Как подходы, идеи и результаты теории вероятностей и математической статистики используются при принятии решений?

Базой является вероятностная модель реального явления или процесса, т.е. математическая модель, в которой объективные соотношения выражены в терминах теории вероятностей. Вероятности используются прежде всего для описания неопределенностей, которые необходимо учитывать при принятии решений. Имеются в виду как нежелательные возможности (риски), так и привлекательные («счастливый случай»). Иногда случайность вносится в ситуацию сознательно, например, при жеребьевке, случайном отборе единиц для контроля, проведении лотерей или опросов потребителей.

Теория вероятностей позволяет по одним вероятностям рассчитать другие, интересующие исследователя. Например, по вероятности выпадения герба можно рассчитать вероятность того, что при 10 бросаниях монет выпадет не менее 3 гербов. Подобный расчет опирается на вероятностную модель, согласно которой бросания монет описываются схемой независимых испытаний, кроме того, выпадения герба и решетки равновозможны, а потому вероятность каждого из этих событий равна Ѕ. Более сложной является модель, в которой вместо бросания монеты рассматривается проверка качества единицы продукции. Соответствующая вероятностная модель опирается на предположение о том, что контроль качества различных единиц продукции описывается схемой независимых испытаний. В отличие от модели с бросанием монет необходимо ввести новый параметр - вероятность р того, что единица продукции является дефектной. Модель будет полностью описана, если принять, что все единицы продукции имеют одинаковую вероятность оказаться дефектными. Если последнее предположение неверно, то число параметров модели возрастает. Например, можно принять, что каждая единица продукции имеет свою вероятность оказаться дефектной.

Обсудим модель контроля качества с общей для всех единиц продукции вероятностью дефектности р. Чтобы при анализе модели «дойти до числа», необходимо заменить р на некоторое конкретное значение. Для этого необходимо выйти из рамок вероятностной модели и обратиться к данным, полученным при контроле качества.

Математическая статистика решает обратную задачу по отношению к теории вероятностей. Ее цель - на основе результатов наблюдений (измерений, анализов, испытаний, опытов) получить выводы о вероятностях, лежащих в основе вероятностной модели. Например, на основе частоты появления дефектных изделий при контроле можно сделать выводы о вероятности дефектности (см. теорему Бернулли выше).

На основе неравенства Чебышева делались выводы о соответствии частоты появления дефектных изделий гипотезе о том, что вероятность дефектности принимает определенное значение.

Таким образом, применение математической статистики опирается на вероятностную модель явления или процесса. Используются два параллельных ряда понятий - относящиеся к теории (вероятностной модели) и относящиеся к практике (выборке результатов наблюдений). Например, теоретической вероятности соответствует частота, найденная по выборке. Математическому ожиданию (теоретический ряд) соответствует выборочное среднее арифметическое (практический ряд). Как правило, выборочные характеристики являются оценками теоретических. При этом величины, относящиеся к теоретическому ряду, «находятся в головах исследователей», относятся к миру идей (по древнегреческому философу Платону), недоступны для непосредственного измерения. Исследователи располагают лишь выборочными данными, с помощью которых они стараются установить интересующие их свойства теоретической вероятностной модели.

Зачем же нужна вероятностная модель? Дело в том, что только с ее помощью можно перенести свойства, установленные по результатам анализа конкретной выборки, на другие выборки, а также на всю так называемую генеральную совокупность. Термин «генеральная совокупность» используется, когда речь идет о большой, но конечной совокупности изучаемых единиц. Например, о совокупности всех жителей России или совокупности всех потребителей растворимого кофе в Москве. Цель маркетинговых или социологических опросов состоит в том, чтобы утверждения, полученные по выборке из сотен или тысяч человек, перенести на генеральные совокупности в несколько миллионов человек. При контроле качества в роли генеральной совокупности выступает партия продукции.

Чтобы перенести выводы с выборки на более обширную совокупность, необходимы те или иные предположения о связи выборочных характеристик с характеристиками этой более обширной совокупности. Эти предположения основаны на соответствующей вероятностной модели.

Конечно, можно обрабатывать выборочные данные, не используя ту или иную вероятностную модель. Например, можно рассчитывать выборочное среднее арифметическое, подсчитывать частоту выполнения тех или иных условий и т.п. Однако результаты расчетов будут относиться только к конкретной выборке, перенос полученных с их помощью выводов на какую-либо иную совокупность некорректен. Иногда подобную деятельность называют «анализ данных». По сравнению с вероятностно-статистическими методами анализ данных имеет ограниченную познавательную ценность.

Итак, использование вероятностных моделей на основе оценивания и проверки гипотез с помощью выборочных характеристик - вот суть вероятностно-статистических методов принятия решений.

Подчеркнем, что логика использования выборочных характеристик для принятия решений на основе теоретических моделей предполагает одновременное использование двух параллельных рядов понятий, один из которых соответствует вероятностным моделям, а второй - выборочным данным. К сожалению, в ряде литературных источников, обычно устаревших либо написанных в рецептурном духе, не делается различия между выборочными и теоретическими характеристиками, что приводит читателей к недоумениям и ошибкам при практическом использовании статистических методов.

И следует после «просто лжи» и «наглой лжи», приписывается Бенджамину Дизраэли, который был сороковым и сорок вторым (периоды приходятся на 2 половину 19 века) премьер-министром Великобритании. Однако в наше время авторство Дизраэли, разрекламированное Марком Твеном, отрицается. Но, как бы там ни было, эту фразу многие специалисты продолжают повторять в своих трудах или основным содержанием которых являются методы статистического анализа. Как правило, звучит она как шутка, в которой есть лишь только доля шутки…

Статистика — отрасль определенных знаний, которая описывает порядок сбора, анализа и интерпретации больших массивов данных как качественного, так и количественного характера. Она касается различных научных или практических областей жизни. Например, прикладная статистика помогает правильно выбрать статистический метод для обработки всевозможных данных для анализа. Правовая работает в области правонарушений и контроля над ними. Математическая разрабатывает математические методы, позволяющие систематизировать и использовать полученную информацию в практических или научных целях. Демография описывает закономерности Статистика запросов в большей степени касается лингвистов и интернета.

Использование статистических методов восходит, по крайней мере, к 5-му веку до н.э. Одни из ранних записей содержит книга, написанная в 9-м веке н. э. арабским философом, врачом, математиком и музыкантом Аль-Кинди. Он дал подробное описание того, как использовать частотный анализ (гистограмму). Новые хроники, относящиеся к 14-му веку и описывающие историю Флоренции, считаются одним из первых положительных трудов статистики в истории. Они были составлены флорентийским банкиром Джованни Виллани и включают в себя много информации о населении, управлении, коммерции и торговле, образовании и религиозных объектах.

Раннее применение статистики определено стремлением государства выстроить демографически и экономически обоснованную политику. Диапазон ее был расширен в начале 19-го века и включил в себя сбор и анализ данных в целом. Сегодня эта область знаний широко применяется государственными структурами, бизнесом, естественными и социальными науками. Ее математические основы, необходимость которых возникла из изучения азартных игр, были заложены еще в 17-м веке с развитием теории вероятностей французскими математиками и Пьером де Ферма. Статистический впервые был описан Карлом Фридрихом Гауссом около 1794 года.

Быстрый и устойчивый рост вычислительных мощностей, начиная со второй половины 20-го века, оказал существенное влияние на развитие прикладной статистики. Компьютерная революция расставила новые акценты на ее экспериментальной и эмпирической составляющих. Теперь доступно большое количество как общих, так и специальных программ, с помощью которых можно легко использовать на практике любой статистический метод, будь то контрольные карты, гистограммы, контрольный листок, метод стратификации, схема Исикава или анализ Парето.

Сегодня статистика является одним из ключевых инструментов для ведения эффективного бизнеса и организации производства. Она позволяет понять и измерить тренды изменчивости, в результате улучшить управление процессами, а также повысить качество продукции и услуг. Так, например, руководители, использующие статистические качества, принимают, как правило, обоснованные решения, тем самым менеджмент работает эффективно и приносит ожидаемые плоды. Поэтому статистика в этом случае является ключевым и, пожалуй, единственно надежным инструментом.

Умение выбрать и правильно применить статистический метод позволяет получать достоверные выводы и не вводить в заблуждение тех, кому предоставляются данные анализа. Поэтому частое упоминание специалистами старого высказывания о 3-х степенях лжи следует рассматривать как предостережение от ошибок, которые могут ввести в заблуждение и лечь в основу принятых решений с разрушительными последствиями.

Страница 1
Статистические методы принятия решений в условиях риска.

При анализе экономического риска рассматривают его качественную, количественную и правовую стороны. Для численного выражения риска используется определенный математический аппарат.

Случайной переменной мы называем переменную, которая под воздействием случайных факторов может с определенными вероятностями принимать те или иные значения из некоторого множества чисел.

Под вероятностью некоторого события (например, события, состоящего в том, что случайная переменная приняла определенное значение) обычно понимается доля числа исходов, благоприятствующих данному событию в общем числе возможных равновероятных исходов. Случайные величины обозначают буквами: X, Y, ξ ,R, Ri , х ~ и т.д.

Для оценки величины риска(степени риска) остановимся на следующих критериях.

1. Математическое ожидание (среднее значение) случайной величины.

Математическое ожидание дискретной случайной величины Х находится по формуле

где xi – значения случайной величины; pi – вероятности, с которыми эти значения принимаются.

Математическое ожидание непрерывной случайной величины Х находится по формуле

Где f(x) – плотность распределения значений случайной величины.

2. Дисперсия (вариация) и среднеквадратическое отклонение случайной величины.

Дисперсия – это степень рассеянности (разброса) значений случайной величины вокруг своего среднего значения. Дисперсия и среднеквадратическое отклонение случайной величины находятся, соответственно, по формулам:

Стандарное отклонение равно корню из дисперсии случайной величины

3. Коэффициент вариации.

Коэффициент вариации случайной величины - мера относительного разброса случайной величины; показывает, какую долю среднего значения этой величины составляет ее средний разброс.

Равен отношению стандартного отклонения к математическому ожиданию .

Коэффициент вариации V - безразмерная величина. С его помощью можно сравнивать даже колеблемость признаков, вы­раженных в разных единицах измерения. Коэффициент вариации изменяется от 0 до 100%. Чем больше коэффициент, тем сильнее колеблемость. Установлена следующая качественная оценка раз­личных значений коэффициента вариации : до 10% - слабая колеблемость, 10-25% - умеренная колеблемость, свыше 25% - высокая колеблемость.

С помощью этого метода оценки риска, т.е. на основе расчета дисперсии, стандартного отклонения и коэффициента вариации можно оценить риск не только конкретной сделки, но и предпринимательской фирмы в целом (проанализировав динамику ее до­ходов) за некоторый промежуток времени.

Пример 1. В ходе конверсии предприятие налаживает производство новых марок стиральных машин небольшого объема. При этом возможные збитки через недостаточно изученный рынок сбыта во время маркетинговых исследований. Возможные три варианта действий (стратегии) относительно спроса на продукцию. Збитки при этом будут составлять соответственно 700, 500 и -300 млн. крб. (дополнительная прибыль). Вероятности этих стратегий такие:

P 1 =0.4; Р 2 =0.5; Р 3 =0.1.

Определить ожидаемую величину риска, т.е. убытков.

Решение. Величину риска вычислим, воспользовавшись формулой (1.2). Обозначим

х 1 = 700; х г = 500; х г = -300. Тогда

К = М(Х) = 700*0.4+ 500*0.5 + (-300) *0.1 =280+250-30=500

Пример 2. Существует возможность выбора производства и реализации двух наборов товаров широкого потребления с одинаковым ожидаемым доходом (150 млн. крб.). По данным отдела маркетинга, которых провел обследование ниши рынка, доход от производства и реализации первого набора товаров зависит от конкретной вероятностной экономической ситуации. Возможные два в равной мере вероятные доходы:

200 млн. грн. При условии удачной реализации первого набора товаров

100 млн. грн., когда результаты менее удачные.

Доход от реализации второго набора товаров может составлять 151 млн. грн., но не исключенная возможность малого спроса на эту продукцию, когда доход будет равнять всего 51 млн. крб.

Результаты рассматриваемого выбора и их вероятности, добытые отделом маркетинга, сведено в табл.

Сравнение вариантов производства и реализации товаров

Вариант производства и реализации товаров	Результат 1		Результат 2
	Вероятность	Доход 2 Млн. грн.	Вероятности Рі	Доход 2 Млн. грн.
Первый	0,5	200	0,5	100
Второй	0,99	151	0,01	51

Нужно измерить величину риска и принять решение относительно выпуска одного из двух наборов товаров.

Решение. Обозначим через X доход от производства и реализации первого набора товаров, а через Y - доход от производства и реализации второго набора товаров.

Вычислим математическое ожидание для каждого из вариантов:

М(Х) = х 1 р,+ х 2 р 2 = 200*0.5 + 100*0.5 = 150(млн. грн.)

М(Y ) =у 1Р1 + y 2 р 2 =151*0.99 + 51*0.01 = 150(млн.грн..)

Заметим, что оба варианты имеют одинаковый ожидаемый доход, поскольку.

М(Х) = М(Y ) = 150(млн. грн.) Тем не менее дисперсия результатов неодинаковая. Дисперсию результатов используем как меру риска.

Для первого набора товаров величина риска Dx = (200-150) 2 *0.5(100-150) 2 *0.5= 2500, для второго набора

D у = (151 -150) 2 *0.99+ (51 -150) 2 *0.01= 99.

Поскольку величина риска, которая связана с выпуском и реализацией товаров широкого потребления, в первом варианте больше, чем во втором К х >К У , то второй вариант является менее рискованным по сравнению с первым. Такой самый результат достанем, взяв за меру риска К среднеквадратичное отклонение.

Пример 3 . Изменим кое-что условия предыдущего примера. Предположим, что в первом варианте доход вырос на 10 млн. грн. для каждого из рассматриваемых результатов, т.е. х 1 = 210, х 2 =110. Остальные данные остались неизменными.

Нужно измерить величину риска и принять решение относительно выпуска одного из двух наборов товаров широкого потребления.

Решение. Для первого варианта производства и реализации товаров широкого потребления ожидаемое значение дохода М(Х)=160, дисперсия D(Х) = 2500. Для второго варианта достанем соответственно М(Y)=150, а D (Y ) = 99.

Здесь тяжело сравнивать абсолютные показатели дисперсии. Поэтому целесообразно перейти к относительным величинам, за меру риска К взяв коэффициент вариации

В нашем случае имеем:

R Y =CV(X)=
=50/160=0.31

R X =CV(Y)=9.9/150=0.07

Поскольку R х > R Y , то второй вариант менее рискованный, чем первый.

Заметим, что в общем случае в аналогичных ситуациях (когда М(Y ) (X), D(Y)> D (X )) следует учитывать также склонность (несклонность) человека (субъекта управления) к риску. Для этого нужны знания из теории полезности.

Задачи.

Задача 1. Имеем два проекта А и Б относительно инвестирования. Известные оценки прогнозируемых значений дохода от каждого из этих проектов и соответствующие значения вероятностей.

Проект А.

Проект Б.

Нужно оценить меру риска каждого из этих проектов, избрав один из них (тот что обеспечивает меньшую величину риска) для инвестирования.

Задача 2 . Доходы (в миллионах рублей) от экспорта, получаемые кооперативом из изготовление и экспорта вышитых полотенец и рубашек, является случайной величиной X. Закон распределения этой дискретной величины задан в таблице.

X=xi	100+20*i	400+30*i	600+20*i	900+10*i
P(X=xi)=pi	0.5	0.1	0.1	0.3

Определить меру риска как среднеквадратичное отклонение дохода.

Задача 3.

В таблице приведены возможные чистые доходы и их вероятности для двух вариантов вложений. Определить какую из инвестиций стоит осуществить по ожидаемой прибыли и стандартному отклонению, коэффициенту вариации.

	Чистая прибыль, тыс грн.
Вероятности:	-3-i-j	-2-i-j	-1-i-j	0+i+j	1+i+j	2+i+j	3+i+j	4+i+j
Инвестиция 1	0	0	0.1	0.2	0.3	0.2	0.2	0
Инвестиция 2	0.1	0.1	0.1	0.1	0.1	0.1	0.2	0.2

Задача 2. Коммерческая фирма производит розничную торговлю зажигалками, которые получает от четырех поставщиков, а именно:

от первого -40% товара, от второго 25%, от третьего 15%, от четвертого 20% .Среди зажигалок, которые находятся от первого поставщика, бракованные составляют (5+i)%, от второго (9+i)%, от третьего (7+i)%, от четвертого (3+i)% . Определить величину риска, связанную с нахождением бракованных изделий.

страница 1

2. ОПИСАНИЕ НЕОПРЕДЕЛЕННОСТЕЙ В ТЕОРИИ ПРИНЯТИЯ РЕШЕНИЙ

2.2. Вероятностно-статистические методы описания неопределенностей в теории принятия решений

2.2.1. Теория вероятностей и математическая статистика в принятии решений

Как используются теория вероятностей и математическая статистика? Эти дисциплины – основа вероятностно-статистических методов принятия решений. Чтобы воспользоваться их математическим аппаратом, необходимо задачи принятия решений выразить в терминах вероятностно-статистических моделей. Применение конкретного вероятностно-статистического метода принятия решений состоит из трех этапов:

Переход от экономической, управленческой, технологической реальности к абстрактной математико-статистической схеме, т.е. построение вероятностной модели системы управления, технологического процесса, процедуры принятия решений, в частности по результатам статистического контроля, и т.п.

Проведение расчетов и получение выводов чисто математическими средствами в рамках вероятностной модели;

Интерпретация математико-статистических выводов применительно к реальной ситуации и принятие соответствующего решения (например, о соответствии или несоответствии качества продукции установленным требованиям, необходимости наладки технологического процесса и т.п.), в частности, заключения (о доле дефектных единиц продукции в партии, о конкретном виде законов распределения контролируемых параметров технологического процесса и др.).

Математическая статистика использует понятия, методы и результаты теории вероятностей. Рассмотрим основные вопросы построения вероятностных моделей принятия решений в экономических, управленческих, технологических и иных ситуациях. Для активного и правильного использования нормативно-технических и инструктивно-методических документов по вероятностно-статистическим методам принятия решений нужны предварительные знания. Так, необходимо знать, при каких условиях следует применять тот или иной документ, какую исходную информацию необходимо иметь для его выбора и применения, какие решения должны быть приняты по результатам обработки данных и т.д.

Примеры применения теории вероятностей и математической статистики. Рассмотрим несколько примеров, когда вероятностно-статистические модели являются хорошим инструментом для решения управленческих, производственных, экономических, народнохозяйственных задач. Так, например, в романе А.Н.Толстого «Хождение по мукам» (т.1) говорится: «мастерская дает двадцать три процента брака, этой цифры вы и держитесь, - сказал Струков Ивану Ильичу».

Встает вопрос, как понимать эти слова в разговоре заводских менеджеров, поскольку одна единица продукции не может быть дефектна на 23%. Она может быть либо годной, либо дефектной. Наверно, Струков имел в виду, что в партии большого объема содержится примерно 23% дефектных единиц продукции. Тогда возникает вопрос, а что значит «примерно»? Пусть из 100 проверенных единиц продукции 30 окажутся дефектными, или из 1000 – 300, или из 100000 – 30000 и т.д., надо ли обвинять Струкова во лжи?

Или другой пример. Монетка, которую используют как жребий, должна быть «симметричной», т.е. при ее бросании в среднем в половине случаев должен выпадать герб, а в половине случаев – решетка (решка, цифра). Но что означает «в среднем»? Если провести много серий по 10 бросаний в каждой серии, то часто будут встречаться серии, в которых монетка 4 раза выпадает гербом. Для симметричной монеты это будет происходить в 20,5% серий. А если на 100000 бросаний окажется 40000 гербов, то можно ли считать монету симметричной? Процедура принятия решений строится на основе теории вероятностей и математической статистики.

Рассматриваемый пример может показаться недостаточно серьезным. Однако это не так. Жеребьевка широко используется при организации промышленных технико-экономических экспериментов, например, при обработке результатов измерения показателя качества (момента трения) подшипников в зависимости от различных технологических факторов (влияния консервационной среды, методов подготовки подшипников перед измерением, влияния нагрузки подшипников в процессе измерения и т.п.). Допустим, необходимо сравнить качество подшипников в зависимости от результатов хранения их в разных консервационных маслах, т.е. в маслах состава А и В . При планировании такого эксперимента возникает вопрос, какие подшипники следует поместить в масло состава А , а какие – в масло состава В , но так, чтобы избежать субъективизма и обеспечить объективность принимаемого решения.

Ответ на этот вопрос может быть получен с помощью жребия. Аналогичный пример можно привести и с контролем качества любой продукции. Чтобы решить, соответствует или не соответствует контролируемая партия продукции установленным требованиям, из нее отбирается выборка. По результатам контроля выборки делается заключение о всей партии. В этом случае очень важно избежать субъективизма при формировании выборки, т.е необходимо, чтобы каждая единица продукции в контролируемой партии имела одинаковую вероятность быть отобранной в выборку. В производственных условиях отбор единиц продукции в выборку обычно осуществляют не с помощью жребия, а по специальным таблицам случайных чисел или с помощью компьютерных датчиков случайных чисел.

Аналогичные проблемы обеспечения объективности сравнения возникают при сопоставлении различных схем организации производства, оплаты труда, при проведении тендеров и конкурсов, подбора кандидатов на вакантные должности и т.п. Всюду нужна жеребьевка или подобные ей процедуры. Поясним на примере выявления наиболее сильной и второй по силе команды при организации турнира по олимпийской системе (проигравший выбывает). Пусть всегда более сильная команда побеждает более слабую. Ясно, что самая сильная команда однозначно станет чемпионом. Вторая по силе команда выйдет в финал тогда и только тогда, когда до финала у нее не будет игр с будущим чемпионом. Если такая игра будет запланирована, то вторая по силе команда в финал не попадет. Тот, кто планирует турнир, может либо досрочно «выбить» вторую по силе команду из турнира, сведя ее в первой же встрече с лидером, либо обеспечить ей второе место, обеспечив встречи с более слабыми командами вплоть до финала. Чтобы избежать субъективизма, проводят жеребьевку. Для турнира из 8 команд вероятность того, что в финале встретятся две самые сильные команды, равна 4/7. Соответственно с вероятностью 3/7 вторая по силе команда покинет турнир досрочно.

При любом измерении единиц продукции (с помощью штангенциркуля, микрометра, амперметра и т.п.) имеются погрешности. Чтобы выяснить, есть ли систематические погрешности, необходимо сделать многократные измерения единицы продукции, характеристики которой известны (например, стандартного образца). При этом следует помнить, что кроме систематической погрешности присутствует и случайная погрешность.

Поэтому встает вопрос, как по результатам измерений узнать, есть л систематическая погрешность. Если отмечать только, является ли полученная при очередном измерении погрешность положительной или отрицательной, то эту задачу можно свести к предыдущей. Действительно, сопоставим измерение с бросанием монеты, положительную погрешность – с выпадением герба, отрицательную – решетки (нулевая погрешность при достаточном числе делений шкалы практически никогда не встречается). Тогда проверка отсутствия систематической погрешности эквивалентна проверке симметричности монеты.

Целью этих рассуждений является сведение задачи проверки отсутствия систематической погрешности к задаче проверки симметричности монеты. Проведенные рассуждения приводят к так называемому «критерию знаков» в математической статистике.

При статистическом регулировании технологических процессов на основе методов математической статистики разрабатываются правила и планы статистического контроля процессов, направленные на своевременное обнаружение разладки технологических процессов и принятия мер к их наладке и предотвращению выпуска продукции, не соответствующей установленным требованиям. Эти меры нацелены на сокращение издержек производства и потерь от поставки некачественных единиц продукции. При статистическом приемочном контроле на основе методов математической статистики разрабатываются планы контроля качества путем анализа выборок из партий продукции. Сложность заключается в том, чтобы уметь правильно строить вероятностно-статистические модели принятия решений, на основе которых можно ответить на поставленные выше вопросы. В математической статистике для этого разработаны вероятностные модели и методы проверки гипотез, в частности, гипотез о том, что доля дефектных единиц продукции равна определенному числу р 0 , например, р 0 = 0,23 (вспомните слова Струкова из романа А.Н.Толстого).

Задачи оценивания. В ряде управленческих, производственных, экономических, народнохозяйственных ситуаций возникают задачи другого типа – задачи оценки характеристик и параметров распределений вероятностей.

Рассмотрим пример. Пусть на контроль поступила партия из N электроламп. Из этой партии случайным образом отобрана выборка объемом n электроламп. Возникает ряд естественных вопросов. Как по результатам испытаний элементов выборки определить средний срок службы электроламп и с какой точностью можно оценить эту характеристику? Как изменится точность, если взять выборку большего объема? При каком числе часов Т можно гарантировать, что не менее 90% электроламп прослужат Т и более часов?

Предположим, что при испытании выборки объемом n электроламп дефектными оказались Х электроламп. Тогда возникают следующие вопросы. Какие границы можно указать для числа D дефектных электроламп в партии, для уровня дефектности D / N и т.п.?

Или при статистическом анализе точности и стабильности технологических процессов надлежит оценить такие показатели качества, как среднее значение контролируемого параметра и степень его разброса в рассматриваемом процессе. Согласно теории вероятностей в качестве среднего значения случайной величины целесообразно использовать ее математическое ожидание, а в качестве статистической характеристики разброса – дисперсию, среднее квадратическое отклонение или коэффициент вариации. Отсюда возникает вопрос: как оценить эти статистические характеристики по выборочным данным и с какой точностью это удается сделать? Аналогичных примеров можно привести очень много. Здесь важно было показать, как теория вероятностей и математическая статистика могут быть использованы в производственном менеджменте при принятии решений в области статистического управления качеством продукции.

Что такое «математическая статистика»? Под математической статистикой понимают «раздел математики, посвященный математическим методам сбора, систематизации, обработки и интерпретации статистических данных, а также использование их для научных или практических выводов. Правила и процедуры математической статистики опираются на теорию вероятностей, позволяющую оценить точность и надежность выводов, получаемых в каждой задаче на основании имеющегося статистического материала» . При этом статистическими данными называются сведения о числе объектов в какой-либо более или менее обширной совокупности, обладающих теми или иными признаками.

По типу решаемых задач математическая статистика обычно делится на три раздела: описание данных, оценивание и проверка гипотез.

По виду обрабатываемых статистических данных математическая статистика делится на четыре направления:

Одномерная статистика (статистика случайных величин), в которой результат наблюдения описывается действительным числом;

Многомерный статистический анализ, где результат наблюдения над объектом описывается несколькими числами (вектором);

Статистика случайных процессов и временных рядов, где результат наблюдения – функция;

Статистика объектов нечисловой природы, в которой результат наблюдения имеет нечисловую природу, например, является множеством (геометрической фигурой), упорядочением или получен в результате измерения по качественному признаку.

Исторически первой появились некоторые области статистики объектов нечисловой природы (в частности, задачи оценивания доли брака и проверки гипотез о ней) и одномерная статистика. Математический аппарат для них проще, поэтому на их примере обычно демонстрируют основные идеи математической статистики.

Лишь те методы обработки данных, т.е. математической статистики, являются доказательными, которые опираются на вероятностные модели соответствующих реальных явлений и процессов. Речь идет о моделях поведения потребителей, возникновения рисков, функционирования технологического оборудования, получения результатов эксперимента, течения заболевания и т.п. Вероятностную модель реального явления следует считать построенной, если рассматриваемые величины и связи между ними выражены в терминах теории вероятностей. Соответствие вероятностной модели реальности, т.е. ее адекватность, обосновывают, в частности, с помощью статистических методов проверки гипотез.

Невероятностные методы обработки данных являются поисковыми, их можно использовать лишь при предварительном анализе данных, так как они не дают возможности оценить точность и надежность выводов, полученных на основании ограниченного статистического материала.

Вероятностные и статистические методы применимы всюду, где удается построить и обосновать вероятностную модель явления или процесса. Их применение обязательно, когда сделанные на основе выборочных данных выводы переносятся на всю совокупность (например, с выборки на всю партию продукции).

В конкретных областях применений используются как вероятностно-статистические методы широкого применения, так и специфические. Например, в разделе производственного менеджмента, посвященного статистическим методам управления качеством продукции, используют прикладную математическую статистику (включая планирование экспериментов). С помощью ее методов проводится статистический анализ точности и стабильности технологических процессов и статистическая оценка качества. К специфическим методам относятся методы статистического приемочного контроля качества продукции, статистического регулирования технологических процессов, оценки и контроля надежности и др.

Широко применяются такие прикладные вероятностно-статистические дисциплины, как теория надежности и теория массового обслуживания. Содержание первой из них ясно из названия, вторая занимается изучением систем типа телефонной станции, на которую в случайные моменты времени поступают вызовы - требования абонентов, набирающих номера на своих телефонных аппаратах. Длительность обслуживания этих требований, т.е. длительность разговоров, также моделируется случайными величинами. Большой вклад в развитие этих дисциплин внесли член-корреспондент АН СССР А.Я. Хинчин (1894-1959), академик АН УССР Б.В.Гнеденко (1912-1995) и другие отечественные ученые.

Коротко об истории математической статистики. Математическая статистика как наука начинается с работ знаменитого немецкого математика Карла Фридриха Гаусса (1777-1855), который на основе теории вероятностей исследовал и обосновал метод наименьших квадратов, созданный им в 1795 г. и примененный для обработки астрономических данных (с целью уточнения орбиты малой планеты Церера). Его именем часто называют одно из наиболее популярных распределений вероятностей – нормальное, а в теории случайных процессов основной объект изучения – гауссовские процессы.

В конце XIX в. – начале ХХ в. крупный вклад в математическую статистику внесли английские исследователи, прежде всего К.Пирсон (1857-1936) и Р.А.Фишер (1890-1962). В частности, Пирсон разработал критерий «хи-квадрат» проверки статистических гипотез, а Фишер – дисперсионный анализ, теорию планирования эксперимента, метод максимального правдоподобия оценки параметров.

В 30-е годы ХХ в. поляк Ежи Нейман (1894-1977) и англичанин Э.Пирсон развили общую теорию проверки статистических гипотез, а советские математики академик А.Н. Колмогоров (1903-1987) и член-корреспондент АН СССР Н.В.Смирнов (1900-1966) заложили основы непараметрической статистики. В сороковые годы ХХ в. румын А. Вальд (1902-1950) построил теорию последовательного статистического анализа.

Математическая статистика бурно развивается и в настоящее время. Так, за последние 40 лет можно выделить четыре принципиально новых направления исследований :

Разработка и внедрение математических методов планирования экспериментов;

Развитие статистики объектов нечисловой природы как самостоятельного направления в прикладной математической статистике;

Развитие статистических методов, устойчивых по отношению к малым отклонениям от используемой вероятностной модели;

Широкое развертывание работ по созданию компьютерных пакетов программ, предназначенных для проведения статистического анализа данных.

Вероятностно-статистические методы и оптимизация. Идея оптимизации пронизывает современную прикладную математическую статистику и иные статистические методы. А именно, методы планирования экспериментов, статистического приемочного контроля, статистического регулирования технологических процессов и др. С другой стороны, оптимизационные постановки в теории принятия решений, например, прикладная теория оптимизации качества продукции и требований стандартов, предусматривают широкое использование вероятностно-статистических методов, прежде всего прикладной математической статистики.

В производственном менеджменте, в частности, при оптимизации качества продукции и требований стандартов особенно важно применять статистические методы на начальном этапе жизненного цикла продукции, т.е. на этапе научно-исследовательской подготовки опытно-конструкторских разработок (разработка перспективных требований к продукции, аванпроекта, технического задания на опытно-конструкторскую разработку). Это объясняется ограниченностью информации, доступной на начальном этапе жизненного цикла продукции, и необходимостью прогнозирования технических возможностей и экономической ситуации на будущее. Статистические методы должны применяться на всех этапах решения задачи оптимизации – при шкалировании переменных, разработке математических моделей функционирования изделий и систем, проведении технических и экономических экспериментов и т.д.

В задачах оптимизации, в том числе оптимизации качества продукции и требований стандартов, используют все области статистики. А именно, статистику случайных величин, многомерный статистический анализ, статистику случайных процессов и временных рядов, статистику объектов нечисловой природы. Выбор статистического метода для анализа конкретных данных целесообразно проводить согласно рекомендациям .

Предыдущая