
системи, де заявки надходять випадковим чином і очікують своєї черги для
обслуговування. Одноканальна система масового обслуговування з
очікуванням є одним з основних класів таких систем, де заявки
пропускаються через один канал обслуговування.

Метою даної курсової роботи є детальне вивчення одноканальної

системи масового обслуговування з очікуванням та розгляд основних понять,
принципів та методів, пов'язаних з цією системою. Ми будемо аналізувати
математичні моделі, які дозволяють описати процес надходження заявок,
розподіл часу обслуговування та використання ресурсів системи.

4
 Далі, ми будемо досліджувати основні показники продуктивності та
ефективності одноканальних систем масового обслуговування, такі як
середня кількість заявок у черзі, середній час очікування та імовірність
відмови. Ми будемо вивчати методи аналізу та оптимізації цих систем,
зокрема теорію черг, ймовірнісні моделі та апроксимаційні методи.

Дослідження одноканальної системи масового обслуговування з

очікуванням має велике значення для різних сфер діяльності, де швидке та
якісне обслуговування клієнтів є важливим чинником
конкурентоспроможності. Наприклад, у банківському секторі важливо
ефективно керувати чергою клієнтів, щоб забезпечити мінімальний час
очікування та оптимальне використання ресурсів. У транспортній системі,
наприклад, розрахунок оптимальних інтервалів руху транспортних засобів
може сприяти зменшенню заторів та забезпеченню зручності для пасажирів.

Підсумовуючи, одноканальна система масового обслуговування з

очікуванням є важливим об'єктом дослідження з метою поліпшення якості
обслуговування та ефективного використання ресурсів. В даній курсовій
роботі ми будемо розглядати математичні моделі, аналізувати основні
показники продуктивності та ефективності, а також досліджувати методи
оптимізації для досягнення кращих результатів. Розуміння цих концепцій та
методів допоможе нам розробити рекомендації для покращення управління
одноканальними системами масового обслуговування та задоволення потреб
клієнтів.

5
РОЗДІЛ 1. ТЕОРЕТИЧНА ЧАСТИНА

1.1. Основні поняття і термінологія

Одноканальна система масового обслуговування з очікуванням є одним

з основних понять теорії черг, яка вивчає процеси обслуговування в
ситуаціях, коли заявки надходять до системи випадковим чином і очікують
своєї черги для обробки.

Основні поняття, які використовуються в такій системі, включають

наступні:

1. Заявка (або клієнт): Це основна одиниця обслуговування, яка

надходить до системи для обробки. Заявки можуть бути фізичними об'єктами
(наприклад, люди в черзі) або абстрактними (наприклад, запити в
комп'ютерній системі).
2. Канал обслуговування: Це одне робоче місце, де заявки
обробляються. В одноканальній системі є лише один канал обслуговування.
3. Черга: Це місце, де заявки очікують своєї черги для обробки. В
одноканальній системі черга може мати обмежену ємність, наприклад, може
бути фіксована кількість місць для заявок у черзі.
4. Час обслуговування: Це час, необхідний для обробки однієї заявки в
каналі обслуговування. Час обслуговування може бути фіксованим
(однаковим для всіх заявок) або випадковим (залежним від певного
розподілу).
5. Час очікування: Це час, який заявка проводить у черзі, очікуючи
своєї черги для обробки. Час очікування може варіюватися в залежності від
завантаженості системи та кількості заявок.

6
 6. Інтенсивність надходження: Це швидкість, з якою заявки надходять
до системи. Вона може бути виражена в термінах частоти надходження
(наприклад, кількість заявок на одиницю часу) або інтенсивності
надходження (наприклад, середнє число заявок на одиницю часу).
7. Пропускна здатність: Це кількість заявок, які можуть бути
оброблені системою за одиницю часу. Пропускна здатність залежить від часу
обслуговування та інтенсивності надходження заявок.
8. Використання каналу обслуговування: Це відношення між часом,
протягом якого канал обслуговування фактично зайнятий обробкою заявок, та
загальним часом. Воно може бути виражене в відсотках або в долях одиниці.
9. Ймовірність зайнятості каналу: Це ймовірність того, що канал
обслуговування буде зайнятий при надходженні заявок. Вона відображає
ступінь завантаженості системи та може бути обчислена на основі
інтенсивності надходження та середнього часу обслуговування.
10. Середній час очікування: Це середнє значення часу, який заявки
проводять у черзі перед початком обслуговування. Він вимірюється в
одиницях часу (наприклад, секундах або хвилинах) і є важливим показником
ефективності системи обслуговування. 1.2. Параметричні критерії для
перевірки гіпотези про відмінність (або схожість) між середніми значеннями
11. Ймовірність відмови: Це ймовірність того, що заявка буде відхилена
і не отримає обслуговування у системі чергування. Вона залежить від
інтенсивності надходження, середнього часу обслуговування та ємності
черги. Чим вища інтенсивність надходження або чим менше ємність черги,
тим більша ймовірність відмови.
12. Коефіцієнт завантаження: Це відношення між інтенсивністю
надходження заявок і середнім часом обслуговування. Він використовується
для оцінки завантаженості системи обслуговування. Якщо коефіцієнт
завантаження більше 1, це означає, що середній час обслуговування
7
перевищує інтенсивність надходження, і система неспроможна виконати всі
заявки в реальному часі.
13. Система з чеканням: Це система, в якій заявки, які не можуть одразу
отримати обслуговування, мають очікувати у черзі. Чекання відбувається з
метою упорядкування заявок і обробки їх у порядку приходу.
14. Система без очікування: Це система, в якій заявки, які не можуть
одразу отримати обслуговування, відхиляються або передаються в іншу
систему. У такій системі немає черги, і заявка має бути обслугована без
очікування.
15. Інтенсивність відмов: Це швидкість, з якою заявки відхиляються у
системі. Вона може бути виражена у відсотках або у середній кількості
відхилених заявок на одну одиницю часу.

Ці терміни і поняття використовуються для опису і аналізу

одноканальних систем масового обслуговування з очікуванням. У таких
системах заявки надходять випадковим чином і очікують своєї черги для
обробки в одному каналі обслуговування. Вони допомагають квантифікувати
різні параметри і характеристики системи обслуговування та роблять
можливим аналіз та оптимізацію процесу.

При аналізі одноканальної системи масового обслуговування з

очікуванням можуть бути визначені такі показники:

1. Середня кількість заявок у черзі: Це середнє значення кількості

заявок, які очікують своєї черги для обслуговування. Вона дозволяє оцінити
завантаженість системи та може бути використана для розрахунку часу
очікування.
2. Середній час очікування: Це середнє значення часу, який заявки
проводять у черзі перед початком обслуговування. Він вимірюється в

8
одиницях часу (наприклад, секундах або хвилинах) і є важливим показником
ефективності системи обслуговування.
3. Середній час перебування у системі: Це середнє значення часу, який
заявка проводить у системі від моменту надходження до моменту закінчення
обслуговування. Він включає як час очікування, так і час обслуговування.
4. Ймовірність зайнятості каналу: Це ймовірність того, що канал
обслуговування буде зайнятий при надходженні заявок. Вона відображає
ступінь завантаженості системи та може бути обчислена на основі
інтенсивності надходження та середнього часу обслуговування.
5. Коефіцієнт використання системи: Це відношення між середнім
часом обслуговування та сумарним часом обслуговування та очікування для
заявок. Він відображає ефективність використання ресурсів системи
обслуговування і дозволяє оцінити, наскільки ефективно система виконує
свої завдання.
6. Ймовірність відмови: Це ймовірність того, що заявка буде відхилена
і не отримає обслуговування у системі чергування. Вона залежить від
інтенсивності надходження, середнього часу обслуговування та ємності
черги. Чим вища інтенсивність надходження або чим менше ємність черги,
тим більша ймовірність відмови.
7. Середня продуктивність системи: Це кількість заявок, яку система
може обслужити протягом певного періоду часу. Вона залежить від
інтенсивності надходження та середнього часу обслуговування.
8. Частота надходження: Це кількість заявок, які надходять до системи
за одиницю часу. Вона може бути використана для визначення інтенсивності
надходження заявок.
9. Середня кількість заявок у системі: Це середнє значення кількості
заявок, які перебувають у системі, включаючи заявки, які очікують своєї
черги та заявки, які перебувають в обробці.
9
 Ці поняття та термінологія використовуються для опису, аналізу та
оптимізації одноканальних систем масового обслуговування з очікуванням,
допомагають визначити ключові показники продуктивності та ефективності
системи.

1.2. Математичні моделі одноканальних систем масового обслуговування з

очікуванням.

Одноканальна система масового обслуговування – це найпростіша СМО, за

допомогою якої можна розглянути деякі закономірності управління виробництвом.

На вхід одноканальної системи, що має один канал обслуговування, надходить потік

замовлень з інтенсивністю . Замовлення, що надійшло у момент, коли система
вільна, відразу ж починає обслуговуватись. Наступне замовлення, яке надходить
коли канал обслугування зайнятий, отримує відмову (рис.2). Час обслугування
замовлення є випадковим, але на виході створюється потік обслугування з
інтенсивністю , що визначається середнім часом обслуговування.

Одноканальна СМО може знаходитися лише в одному з двох станів: S0-

канал вільний, S1 – канал зайнятий.
Математичні моделі одноканальних систем масового обслуговування з
очікуванням є важливим інструментом для аналізу та оптимізації таких систем.
Вони дозволяють описати процес надходження заявок, час обслуговування,
структуру черги та інші характеристики системи.

Одним із найпоширеніших підходів є використання процесу Пуассона для

моделювання надходження заявок у систему. В рамках цього підходу
передбачається, що заявки надходять випадковим чином з розподілом, який
відповідає процесу Пуассона. Також використовуються різні розподіли для
моделювання часу між надходженням заявок, такі як експоненційний розподіл
або розподіл Вейбулла.

10
Що стосується часу обслуговування, його часто моделюють за допомогою
експоненційного розподілу, де середній час обслуговування вважається
параметром розподілу. Проте, також можуть використовуватись інші
розподіли, які краще відображають реальні умови обслуговування, наприклад,
розподіл Вейбулла або нормальний розподіл.

Для опису структури черги та порядку обслуговування заявок

використовуються різні алгоритми, такі як FCFS (First-Come, First-Served) -
першим прийшов, першим обслужений, або стратегії приоритетів, де заявки
мають різний пріоритет обслуговування.

Після використання відповідних математичних моделей, можна розрахувати

різні показники продуктивності та ефективності системи, такі як середня
кількість заявок у черзі, середній час очікування, ймовірність відмови, середній
час обслуговування та інші. Ці показники допомагають оцінити продуктивність
системи, її здатність забезпечити ефективне обслуговування заявок та
визначити, наскільки вона задовольняє потреби клієнтів.

При аналізі одноканальних систем масового обслуговування з очікуванням

також використовуються ймовірнісні моделі. Ці моделі враховують
стохастичний характер надходження заявок та обслуговування, дозволяють
прогнозувати різні показники продуктивності системи на основі ймовірнісних
розрахунків.

Додатково, для аналізу і оптимізації одноканальних систем масового

обслуговування з очікуванням використовуються чисельні симуляції. Цей
підхід полягає в моделюванні роботи системи на комп'ютері шляхом імітації
надходження заявок, їх обслуговування та інших факторів. Симуляції
11
дозволяють провести експерименти з різними параметрами системи та
стратегіями керування, що допомагає визначити оптимальні рішення.

У даній курсовій роботі ми будемо досліджувати математичні моделі

одноканальних систем масового обслуговування з очікуванням, розраховувати
показники продуктивності та ефективності, а також використовувати
ймовірнісні моделі та чисельні симуляції для аналізу та оптимізації системи.
Розуміння та застосування цих математичних моделей допоможе нам зрозуміти
принципи роботи одноканальних систем масового обслуговування з
очікуванням та розробити рекомендації для поліппшення продуктивності та
ефективності таких систем.

Дослідження математичних моделей одноканальних систем масового

обслуговування з очікуванням має велике практичне значення в різних сферах
діяльності. Наприклад, у банківському секторі ці моделі дозволяють визначити
оптимальну кількість обслуговуючих працівників для мінімізації часу
очікування клієнтів та забезпечення високої якості обслуговування. В
транспортних компаніях моделі масового обслуговування допомагають
розрахувати оптимальний графік руху транспорту з метою забезпечення
комфорту та зручності пасажирів.

Використання математичних моделей дозволяє проводити аналіз різних

сценаріїв та стратегій управління, що сприяє вдосконаленню процесів
обслуговування та досягненню оптимальних результатів. Застосування цих
моделей також дає можливість прогнозувати показники продуктивності
системи при зміні вхідних параметрів, що дозволяє виявляти проблемні області
та вносити необхідні корективи для поліпшення функціонування системи.

12
Отже, дослідження математичних моделей одноканальних систем масового
обслуговування з очікуванням є актуальною та цікавою задачею. В даній
курсовій роботі ми будемо вивчати різні моделі, методи аналізу та оптимізації
таких систем. Метою нашої роботи є зрозуміти основні принципи роботи
одноканальних систем масового обслуговування з очікуванням та надати
практичні рекомендації для покращення їх продуктивності та ефективності.

1.3. Характеристики та показники ефективності систем масового

обслуговування.

13
РОЗДІЛ 2. МЕТОДИ ПЕРЕВІРКИ СТАТИСТИЧНИХ ГІПОТЕЗ

2.1. Побудова критичної області.

Для перевірки гіпотези Н0 використовують спеціально підібрану
випадкову величину, розподіл якої відомий. Цю величину позначають по-
різному залежно від її розподілу: U або Z при нормальному розподілі, Т – при
розподілі Стьюдента й т.і.
Визначення. Статистичним критерієм або просто критерієм
називають випадкову величину К, що служить для перевірки гіпотези Н0.
Спостережуваним значенням Кспос називають значення критерію, обчислене
за вибіркою.
Визначення. Множина всіх можливих значень критерію розбивають на
дві області:
1) область прийняття гіпотези (Н0 вірна);
2) критична область (Н0 помилкова).
Критичними точками Ккр називають точки поділу цих областей.

Рис.1.1 Графічна демонстрація критичних областей

Прямі 1 і 2 відповідають однобічним критичним областям -

правосторонній й лівосторонній відповідно, пряма 3 - двосторонній
критичній області.
Алгоритм перевірки параметричних гіпотез.
1. Висловлюється припущення про закон розподілу.
2. Відбирається вибірка.
14
 3. Формулюються основна (Н0) і конкуруюча (Н1) гіпотези.
4. Будується статистика, що зв'язує досліджуваний параметр і вибіркові
значення зі статистичним критерієм. Наприклад,

дляN(0;1)(1.1)

для t(f)

для

5. Для обраної статистики будується довірчий інтервал з імовірністю 1 -

 виду

P(-U1-/2<UU1-/2)=1-
P(-<UU1-)=1-

Формула (1.2) відповідає двосторонній критичній області, а формула

(1.3) - односторонній.
6. Довірчий інтервал перетворюється в інтервал для досліджуваного
параметра, наприклад,

( - U1-/2 /n  m < + U1-/2 /n) = 1 - 

7. Ухвалення рішення на основі побудованого інтервалу. Якщо Кспос

потрапляє в область прийняття гіпотези, то немає підстави відкидати
основну гіпотезу Н0. Якщо ж не попадає, то приймається конкуруюча
гіпотеза Н1. При цьому ймовірність помилки першого роду дорівнює
рівню значимості Р(Н1/Н0) = .
Приклад. Вимоги замовника до швидкодії програми 100 мс. З різними
початковими умовами програма зпрацьовує за 98; 100; 96; 102; 98 мс. Чи
відповідає програма вимогам замовника?
Нехай швидкодія є нормально розподіленою випадковою величиною з
невідомим математичним сподіванням і середньо квадратичним відхиленням.
Перевіримо гіпотезу Н0: m = 100 мс при конкуруючій гіпотезі

15
2.2. Критерій знаків
У випадках, коли результати спостережень виражені не цифрами, а
знаками плюс (+) і мінус (-), відмінності між попарними членами
порівнюваних вибірок оцінюють за критерієм знака z. Побудова цього
критерію базується на дуже простих міркуваннях: якщо попарно порівнювані
значення двох залежних вибірок суттєво не відрізняються один від одного, то
кількість позитивних і негативних відмінностей буде абсолютно однаковою;
якщо плюси чи мінуси явно переважають, то це буде свідчити про
позитивний чи негативний вплив досліджуваного фактора на результуючу
ознаку. Фактично знайденим значенням z-критерію ознак служить більша
кількість однозначних різниць. При цьому нульові різниці, тобто випадки, які
не дали ні позитивного, ні негативного результату, позначені цифрою 0, не
враховуються, а кількість парних спостережень відповідно зменшується.
У практиці обробки результатів розподіл генеральної сукупності часто
невідомий або відрізняється від нормального розподілу випадкової величини.
У цих додатках використовуються незалежні від розподілу або так звані
непараметричні методи. Методи використовують не числові значення самих
елементів вибору, а структурні властивості вибору ціни (наприклад, порядок
між елементами). Тому потужність таких методів нижча за потужність
параметричних гіпотез. Перевагою цих методів є простота і можливість
вироблення загальних суджень. Більша група непараметричних критеріїв
використовується для перевірки гіпотези про те, що два вибори належать до
однієї генеральної сукупності, тобто що функція розподілу дорівнює:
F(x)F(y)|y=x. Такі генеральні сукупності називаються однорідними.
Простішим критерієм такого роду є критерій знаків. Він служить для
перевірки гіпотези Н0 про однорідність генеральних сукупностей за попарно
зв'язаними вибірками (задача порівняння двох вимірювальних приладів).
Критерій знаків. Використовуються n об'єктів і над кожним проводять
по одному виміру за допомогою обох приладів. Якщо вибірки однорідні, то
значення хi і yi взаємозамінні й імовірності появи того, що xi-yi>0 і xi-yi<0
рівно.
Статистикою критерію знаків є число знаків «+» у послідовності знаків
різностей, які не дорівнюють нулю. За умови, що Н0 вірна, а пари
спостережень (хi; yi) незалежні, число знаків має біноміальний розподіл з
параметрами р=1/2 і n=L (L – число ненульових знаків). Таким чином,
нульова гіпотеза має вигляд: Н0: р=1/2, а можливі конкуруючі гіпотези:
Н1(1):р>1/2, H1(2): p<1/2, H1(3): p1/2.
Для перевірки гіпотези Н0 використовують статистику Фішера –
Снедекора. Критичні області:
16
для Н1(1)

де k1=2(L-R+1), k2=2R;

для Н1(2):

де k1=2(R+1), k2=2(L–R);

для Н1(3): об'єднання перших двох випадків для рівня значимості /2. Тут R –
число знаків «+», k1, k2 – ступеня волі.
Приклад. Перевірялася швидкість десяти автомобілів за допомогою
двох приладів. Результати перевірки представлені у вигляді наступної
таблиці:

V1 70 85 63 54 65 80 75 95 52 55
V2 72 86 62 55 63 80 78 90 53 57

Чи можна сказати, що другий прилад дає завищені значення? Рівень

значимості прийняти 0,1.
У припущенні, що швидкості руху автомобілів не залежать одна від
одної, задачу можна розв’язати, застосовуючи критерій знаків. Складемо
послідовність знаків різниці швидкостей автомобілів отриманих на першому
й другому приладах:
: –, –, +, –, +, 0, –, +, –, –.
Число нульових різностей , число позитивних різностей .
Перевіримо гіпотезу про те, що розбіжності в показниках приладів зумовлені
випадковими помилками, тобто гіпотезу : . Альтернативна гіпотеза
припускає, що показники другого приладу вищі, тоді знаків «+» повинно
бути менше, а ймовірність, отже, повинна бути менше 1/2. Отже,
альтернативну гіпотезу приймаємо Н1(2): p<1/2 і використовуємо формулу
(2.13)
k1=2(3+1)=8, k2=2(9–3)=12, FB=(9–3)/(3+1)=1,5

17
 За таблицею Фішера F0,9(8;12) =2,24, а тому що FB<F0.9 (8;12) немає підстави
відкидати гіпотезу Н0. Варто вважати, що розбіжності в показниках приладів
викликані випадковими помилками.
2.3 Модель монополістичного ринку та його характеристики
У попередніх задачах закон розподілу генеральної сукупності
передбачається відомим. Якщо закон розподілу невідомий, але є підстави
припускати, що він має певний вигляд, то перевіряють нульову гіпотезу Н0:
генеральна сукупність розподілена за законом А.
Визначення. Критерієм згоди називають критерій перевірки гіпотези
про передбачуваний закон невідомого розподілу.
Побудова інтервального статистичного ряду та основних числових

характеристик вибірки дозволяє попередньо вибрати закон розподілу

випадкової величини X виходячи з таких міркувань:

1) За типом частотної гістограми статистичного ряду. Тип гістограми

дає орієнтацію на можливий закон розподілу. Перевага цього методу полягає
в його простоті та наочності, а недоліком є те, що гістограма може
нагадувати кілька законів розподілу одночасно або не нагадувати їх взагалі.
2) Порівняння вибіркових оцінок випадкової величини. Наприклад, для
нормального закону розподілу порівнюють початкові моменти: М(х) = е =
0. Перевага - простота й наочність, недолік - висновки можуть бути дуже
наближені, в яких не відбивається ступінь симетрії кривої розподілу.
3) За емпіричним коефіцієнтом варіації V = S/ . Відомо, що кожному
закону розподілу відповідає певний діапазон значень коефіцієнта варіації:
Перевага методу - простота, недолік - коефіцієнт варіації не відбиває
ступінь симетричності емпіричної кривої розподілу, велика неоднозначність
вибору.
Таблиця 1.1 Вибір закону за емпіричним коефіцієнтом
Закон Середнє
Границі
розподілу значення
Нормальний (0.08;0.4) 0.25
Вейбулла (0.36;0.63) 0.44, 0.71
(0.4;0.85)
Логарифмічно (0.35;0.8) 0.68

18
 -нормальний
Експонентний (0.6;1.3) 0.92

4) За вибірковими коефіцієнтами асиметрії й ексцесу.

Вважається, що емпірична функція відповідає гіпотетичній функції,

якщо вибіркові коефіцієнти асиметрії та ексцесу відрізняються за
абсолютним значенням від їхніх математичних сподівань не більше ніж на
три середньоквадратичні відхилення, тобто якщо:
|A - M(A)| < 3SA

|Е - M(Е)| < 3SЕ

то обраний закон розподілу погоджується з експериментальними даними.
Наприклад, для нормального закону розподілу М(А) = М(Э) = 0, тому умови
узгодження набувають такого вигляду:
|A| < 3SA , |Е| < 3SЕ
де

Перевагою методу є врахування симетрії та крутизни, тобто форми

кривої, недоліком – відсутність суворої кількісної оцінки допустимої
розбіжності між вибірковими коефіцієнтами асиметрії та ексцесу та їх
математичними сподіваннями, оскільки використовується правило «трьох
сигм», яке є не дуже точним.
5) За допомогою чисел Вестергарда. Використовується тільки для
перевірки відповідності емпіричного закону розподілу до нормального.
Числа Вестергарда: 0.3, 0.7, 1.1, 3. Емпіричний розподіл близький до
нормального закону розподілу, якщо в інтервалі ( - 0.3S; + 0.3S)
розташована чверть всієї сукупності даних, в інтервалі ( - 0.7S; + 0.7S) –
половина всієї сукупності даних, в інтервалі ( - 1.1S; + 1.1S) – три чверті, а
в інтервалі ( - 3S; + 3S) – 0.998 відсотків всієї сукупності даних.
19
 Приклад обробки емпіричних даних. Представимо вибірку з 55
спостережень у вигляді таблиці частот, використовуючи 7 інтервалів
угрупування. Вибірка:
1 1 2 1 2 1 1 1 2 1 1
7 9 3 8 1 5 6 3 0 8 5
2 1 2 1 1 2 1 1 1 1 1
0 4 0 6 4 0 9 5 9 6 9
1 2 2 1 1 2 1 1 1 1 1
5 2 1 2 0 1 8 4 4 7 6
1 1 1 2 2 1 2 1 1 1 1
3 9 8 0 4 6 0 9 7 8 8
2 1 1 1 1 1 1 1 1 1 1
1 7 9 7 3 7 1 8 9 9 7

Розмах вибірки . Довжина інтервалу b = 14/7 = 2, результати

угруповання зведені в таблицю 13.2
Таблиця 1.2
Нако
Гр Се Нако
Ч Ві пичена
№ аниці редина пичена
астота дносна відносна
інтервал інтервал інтервал частота
n частота частота
уі у у *
i
*
xi

10 0, 0,036
1 11 2 2
-12 0364 4
12 0, 0,109
2 13 4 6
-14 0727 1
3 14 15 8 14 0, 0,254

20
 -16 1455 6
16 1 0, 0,472
17 26
-18 2 2182 8
18 1 0, 0,763
5 19 42
-20 6 2909 7
20 1 0, 0,945
6 21 52
-22 0 1818 5
22 0, 1,000
7 23 3 55
-24 0545 0

Далі обчислимо середнє, дисперсію, коефіцієнти асиметрії й ексцесу для

нашої вибірки. Довжина інтервалу угруповання b = 2. Значення xi*, що
зустрічається з найбільшою частотою, . Тому нормування має вигляд:

, і = 1,2,…,7.

Обчислення оформимо у вигляді таблиці 1.3

Таблиця 1.3
ni*u

ni*u

ni*u

ni*u

ui+

ni*(
(ui
ni*

ui2

ui3

ui4
xi*

ui
і

4
i

1 - - 1 3 - - 2 5 - 8 1
1 2
1 4 8 6 2 64 128 56 12 3 1 62
1 - - 3 - - 8 3 - 1 6
2 4 9
3 3 12 6 27 108 1 24 2 6 4
1 - - 3 - - 1 1 -
3 8 4 1 8
5 2 16 2 8 64 6 28 1

21
 1 - 1 - 1 - - 1
4 1 1 0 0 0
7 1 2 12 2 1 12 2
1 1 1
5 0 0 0 0 0 0 0 0 1 1
9 6 6
2 1 1 1 1 1 1 1
6 1 1 1 1 2
1 0 0 0 0 0 6 60
2 1 2 1 4 8 2
7 2 3 6 4 8 3
3 2 4 6 8 1 43
5 - 1 - 1 6
∑ - - - - - - -
5 32 34 278 034 53
- -
2 1
- 0,58 - - 5,0 - - - -
,436 8,8
2 5

Контроль обчислень за тотожністю дає наступне

55+4 (-32)+6 134+4 (-278)-1034=653
Нарешті, скориставшись формулами, знаходимо параметри розподілу:

22
ВИСНОВКИ

Після виконання курсової роботи я розібрався в критеріях знаків для

перевірки непараметричних гіпотез. В ході роботи було проаналізовано методи
перевірки статистичних гіпотез.
Курсова робота складалась з двох розділів. У першому розділі були
проаналізовані відомості про деякі відомі розподіли: 1) Біноміальний розподіл
2) Формула Пуассона; 3) Розподіл Шарльє.
У другому розділібув проведений аналіз методів перевірки статистичних
гіпотез, спочатку Побудова критичної області, потім критерій знаків, та
критичної згоди. Правильне застосування параметричних критеріїв для
перевірки статистичних гіпотез грунтується на припущенні про нормальний
розподіл сукупностей, з яких взяті порівнювані вибірки. Однак це не завжди
має місце, так як не всі біологічні ознаки розподіляються нормально.
Отже, виконавши цю курсову роботу, я засвоїв лекційний та практичний
матеріал по ряду основних розділів курсу «Математична статистика». Навчився
приймати рішення, робити висновки та узагальнення, застосовуючи отримані
теоретичні знання та аналізуючи результати проведених розрахунків під час
вирішення конкретних статистичних завдань.

23
ПЕРЕЛІК ПОСИЛАНЬ

1. Гмурман В.Е. Теория вероятностей и математическая статистика /В.Е.

Гмурман. –М.: Высшая школа, 2000.

2. Севастьянов Б.А. Курс теории вероятностей и математической

статистики /Б.А. Севастьянов. - М.: Наука, 1982.
3. Ван-дер-Варден. Математическая статистика / Ван-дер-Варден. - М.:
Мир, 1960.

4. Браунли К.А. Статистическая теория и методология в науке и

технике /К.А. Браунли. - М.: Наука, 1977.
5. Харман. Современный факторный анализ /Харман. - М.: Статистика,
1972.
6. Смирнов Н.В. Курс теории вероятностей и математической
статистики /Н.В. Смирнов, И.В. Дунин-Барковский. -М.: Наука, 1969.
7. Кокрен У. Методы выборочного исследования /У. Кокрен. -М.:
Статистика, 1976.
8. Факторный, дискриминантный и кластерный анализ. -М.: Финансы и
статистика, 1989.
9. Шеффе Г. Дисперсионный аналіз /Г.Шеффе. -М.: Физматгиз, 1963.
10.. Айзек, М.П. Вычисления, графики и анализ данных в Excel 2010:
Самоучитель / М.П. Айзек, В.В. Серогодский, М.В. Финков. - СПб.:
НиТ, 2013. - 352 c.2.
11. Боровиков, В.П. Популярное введение в современный анализ данных в
системе STATISTICA: Учебное пособие для вузов / В.П. Боровиков. -
М.: Гор. линия-Телеком, 2013. - 288 c.
12.Козлов, А.Ю. Статистический анализ данных в MS Excel: Учебное
пособие / А.Ю. Козлов, В.С. Мхитарян, В.Ф. Шишов. - М.: ИНФРА-М,
2013. - 320 c.

24