Анализ точности технологического процесса

Лабораторная работа № 1

Распределение случайной величины по количественному признаку

Случайная величина оценивается при помощи тех или иных показателей, которые могут быть количественными и качественными. Количественный признак выражается численным значением, например, длиной детали, мощностью изделия и т.п. Если партия продукции состоит из единиц продукции (например, из изделий), то в каждой единице продукции количественный признак качества принимает некоторое случайное значение, т.е. является случайной величиной и имеет некоторое распределение.

Интегральная функция распределения случайной величины F(x) – это функция, показывающая зависимость вероятности того, что случайная величина X не превышает некоторый уровень x:

p(X<x) = F(x)

Вероятность попадания случайной величины в некоторый интервал равна разности значений интегральных функций распределения в концах этого интервала:

p(x₁<X<x₂) = F(x₂) – F(x₁)

Дифференциальная (или весовая) функция (или плотность) распределения f(x) случайной величины является производной от интегральной функции. Она приближённо равна отношению вероятности попадания случайной величины внутрь некоторого интервала к длине этого интервала. Вероятность попадания случайной величины в некоторый интервал равна площади под кривой дифференциальной функции распределения в этом интервале. Площадь под всей кривой дифференциальной функции равна единице.

Наиболее часто количественный случайная величина имеет приблизительно нормальное распределение. Любое нормальное распределение имеет два параметра, однозначно определяющих его: математическое ожидание показателя m и среднее квадратичное отклонение s (или дисперсия s²) как мера рассеяния показателя.

Пример 1. Из текущей продукции отобраны 30 пластин пьезоэлементов. Электрическая ёмкость пластин в пФ*10³ представлена в следующем ряду: 9,2 12,2 10,5 9,4 8,9 7,4 10,1 11,7 11,4 11,0 10,2 8,0 7,3 7,0 9,6 8,4 10,8 8,4 11,2 8,8 10,7 8,6 9,7 9,8 9,5 12,5 9,8 9,5 9,2 7,7. Известно, что распределение показателя ёмкости приблизительно соответствует нормальному. Необходимо найти параметры распределения и построить графики интегральной и дифференциальной функций распределения ёмкости пластин.

Используем программу Excel пакета MS Office. Открываем новую книгу программы и переименовываем Лист 1 в Задание 1. Для этого можно на ярлыке с названием листа открыть контекстное меню (правой кнопкой мыши) и выбрать команду. Переименовать. На этом листе будем проводить все вычисления и построения.

В ячейку А1 вводим заголовок работы Лаб. работа 1.. В ячейку А5 вводим заголовок столбца Ёмкость. Далее, начиная с ячейки А6 в столбец А вводим значения ёмкости пластин.

Затем находим параметры распределения. Вообще говоря, параметры распределения не могут быть найдены абсолютно точно никогда. Однако при объёме выборки не менее 30 обычно считают, что точечные оценки параметров нормального распределения с приемлемой точностью равны параметрам. Оценкой математического ожидания m является среднее значение выборки , а оценкой среднего квадратичного отклонения (СКО) s – выборочное СКО s.

Таким образом, расчёт параметров распределения может быть выполнен следующим образом: в ячейку А3 вводим текст m= и выравниваем его по правому краю ячейки кнопкой на панели инструментов. В соседней ячейке В3 рассчитываем значение среднего выборки как оценку математического ожидания. Для этого выбираем команду Вставка 4Функция (или нажимаем соответствующую кнопку на панели инструментов) и в диалоговом окне выбираем статистическую функцию СРЗНАЧ. В окно Число 1 вводим диапазон ячеек с данными А6:А35 путём выделения этого диапазона указателем мыши при нажатой левой кнопке. Нажав кнопку ОК, получаем в ячейке В3 значение математического ожидания 9,61667. В ячейку D3 вводим текст s= и выравниваем его по правому краю. В соседней ячейке F3 рассчитываем выборочное СКО как оценку генерального СКО по статистической функции СТАНДОТКЛОН. Получаем значение СКО 1,437691.

Для построения графиков нужны столбцы данных x, F(x) и f(x). Соответствующие заголовки вводим в ячейках С5, D5, E5.

В столбце с заголовком x должны находиться значения квантиля распределения (в данном случае – ёмкости). Целесообразно варьировать x в интервале m ± 3s, поскольку в соответствии с правилом трёх сигм в этом интервале находится практически 100% значений случайной величины (более точно – 99,73%). Поэтому в ячейку С6 вводим значение 5,4, что примерно равно m - 3s. Затем вводим остальные значения х с шагом 0,1 (чтобы получить достаточно много точек для построения графиков) и предельное значение 13,8, соответствующее примерно m + 3s. В результате выполнения команды столбец будет заполнен значениями, возрастающими с шагом 0,1 до значения 13,8 в ячейке С90.

Далее в ячейке D6 рассчитываем значение интегральной функции распределения F(x) для квантиля 5,4 по статистической функции НОРМРАСП. В открывшемся диалоговом окне делаем ссылки на соответствующие ячейки, в строке Интегральный вводим (в соответствии со справкой в нижней части окна) значение истина и получаем в ячейке D6 значение 0,001679. Аналогичным образом в ячейке E6 рассчитываем значение дифференциальной функции распределения f(x) для квантиля 5,4, но в строке Интегральный вводим (в соответствии со справкой в нижней части окна) значение ложь. Получаем значение f(x), равное 0,003761.

Формулы из ячеек D6 и E6 следует скопировать в диапазон D7:E90. Однако сначала надо задать в формулах абсолютную адресацию для тех строк, столбцов или ячеек, адреса которых при копировании не должны меняться. В обеих формулах абсолютные адреса должны быть у ячеек B3 и E3, в которых содержатся значения математического ожидания и СКО. В адресах этих ячеек перед именами строк и столбцов следует ввести символ $. Это можно сделать в строке формул вводом с клавиатуры, но более эффективен следующий способ: в строке формул выделить адреса нужных ячеек указателем мыши, нажать клавишу F4, а затем Enter. В результате, например, в ячейке D6 должна быть получена формула =НОРМРАСП(C6;$B$3;$E$3;ИСТИНА).

После этого можно скопировать формулы из ячеек D6 и E6 в диапазон D7:E90. На этом расчёт данных для построения графиков будет закончен (рис. 1.).

Для построения графика интегральной функции распределения открываем Мастер диаграмм, выбираем тип диаграммы Точечная и вид Со значениями, соединёнными сглаживающими линиями без маркеров. На втором шаге выделяем диапазон С6:D90, На третьем шаге вводим заголовки (заголовки см. на рис.1.2) и основные линии сетки, отменяем легенду. На четвёртом шаге помещаем диаграмму на имеющемся листе. Полученную (после нажатия кнопки Готово) диаграмму редактируем, используя контекстное меню и двойной щелчок мышью на редактируемых элементах диаграммы. Полученный график интегральной функции распределения показан на рис. 2.

Рис.1. Результаты расчёта параметров распределения и данных для построения графиков в примере 1.

Рис. 2. Интегральная функция распределения ёмкости пластин пьезоэлементов

Для построения графика дифференциальной функции распределения выполняем аналогичные действия. При этом на втором шаге в качестве диапазона данных выделяем диапазоны ячеек С6:С90 и Е6:Е90. Поскольку эти диапазоны находятся не в соседних столбцах, их выделение может быть сделано при нажатой клавише Ctrl. График дифференциальной функции распределения показан на рис. 1.3.

Рис. 3. Дифференциальная функция распределения ёмкости

пластин пьезоэлементов

Задание.

1.Выполнить расчёты и построения в соответствии с примером 1. Чему равна вероятность того, что ёмкость случайно выбранной пластины пьезоэлемента меньше 11 пФ*10³ ? Чему равна вероятность того, что ёмкость случайно выбранной пластины пьезоэлемента находится в интервале от 9 пФ*10³ до 10 пФ*10³ ?

2.Построить на одной диаграмме графики интегральных функций трёх нормальных распределений, имеющих параметры, приведённые в табл. 1.

3.Построить на одной диаграмме графики дифференциальных функций трёх нормальных распределений, имеющих параметры, приведённые в табл. 1.

4.Сделать выводы о влиянии параметров распределения на вид и положение графиков функций распределения.

Таблица 1.

№	Вариант 1	Вариант 2	Вариант 3	Вариант 4	Вариант 5
m	s	m	s	m	s	m	s	m	s
							0,5	0,5
								0,5	0,5
									0,5
№	Вариант 6	Вариант 7	Вариант 8	Вариант 9	Вариант10
m	s	m	s	m	s	m	s	m	s
			0,5	0,5
			0,5

5. Решить задачи

А) Производителю электроламп известно, что средний срок работы лампы составляет 600 ч, а стандартное отклонение срока работы — 40 ч. Какова вероятность, что срок работы:

а) менее или равно 700 ч;

б) менее или равно 550 ч;

в) от 550 до 700 ч;

г) Определить величину минимального срока работы лампы, если вероятность того что лампа будет работать этот срок равна 2 %.

Б) Средний срок работы электросхемы — 800 ч, стандартное отклонение — 160 ч.

Если минимальный гарантированный срок работы — 600 ч, сколько электросхем (в процентах) не проработает этот срок, т.е. сколько электросхем производителю придется заменить?

Если производитель согласен заменять только 1% электросхем с наиболее коротким сроком работы, какой срок гарантии ему следует установить?

Задание

1.Выполнить расчёты в соответствии с примером.

2.В технических условиях задан диаметр вала 80±0,4 мм. Установлено, что в производстве валов математическое ожидание диаметра равно 79,8 мм, среднее квадратичное отклонение – 0,18 мм. Найти вероятную долю дефектной продукции и коэффициент точности технологического процесса. Является ли процесс достаточно точным?

3.Как изменятся показатели точности технологического процесса, описанного в задании 2, если настроить математическое ожидание диаметра вала на середину поля допуска?

4.Как изменятся показатели точности технологического процесса, описанного в задании 2, если настроить оборудование так, чтобы СКО диаметра вала уменьшилось до 0,1 мм?

Лабораторная работа № 2

Распределение случайной величины по качественному признаку

Качественный признак показывает, является единица продукции годной или дефектной. Качественный признак может отражать также число дефектов в единице продукции, например, на определённой площади стального листа.

При выборочном контроле по качественному признаку в выборку из партии попадает некоторое случайное число дефектных единиц продукции. Вероятности попадания в выборку того или иного количества дефектных единиц продукции составляют дифференциальную функцию распределения.

Пусть партия состоит из N изделий, D из которых бракованные. Если взять из партии случайную бесповторную выборку (какую обычно и берут в производстве) объёмом n, то вероятность того, что в выборке ровно m бракованных изделий, равна

, где, например,

Совокупность этих вероятностей для m=0,1,2,3,…,n при заданных N, D, n описывается дифференциальной функцией гипергеометрического распределения.

Величина P(m) может быть рассчитана в программе Excel при помощи статистической функции ГИПЕРГЕОМЕТ. Диалоговое окно, открывающееся при выборе этой функции, имеет четыре строки для ввода данных:

Пример_S. Подсказка к этой строке указывает, что необходимо ввести количество успешных испытаний в выборке. При этом под количеством успешных испытаний понимается количество элементов выборки, обладающих определённым признаком, в нашем случае – количество дефектных изделий в выборке.

Размер_выборки. Вводится размер выборки.

Ген_совокупность_s. Подсказка к этой строке указывает, что надо ввести количество успешных испытаний в генеральной совокупности. В нашем случае это количество дефектных изделий в партии.

Размер_ген_совокупности. Вводится объём партии.

При очень больших значениях параметров расчёт гипергеометрического распределения может оказаться затруднительным даже при использовании компьютера. Однако, если n £ 0,1N, то гипергеометрическое распределение можно приближённо заменить биномиальным (которое имеет место при повторной случайной выборке), расчёты которого более просты. При биномиальном распределении

,

где q=D/N – доля дефектных изделий в партии.

При биномиальном распределении величина P(m) может быть рассчитана в программе Excel при помощи статистической функции БИНОМРАСП. Диалоговое окно, открывающееся при выборе функции, имеет четыре строки для ввода данных:

Число_s. Подсказка к этой строке указывает, что необходимо ввести количество успешных испытаний. При этом под количеством успешных испытаний понимается количество элементов выборки, обладающих определённым признаком, в нашем случае – количество дефектных изделий в выборке.

Испытания. Предлагается ввести число независимых испытаний, т.е. объём выборки.

Вероятность_s. Предлагается ввести вероятность успеха каждого испытания. В нашем случае это вероятность того, что случайно выбранное изделие будет бракованным, т.е. доля дефектных изделий в партии, иными словами – уровень дефектности.

Интегральный. Вводится истина, если рассчитывается значение интегральной функции распределения, и ложь, если рассчитывается значение дифференциальной функции распределения, т.е. в нашем случае – значение P(m).

Если q £ 0,1 и n £ 0,1N, что обычно и имеет место в практике статистического контроля, то биномиальное распределение, как и гипергеометрическое, можно приближённо заменить ещё более простым для расчётов распределением Пуассона, в котором

, где l = nq – математическое ожидание числа дефектных изделий в выборке.

При распределении Пуассона величина P(m) может быть рассчитана в программе Excel при помощи статистической функции ПУАССОН. Диалоговое окно, открывающееся при выборе функции, имеет три строки для ввода данных:

X. Количество событий, в нашем случае - количество дефектных изделий в выборке.

Среднее. Среднее ожидаемое численное значение, в нашем случае – параметр l, т.е. математическое ожидание числа дефектных изделий в выборке.

Интегральный. Вводится истина, если рассчитывается значение интегральной функции распределения, и ложь, если рассчитывается значение дифференциальной функции распределения, т.е. в нашем случае – значение P(m).

Пример 2.1. Из партии, состоящей из 1000 изделий, 50 из которых дефектные, взята выборка объёмом 30 изделий. Построить график дифференциальной функции распределения вероятностей, используя гипергеометрическое распределение.

Открываем новую книгу Excel. В ячейку А1 вводим заголовок работы «Лаб. работа 2. Распределение показателей качества по качественному признаку». Далее вводим исходные данные (Рис. 1).

Рис.1. Исходные данные для расчёта распределения в примере 1.

Поскольку график представляет собой зависимость P(m), то для его построения понадобятся диапазоны данных m и P(m)гипер. Соответствующие заголовки вводим в ячейки А7 и В7. В диапазон А8:А38 вводим количество дефектных изделий в выборке от 0 до 30 с шагом 1.

В ячейке В8 рассчитываем вероятность для m=0 при помощи статистической функции ГИПЕРГЕОМЕТ. В первую строку диалогового окна вводим ссылку на ячейку А8. Во вторую строку вводим ссылку на ячейку В5. В третьей строке делаем ссылку на ячейку В4. В четвёртой строке делаем ссылку на ячейку В3.

В результате в ячейке В8 получаем значение 0,209681. Формулу из ячейки В8 копируем в диапазон В9:В38. Перед копированием вводим в формуле абсолютную адресацию тех ячеек, ссылки на которые не должны меняться при копировании – ячеек В3, В4, В5.

При построении графика выбираем диаграмму Точеная вида Позволяет сравнить пары значений, т.е. график будет представлять отдельные точки, не соединённые линией. Это связано с тем, что количество дефектных изделий в выборке – дискретная случайная величина, принимающая только целые значения.

На втором шаге создания диаграммы в качестве диапазона данных вводим диапазон А8:В15. Остальные значения P(m) можно на графике не использовать, поскольку они практически равны нулю, начиная с P(7), находящегося в ячейке В15.

После редактирования диаграммы получаем график, показанный вместе с расчётными данными на рис. 2.

Рис.2. Результаты расчётов и график дифференциальной функции

гипергеометрического распределения в примере 1.

Задание

1.Выполнить расчёты и построения в соответствии с примером.

2.На том же листе рабочей книги продолжить расчёты и построить графики дифференциальных функций биномиального распределения и распределения Пуассона с теми же параметрами, что и в примере. Сравнить значения вероятностей, рассчитанных по различным распределениям.

3. Решить задачи.

А).Вероятность поломки одного из пяти работающих независимо друг от друга станков равна 0,2. Если происходит поломка, станок до конца дня не работает. Какова вероятность, что 0, 1, 2, 3, 4, 5 станков сломаются в течение дня?

Б).В среднем на телефонной станции заказывают три телефонных разговора в течение пяти минут. Какова вероятность, что будет заказано 0, 1,2, 3, 4 или больше четырех разговоров в течение пяти минут?

В).В среднем за пять дней рабочей недели на автоматической линии происходят 3,4 неполадок. Какова вероятность двух неполадок в каждый день работы?

Лабораторная работа № 3

Ряды динамики

Цель лабораторной работы: научиться проводить оценку показателей временного ряда, рассчитывать параметры линейного, логарифмического, полиномиального, степенного и экспоненциального трендов, строить графики ряда динамики и трендов. Уметь выбирать наилучший вид трендов на основании графического изображения и значения коэффициента детерминации, научиться строить аддитивную и мультипликативную модели временных рядов, научиться находить коэффициенты автокорреляции.

Порядок выполнения работы.

I. Построение трендов

Динамика выпуска продукции некоторого предприятия характеризуется

данными (усл. ед.), представленными в таблице:

Год	Квартал	Выпуск продукции	Год	Квартал	Выпуск продукции	Год	Квартал	Выпуск продукции

Графики

Графики дают возможность оценить состояние процесса на данный момент, а также спрогнозировать более отдалённый результат по тенденциям процесса, которые можно обнаружить на графиках (конечно, надо учитывать, что такие прогнозы могут быть во многих случаях достаточно условными). При отражении на графике изменения данных во времени график ещё называют временным рядом.

Обычно используют следующие виды графиков:

1.Выраженный ломаной линией

2.Столбчатый

3.Круговой

График, выраженный ломаной линией, применяется, когда необходимо самым простым способом представить изменение данных за определённый период времени, например, изменение размера ежегодной выручки от продажи изделий, объёма производства или доли дефектных изделий.

Пример 1. Отобразить при помощи линейного графика характер изменения размера ежегодной выручки от продажи изделий (табл. 1.), а также спрогнозировать тенденцию изменения выручки в ближайшие два года.

Таблица 1

Год
Выручка, тыс. у.е.

Создаём новую книгу Excel. Вводим заголовок работы, а также исходные данные в соответствии с табл. 1, после чего строим линейный график. На первом шаге мастера диаграмм выбираем точечную диаграмму, на которой значения соединены отрезками. На втором шаге вводим диапазон данных. На третьем шаге вводим заголовки диаграммы и осей, основные линии сетки по осям, удаляем легенду. Полученную диаграмму редактируем при помощи контекстных меню (Рис. 1).

Рис 1. Построение линейного графика

Характер изменения выручки, а также прогноз даёт линия тренда, построить которую можно, открыв контекстное меню на ломаной линии и выбрав команду Добавить линию тренда. В открывшемся диалоговом окне на вкладке Тип показаны возможные типы линии тренда. Чтобы выбрать тип линии, наилучшим образом аппроксимирующий данные, можно поступить следующим образом: поместить на диаграмме линии тренда всех приемлемых типов (т.е. линейную, логарифмическую, полиномиальную второй степени, степенную и экспоненциальную), задав для каждой линии на вкладке Параметры прогноз вперёд на две единицы и размещение на диаграмме величины достоверности аппроксимации. При этом после построения очередной линии величину достоверности аппроксимации R² (например, для линейного типа R² = 0,6495) указателем мыши целесообразно установить на свободное место диаграммы в ряд с остальными (Рис 2).

Рис 2. Выбор типа линии тренда по величине достоверности аппроксимации.

Наибольшую достоверность аппроксимации даёт полиномиальная линия со степенью два (R² = 0,6738), которую и выбираем в качестве линии тренда. Для этого удаляем с диаграммы все линии тренда, после чего восстанавливаем полиномиальную линию второй степени (Рис. 3).

Рис 3. График с аппроксимирующей линией в примере 4.1.

По аппроксимирующей линии можно предположить, что выручка в ближайшие два года будет иметь тенденцию к возрастанию.

Столбчатый график представляет количественную зависимость, выраженную высотой столбика. Например, зависимость себестоимости от вида изделия, сумма потерь в результате брака в зависимости от процесса и т.д. Обычно столбики показывают на графике в порядке убывания высоты справа налево. Если в числе факторов имеется группа «Прочие», то соответствующий столбик на графике показывают крайним справа.

Пример 2.На рисунке 4 показаны в виде столбчатого графика результаты исследования стимулов покупки изделия.

Рис 4. Стимулы покупки изделия в примере 3.2.

Круговым графиком выражают соотношение составляющих целого параметра, например, соотношение сумм выручки от продажи отдельно по видам деталей и полной суммы выручки; соотношение элементов, составляющих себестоимость изделия, и т.д.

Пример 3.На рис. 5 показано в виде кругового графика соотношение отказов комбайна по узлам и агрегатам (Исходные данные для построения кругового графика приведены в табл. 2).

Таблица 2

№ п/п	Вид отказа	Количество отказов
	Жатвенная часть
	Гидрооборудование
	Мотор
	Молотилка
	Ремни
	Электрооборудование
	Гидротрансмиссия
	Мост
	Прочие

Рис 5. Соотношение отказов комбайна по узлам и агрегатам в

Задание

Выполнить расчёты и построения в соответствии с примерами 1, 2, 3.

Лабораторная работа № 4

Гистограммы

Целью лабораторной работы является приобретение навыков группирования и обработки первичной статистической информации в среде Excel.

Основные понятия.

1. Статистические ряды распределения представляют собой упорядоченное расположение единиц изучаемой совокупности на группы по определенному признаку.

2. Ранжированный ряд данных – это упорядоченная совокупность исходных данных в убывающем или возрастающем порядке.

3. Варианты – это числовые значения количественного признака в вариационном ряду распределения.

4. Частоты – это численности отдельных вариантов или каждой группы вариационного ряда, т.е. это числа, показывающие, как часто встречаются те или иные варианты в ряду распределения. Сумма всех частот называется объемом совокупности и определяется числом элементов всей совокупности.

5. Частости – это частоты, выраженные в виде относительных величин (долях единиц или процентах). Сумма частостей равна единице или 100%. Замена частот частостями позволяет сопоставлять вариационные ряды с разным числом наблюдений.

6. Абсолютная плотность распределения – это частота, приходящаяся на единицу для интервала.

7. Относительная плотность распределения – это частость, приходящаяся на единицу длины интервала.

8. Полигоном частот называют ломанную, отрезки которой соединяют некоторые точки. Для построения полигона частот на оси абсцисс откладывают варианты, а на оси ординат - соответствующие им частоты. Точки соединяют отрезками прямых и получают полигон частот.

9. Полигоном относительных частот называют ломанную, отрезки которой соединяют точки. Для построения полигона относительных частот на оси абсцисс откладывают варианты, а на оси ординат - соответствующие им частости. Точки соединяют отрезками прямых и получают полигон относительных частот.

10. Кумулята – ломаная кривая, строящаяся на основе прямоугольной системы координат, когда по оси абсцисс откладываются значения признака, а по оси ординат – накопленные частоты.

11. Гистограммой частот называют ступенчатую фигуру, состоящую из прямоугольников, основаниями которых служат частичные интервалы длиной h, а высоты соответствуют частоте повторения варианты (значению количественного признака). В ряде случаев высота может соответствовать абсолютной плотности распределения.

12. Гистограммой относительных частот называют ступенчатую фигуру, состоящую из прямоугольников, основаниями которых служат частичные интервалы длиной h, а высоты равны величине частости. В ряде случаев высота может соответствовать относительной плотности распределения.

Задание. Проранжировать первичный ряд данных, определить частоты и частости нового ряда, найти абсолютную и относительные плотности распределения, перегруппировать данные для сопоставления и анализа двух рядов, графически изобразить кривые распределения рядов, представить данные в виде полигона частот, гистограмм, кумулятивных кривых по известным накопленным частотам.

Условие. Имеются разрозненные данные по рентабельности активов банков с доходами от 50 до 100 млн. долл.:

№	Рентабельность активов, %
	0,86
	1,88
	1,22
	0,63
	1,64
	1,01
	1,43
	1,33
	1,21
	1,69
	0,65
	1,54
	0,89
	1,61
	1,37
	1,51
	1,65
	1,51
	0,65
	1,11
	1,56
	0,74
	1,05
	1,78
	1,37
	1,64
	1,25
	1,35
	1,74

Этапы выполнение задания.

1. В программной среде Excel заполняется столбец исходных данных.

2. Выполняется сортировка первичного ряда в порядке возрастания. В результате получен интервальный ранжированный ряд.

3. Определяются частоты и частости, относительная плотность распределения.

4. Проводится перегруппировка данные исследуемого интервального вариационного ряда для сопоставления и анализа двух рядов.

5. Формируется полигон частот.

6. Строится гистограмма

7. Строится кумулятивная кривая накопленных частот.

8. Делаются выводы.

Пример решения задачи.

Условие. Имеются разрозненные данные по рентабельности активов банков с доходами от 50 до 100 млн. долл.:

1,51; 0,85; 1,37; 1,62; 0,80; 2,0; 1,49; 1,58; 1,75; 1,24; 1,28; 1,04; 1,98; 1,15; 1,66; 1,33; 1,73; 1,13; 1,36; 1,28.

В программной среде Excel заполняется столбец исходных данных.

1. Выполняется сортировка столбца А - первичного ряда в порядке возрастания. В результате получен новый интервальный ранжированный ряд.

2. Определяются частоты и частости нового ряда. Для этого используется данные об объеме совокупности исследуемых банков N = 20 . Дискретный вариационный ряд разбивается на интервалы, число которых подсчитывается по формуле Стержесса

k = 1 + 3,322 lg N ,

в которой квадратные скобки означают округление числа 5,32 , тогда k = 5. Длина частичного интервала определяется по формуле

.

x_max = 2,0 , x_min = 0,8 , h = 0,24. Тогда границы интервалов будут такими:

x0= xmin =0,8 ;

x1= xmin + h = 1,04 ;

x2= xmin + 2h = 1,28 ;

x3= xmin + 3h = 1,52 ;

x4= xmin + 4h = 1,76 ;

x5= xmin + 5h = 2 .

Подсчитывается количество банков принадлежащих каждому из интервалов. Вычисляется накопленная частота и процентное отношение частоты к общему объему всей совокупности N = 20 или частость. Для сопоставления полученных данных интервального вариационного ряда с данными другого вариационного ряда с неравными интервалами необходимо рассчитать относительную плотность распределения

, h_i = h

Необходимо перегруппировать данные исследуемого интервального вариационного ряда для сопоставления и анализа двух рядов.

Таблица 2.

Группы банков с доходами от 100 до 300 млн. долл.	Группы банков с доходами от 50 до 100 млн. долл.
Рентабельность активов	Количество банков в % (частости)	Количество банков в % (частости)
0,6 – 0,8		-
0,8 – 1,0		8,33 =0,2m1
1,0 – 1,1		6,67
1,1 – 1,2		8,33
1,2 – 1,4		24,17
1,4 – 1,8		43,33 =(1,52-1,4)m3+0,24 m4+(1,8-1,76) m5
1,8 – 2,0		4,17
2,0 и более	-	5,00
ИТОГО:		100,00

Расчетная схема представлена ниже.

Необходимо вычислить новые величины интервалов, используя заготовленный рисунок :

h₀₁ = y₀ – x₀ ,

h₁₁ = x₁ – y₀ ,

h₁₂ = y₁ – x₁ ,

h₂₁ = x₂ – y₁ ,

h₂₂ = x₃ – x₂ ,

h₂₃ = x₄ – x₃ ,

h₂₄ = y₂ – x₄ ,

h₃₁ = x₅ – y₂ ,

h₃₂ = x₆ – x₅ ,

…

Здесь – узловые точки x_i рентабельности активов, отстоящие друг от друга на один и тот же равный шаг h , y_i – узловые точки интервального ряда рис. 1 (i = ).

На промежутках [y_-1, y₀] U [y₀, y₁] U [y₁, y₂] U [y₂, y₃] частости W_i перераспределяются следующим образом:

[y_-1, y₀] ¾ W₀ = h₀₁m₁ ,

[y₀, y₁] ¾ W₁ = h₁₁m₁ + h₁₂m₂ ,

[y₁, y₂] ¾ W₂ = h₂₁m₂ + h₂₂m₃+ h₂₃m₄+ h₂₄m₅ ,

[y₂, y₃] ¾ W₃ = h₃₁m₅ + h₃₂m₆ ,

Полученными новыми значениями W_i заполняется третий столбец таблицы 2.

Рис. 7.

Гистограмма – это серия столбиков одинаковой ширины, но разной высоты, показывающая рассеяние и распределение данных. Ширина столбика – это интервал в диапазоне наблюдений, высота – количество данных, приходящихся на тот или иной интервал, т.е. частость. По существу, гистограмма отображает распределение исследуемого показателя. Гистограмма позволяет оценить характер рассеивания показателя и разобраться в том, на чём следует сосредоточить усилия по улучшению.

Характерные типы гистограмм показаны на рис.

Рис 1. Характерные типы гистограмм

На рис. 1,а показан обычный тип гистограммы с двусторонней симметрией, что указывает на стабильность процесса.

На рис 1,б в распределении имеетс