В статье приведена расчетная методика обнаружения и исключения аномальных значений. Показано, что ее эффективность зависит от объема априорной информации об исследуемом процессе. Предложенный метод использован для случаев, когда процесс стационарный и имеет гауссовский закон плотности распределения вероятности. При анализе нестационарных случайных процессов существующие методы и алгоритмы опираются на то, что аномальная составляющая является аддитивной и априорно известны характеристики аномальных значений. В работе использовалась теория статистических решений, которая позволяет формализовать алгоритмы проверок и выбрать критерий обнаружения аномальных значений. Предложены как параметрические, так и непараметрические методы. В первом случае необходимо располагать априорными сведениями как о функции полезной составляющей, так и о законе распределения аномальной составляющей процесса, а также и о его параметрах. Постулируется, что использование непараметрических методов обработки требует значительно меньше априорной информации, но их эффективность определяется параметрами обработки, которые, в свою очередь, зависят от функции полезной и закона распределения аномальной составляющих процесса. Отмечено, что выброс может в действительности оказаться одним из экстремальных значений распределения вероятности случайной величины. Изложены проблемы неопределенности информации по входным данным при расчетах классическими методами. Исследован характер влияния внешних факторов на надежность и степень учета факторов в существующих методах. Представлены методики оценки ресурса исследуемых объектов, среди которых важное место занимают методики, основанные на использовании контрольных карт. Показано, что размах оказывается более удобной для подсчета мерой рассеяния данных, чем стандартное отклонение. Нанесение на контрольную карту наряду с математическим ожиданием размаха выборки позволяет легче заметить аномальное изменение. Размах служит грубой мерой скорости изменения переменной, за которой ведется наблюдение, и его значение может выйти за контрольные пределы на карте размаха и подать сигнал аномалии значительно раньше, чем изменение среднего, которое при этом еще может находиться в заданных контрольных пределах.
Цель. Для повышения достоверности принимаемых решений о равномерности распределений по выборкам ограниченного объема разработан комбинаторный метод формирования критерия на основе сочетаний без повторений выборочных значений.
Методы. В статье применяются методы теории вероятностей, математической статистики и комбинаторики.
Результаты. Предложенный критерий обладает высокой эффективностью для различения выборок малого объема при проверке статистически близких гипотез, таких как гипотеза о равномерном законе распределения и гипотеза о бета-распределении 1-го рода.
Выводы. Предлагаемый в статье подход позволяет реализовать процедуру последовательного анализа (обнаружение «разладки» процесса). Такая процедура дает возможность достоверно выявлять «разладку» (отклонение распределения наблюдений от равномерного закона) процесса с достаточной для практики интенсивностью при помощи рекуррентных соотношений.
Цель. Оценка параметров распределения по малой выборке представляет самостоятельную нетривиальную задачу, при решении которой путем максимизации функции правдоподобия можно получить сильно смещенный результат. В статье проанализированы свойства некоторых оценок параметров бета-распределения 1-го рода по малой выборке. Методы. Cравнение оценок параметров бета-распределения по малой выборке различными методами проведено имитационным моделированием при числе испытаний N = 104. Результаты. Оценки параметров методом максимального правдоподобия действительно дают сильно смещенный результат для выборок малого объема. Бутстреп-метод, по сравнению с методом максимального правдоподобия, дает менее смещенные оценки с меньшей дисперсией. Наиболее приемлемый (близкий к исходным значениям) результат получен с использованием математического ожидания (или медианы) и дисперсии. Выводы. Для выборок малого объема вряд ли можно рекомендовать какой-либо конкретный способ оценки параметров. Наиболее целесообразным представляется нейросетевой анализ малых выборок. С помощью нейросетевого объединения нескольких способов оценки можно существенно улучшить ее точность.