МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ

ДВНЗ «ДОНЕЦЬКИЙ НАЦІОНАЛЬНИЙ ТЕХНІЧНИЙ УНІВЕРСИТЕТ»

КАФЕДРА ПРИКЛАДНОЇ МАТЕМАТИКИ І ІНФОРМАТИКИ

МЕТОДИЧНІ ВКАЗІВКИ
до виконання курсової роботи з дисципліни
«ЕМПІРИЧНІ МЕТОДИ ПРОГРАМНОЇ ІНЖЕНЕРІЇ»
на тему:
«АЛГОРИТМІЧНІ І ПРОГРАМНІ ЗАСОБИ АНАЛІЗУ ВИБІРКОВИХ
СУКУПНОСТЕЙ»
(для студентів спеціальності
121 «Інженерія програмного забезпечення»
всіх форм навчання)

Затверджено на засіданні кафедри

прикладної математики та інформатики
Протокол № 12 від 22.05.2019

Покровськ – 2019
УДК 681.3.06

Методичні вказівки до виконання курсового проекту з дисципліни «Емпіричні методи

програмної інженерії» на тему: «Алгоритмічні і програмні засоби аналізу вибіркових
сукупностей» (для студентів спеціальності 121 «Інженерія програмного забезпечення» всіх
форм навчання) / укладач: проф. Дмитрієва О.А. - Покровськ: ДонНТУ, 2019 р. – 53 с.

Методичні вказівки до виконання курсового проекту з дисципліни «Емпіричні

методи програмної інженерії» призначені для закріплення знань, отриманих при вивченні
лекційного матеріалу студентами факультету комп'ютерних наук і технологій, що
навчаються за спеціальністю 21 «Інженерія програмного забезпечення». Наведено короткі
теоретичні відомості та індивідуальні завдання за всіма основними розділами курсу, до
яких відносяться:
- обробка одновимірної вибірки;
- точкові та інтервальні оцінки характеристик генеральної сукупності;
- згладжування (вирівнювання) статистичних рядів
- перевірка статистичних гіпотез, параметричні гіпотези;
- перевірка непараметричних статистичних гіпотез;
- перевірка однорідності вибіркової сукупності
- перевірка гіпотез про закон розподілу (критерії згоди);
- перевірка гіпотези про параметр біноміального розподілу;
- гіпотези про очікувані числах.
Для розвитку і закріплення навичок вирішення основних практичних завдань
студентам пропонується виконати ряд індивідуальних завдань, варіанти яких наводяться в
посібнику. Завдання згруповані по кожній темі, що вивчається. Виконання завдань може
здійснюватися як вручну, так і з залученням можливостей програмних пакетів і сучасних
математичних середовищ програмування.
Методичні вказівки і завдання до лабораторних і практичних робіт за курсом
«Емпіричні методи програмної інженерії» можуть бути корисними також і для студентів,
що навчаються за спеціальностями 122 «Комп'ютерні науки», 123 «Комп'ютерна
інженерія», 124 «Системний аналіз», 125 «Кібербезпека».

Рецензент: д.т.н., проф., зав. каф. КІ В.А. Святний

 3

ЗМІСТ

ВСТУП ………………………………………………………………………… 4
1. Частина 1. Обробка одновимірної вибірки………………..…………………. 5
2. Частина 2. Точкові та інтервальні оцінки характеристик генеральної
сукупності………………..................................................................................... 9
3. Частина 3. Згладжування (вирівнювання) статистичних рядів……………… 17
4. Частина 4. Перевірка однорідності вибіркової сукупності………………….. 23
5. Частина 5. Перевірка гіпотез про закон розподілу (критерії згоди)………… 25
6. Список рекомендованої літератури………………………………………….. 29
7. Додаток А. Технічне завдання............................................................................ 31
8. Додаток Б. Варіанти завдань…………….………….......................................... 38
 4

ВСТУП

В результаті спостережень і реєстрації масових випадкових явищ

можна отримати емпіричні (статистичні) дані або емпіричний матеріал.
Якщо величина, що спостерігається, є випадковою, то її можна вивчати
методами теорії ймовірностей. Для розуміння характеру поведінки цієї
випадкової величини потрібно знати її закон розподілу. Визначення законів
розподілу розглянутих величин і оцінка значень параметрів розподілу на
підставі спостережених значень – основне завдання курсової роботи з
дисципліни «Емпіричні методи програмної інженерії». Ще одним завданням
курсової роботи є дослідження методів обробки та аналізу емпіричного
матеріалу з метою отримання певних висновків, необхідних для організації
моделювання процесів за участю розглянутих величин.
Розробка орієнтована на закріплення теоретичного матеріалу та
придбання практичних навичок в дослідженні вибіркових сукупностей
предметної області програмної інженерії. Мета розробки полягає в
оволодінні аналітичними і графічними методами представлення вибіркової
сукупності, визначенні точкових і інтервальних оцінок із заданим рівнем
значущості, згладжуванні вибіркових даних, обґрунтуванні теоретичного
закону розподілу, проведенні порівняльного аналізу отриманих
безперервних розподілів за допомогою критеріїв погодження.
Для розвитку і закріплення навичок вирішення основних практичних
завдань студентам пропонується виконати ряд індивідуальних завдань,
варіанти яких наводяться в посібнику. Завдання згруповані по кожній темі,
що вивчається. Виконання завдань може здійснюватися як вручну, так і з
залученням можливостей програмних пакетів і сучасних математичних
середовищ програмування.
 5

Частина 1. ОБРОБКА ОДНОВИМІРНОЇ ВИБІРКИ

Короткі теоретичні відомості

Розглянемо випадковий експеримент, пов'язаний з випадковою
величиною X . Здійснивши n незалежних повторень цього експерименту,
ми отримаємо послідовність спостережень даних значень величини X , які
позначимо x1, x2 , ..., xn . Цю сукупність значень називають вибіркою, число
її елементів – об'ємом вибірки, а числа xi – вибірковими значеннями.
Статистична сукупність G називається генеральною сукупністю (ГС),
якщо дослідженню підлягають всі її елементи. Найчастіше генеральна
сукупність нескінченна, а вибірка представляє собою кінцеву частину ГС,
яка доступна досліднику. Головна вимога – незалежність елементів вибірки,
що рівносильно вимозі випадковості вилучення елементів.
Вибірковий метод – статистичний метод дослідження загальних
властивостей сукупності будь-яких об'єктів на основі вивчення
властивостей лише частини цих об'єктів, включених у вибірку.
Для аналізу і подальшої обробки експериментальних даних
складаються варіаційні ряди – послідовності спостережуваних значень,
записаних у зростаючому порядку. Спостережувані значення випадкової
величини X називаються варіантами.
Нехай з генеральної сукупності витягнута вибірка, причому варіанта
x1 спостерігалася n1 раз, x2 – n2 раз, xk – nk раз і  ni  n – обсяг вибірки.
Послідовність варіант, записаних в порядку зростання, називають
варіаційним рядом. Кількість спостережень називають частотами, а їх
n
відносини до обсягу вибірки i  Wi – відносними частотами.
n
Частотним рядом називають перелік впорядкованих варіант і
відповідних їм частот або відносних частот.
 6

На практиці великі вибірки з розподілів піддаються угрупованню у

вигляді інтервального ряду. Інтервальний статистичний ряд для вибірки
будується наступним чином:
1) відшукуються xmin і xmax (мінімальна і максимальна варіанти);
2) знаходиться R  xmax  xmin – амплітуда (розмах) варіювання
вибірки;
3) проміжок [ xmin , xmax ] розбивається на k інтервалів, де k –
кількість часткових інтервалів, яке рекомендується визначити за формулою
Стерджеса (як найближче ціле зверху):
k  1 3,32 lg n ;
4) крок інтервального ряду h отримують як відношення:
x  xmin
h  max ;
k
5) для кожного часткового інтервалу знаходиться ni , де ni , i  1,2,..., k –

число варіант, які потрапили в i-й інтервал;

6) складається таблиця:
[ xmin , xmin  h] [ xmin  h, xmin  2h] … [ xmin  (i  1)h, xmin  ih] … [ xmax  h, xmax ]
n1 n2 … ni … nk

Примітка 1. Дискретний варіаційний ряд отримується з

інтервального, якщо за нові значення ознаки X взяти середини інтервалів.
Для наочності використовують графічні представлення емпіричних
значень.
Полігон частот – ламана, відрізки якої з'єднують точки ( x1; n1 ) ,
( x2 ; n2 ) , …, ( xk ; nk ) . Для побудови полігону частот на осі абсцис
відкладають варіанти xi , а на осі ординат – відповідні їм частоти ni . Точки
( xi ; ni ) з'єднують відрізками прямих.
 7

Полігон відносних частот – ламана, відрізки якої з'єднують точки

( x1;W1 ) , ( x2 ;W2 ) , … .
Гістограма частот – ступінчаста фігура, що складається з
прямокутників, підставами яких служать часткові інтервали довжиною h , а
ni
висоти дорівнюють відношенню (щільність частоти). Для побудови
h
гістограми частот на осі абсцис відкладають часткові інтервали, а над ними
ni
проводять відрізки, паралельні осі абсцис на відстані .
h
h  ni
Площа i-го часткового прямокутника дорівнює  ni – сумі частот
h
варіант i-го інтервалу; отже, площа гістограми частот дорівнює сумі всіх
частот, тобто, обсягу вибірки.
Гістограма відносних частот – ступінчаста фігура, що складається з
прямокутників, підставами яких служать часткові інтервали довжиною h, а
Wi
висоти дорівнюють відношенню (щільність відносної частоти).
h
Для побудови гістограми відносних частот на осі абсцис відкладають
часткові інтервали, а над ними проводять відрізки, паралельні осі абсцис на
Wi
відстані . Площа гістограми відносних частот дорівнює одиниці.
h
Гістограма є першим наближенням щільності розподілу кількісної ознаки X
генеральної сукупності.
Нехай відомо статистичний розподіл частот кількісної ознаки X.
Введемо позначення: nl – число спостережень, при яких спостерігалося
значення ознаки, менше x; n – загальне число спостережень (обсяг вибірки).
nl
Ясно, що відносна частота події {X  x} дорівнює . Якщо x буде
n
змінюватися, то буде змінюватися і відносна частота, тобто відносна частота
 8

nl
є функція від x. Так як ця функція знаходиться емпіричним
n
(досвідченим) шляхом, то її називають емпіричною.
Таким чином, емпіричною функцією розподілу (функцією розподілу
вибірки) називають функцію F * ( x) , що визначає для кожного значення x
відносну частоту події. Емпірична функція розподілу вибірки служить для
оцінки теоретичної функції розподілу генеральної сукупності.
nl
За визначенням F * ( x )  , де nl – число варіант, менших x, n – обсяг
n
вибірки.
З визначення функції F * ( x) випливають такі її властивості:
1) значення емпіричної функції належать відрізку [0,1]:
0  F * ( x)  1 .
2) F * ( x) – неубутна функція;
3) якщо xq – найменша варіанта, то F * ( x)  0 , за умови x  xq , якщо xq –

найбільша варіанта, то F * ( x)  1 за умови x  xq .

 9

Частина 2. ТОЧКОВІ ТА ІНТЕРВАЛЬНІ ОЦІНКИ ХАРАКТЕРИСТИК

ГЕНЕРАЛЬНОЇ СУКУПНОСТІ

Короткі теоретичні відомості

Зазвичай в розпорядженні дослідника є лише вибіркові дані. Якщо з
теоретичних міркувань вдалося встановити, який саме розподіл має ознака
генеральної сукупності, то виникає задача оцінки параметрів, якими
визначається цей розподіл. Для опису випадкових величин
використовуються описові статистики: мінімум, максимум, середнє,
дисперсія, стандартне відхилення, медіана, мода і т.д. Статистики дають
загальне уявлення про значення, які приймають випадкові величини.
Отримувані оцінки можуть носити точковий та інтервальний характер.

1. Точкові оцінки параметрів генеральної сукупності

Оцінка називається точковою, якщо визначається одним числом;
інтервальною – якщо за даними вибірки будується числовий інтервал,
усередині якого на підставі заздалегідь обраної ймовірності знаходиться
оцінюваний параметр.
Оцінка повинна бути близька до оцінюваного параметру. Близькість
характеризується незміщеністю оцінки, її спроможністю і ефективністю.
Незміщеність оцінки означає відсутність систематичних похибок в
спостережуваних даних, для цього її математичне очікування має
дорівнювати оцінюваному параметру. Спроможність оцінки полягає в
тому, що зі зростанням числа спостережень, дисперсія прагне до нуля. Для
досліджуваного параметра оцінка ефективна, якщо має мінімальну
дисперсію серед всіх можливих оцінок, побудованих по даній вибірці.
Нехай з генеральної сукупності витягнута вибірка обсягу n. Вибіркове
середнє (m*) – сума значень змінної, поділена на n (число значень змінної)
 10

n
 xi
m*  i 1
.
n
Вибіркове середнє може бути пораховано по частотно-варіаційному
ряду
k
 xi  ni
m*  i 1
,
n
де k – кількість варіантів в ряду, або по інтервальному ряду
k
 x'i ni
m*  i 1
,
n
де x'i - середина i-го інтервалу, k – кількість інтервалів.
Середнє вибіркове є незміщеною, спроможною і ефективною оцінкою
математичного очікування генеральної сукупності, тобто точкова оцінка
математичного очікування є доброякісною
~
x  m* .
Вибіркова дисперсія (D*) – міра мінливості випадкової величини.
Обчислюється за формулою:
n
 xi  m * 
2

D*  i 1
.
n
Значення 0 означає відсутність мінливості, тобто змінна постійна.
Вибіркова дисперсія є зміщеною оцінкою дисперсії генеральної сукупності,
тому доброякісною оцінкою генеральної дисперсії є виправлена вибіркова
дисперсія

 xi  m* 
n 2

~ n
D  D*  i 1
.
n-1 n 1
Вибіркове стандартне відхилення (  * ) – корінь квадратний з
дисперсії. Більш зручна характеристика, так як виміряна в тих же одиницях,
 11

що і вихідна величина. Чим вище дисперсія і стандартне відхилення, тим

сильніше розкидані значення випадкової величини щодо середнього. Для
оцінки середнього квадратичного відхилення генеральної сукупності
застосовують вибіркове середнє квадратичне відхилення
*  D *
або виправлене середнє квадратичне відхилення
~ n
~  D  D *.
n 1
Для більш докладного опису властивостей розподілу вводяться
емпіричні початкові
n p
 xi
 p  i 1
n
і центральні
n
 ( xi  x*)
p

 p  i 1
n
моменти p-го порядку або їх комбінації. Зокрема, коефіцієнт асиметрії
дозволяє судити про симетричність вибіркових даних
n  3
A .
(n  1)  (n  2)   *3
Якщо коефіцієнт значно відрізняється від 0, розподіл є асиметричним.
Показник ексцесу служить мірою крутизни (загостреності) гістограми по
відношенню до кривої нормального розподілу (для нормально розподіленої
випадкової величини Е=0).

E
n  (n  1)    3      (n  1).
4 2 2

(n  1)  (n  2)  (n  3)  S  4

Медіана – значення, яке розбиває вибірку на дві рівні частини.

Половина спостережень лежить вище медіани, і половина – нижче. У деяких
випадках, наприклад, при описі доходів населення, медіана зручніша, ніж
 12

середнє. Медіана дає загальне уявлення про те, де зосереджені значення

змінної, іншими словами, де знаходиться її центр. Сума абсолютних
відстаней між точками вибірки і медіаною мінімальна. Медіана
обчислюється таким чином. Вибірка упорядковується в порядку зростання.
Якщо кількість елементів у вибірці визначається як 2m+1 (непарна), то
медіана вибірки оцінюється як Me  xm1 . Якщо число спостережень парне,
то медіана оцінюється як Me  ( xm  xm1 ) 2 .
Квантиль – число tp, нижче якого знаходиться p-а частина (частка)
вибірки.
Процентиль – значення квантилі в процентах.
Мода – вибіркове значення, яке найбільш часто зустрічається, або,
варіанта, що має найбільшу частоту.

2. Інтервальні оцінки параметрів генеральної сукупності

Точкова оцінка  * , навіть якщо вона незміщена, спроможна і
ефективна, дає наближене значення параметра генеральної сукупності і,
особливо для вибірок малого обсягу, відрізняється від істинного значення
параметра, тобто від  .
Уявлення про те, до яких помилок може призвести заміна параметра
 на його точкову оцінку  * і з яким ступенем впевненості можна
очікувати, що ці помилки не вийдуть за відомі межі дає міра достовірності
(або інтервальна оцінка).
В якості міри достовірності приймають:
1) довірчу ймовірність  , з якою справжнє значення параметра 
буде знаходиться в заданому щодо статистичної оцінки інтервалі;
2) довірчий інтервал I  (  *  ,  *  ) .

Довірчим інтервалом для параметра  називається інтервал

(  *  ,  *  ) , який із заданою надійністю  покриває реальне значення
 13

параметра  , тут  * – емпірична оцінка параметра,  – точність оцінки.

Число   1   називається довірчою ймовірністю, а значення  – рівнем
значущості (мала ймовірність того, що розбіжність між параметром і його
оцінкою більше або дорівнює абсолютній величині довірчого інтервалу). В
якості  , як правило, вибираються значення, близькі до одиниці: 0.95, 0.99,
0.999.
Найчастіше довірчий інтервал вибирають симетричним щодо
статистичного параметра:
I  [  ]  (  *n( 1 ) ;  *n( 2 ) ) ,

 *n( 1 )   n*   ;  *n( 2 )   n*   .

P(  n*     )   ; P(  n*       n*   )   .

P(    n*   )   .

Величина довірчого інтервалу  істотно залежить:

- від обсягу вибірки (з ростом n величина інтервалу зменшується);
- від величини довірчої ймовірності: чим більше довірча ймовірність
 , тим більше  .

3. Оцінка довірчого інтервалу для математичного очікування,

«грубий» метод
Нехай для параметра M ( x ) генеральної сукупності отримана
~  m * . Визначення довірчого інтервалу для M ( x )
доброякісна оцінка m
може бути здійснено в залежності від наявності відомостей про закон
розподілу статистичної оцінки, який залежить від закону розподілу самої
випадкової величини, і від наявності інформації про інші параметри
генеральної сукупності.
Якщо такі відомості відсутні, то використовується «грубий метод»
оцінки довірчого інтервалу для M ( x ) при наступних припущеннях:
 14

- допущення нормальності закону розподілу випадкової величини;

- заміна параметрів цього закону їх статистичними оцінками.
Нехай є випадкова величина X, яка описує ГС з невідомими
параметрами M ( x ), D( x ) . Знайти довірчий інтервал для M ( x ) , якщо
задана довірча ймовірність і отримані результати експерименту. Тобто,
дано: x1 ,..., xn ;  . Знайти: I  [ m ] :   M ( x ); *  m * .

Статистична оцінка математичного очікування відома. В якості

оцінки реального M ( x ) за вибіркою приймається середнє арифметичне n
незалежних спостережених значень. xi – деякий екземпляр випадкової
величини з параметром M ( x ) . Оцінка M ( x ) – це сума незалежних
однаково розподілених BВ, тоді, по центральній граничній теоремі при
досить великому n закон розподілу цієї суми близький до нормального.
У практичній статистиці навіть при відносно невеликому числі
випробувань (від 10 до 20) вважається, що закон розподілу прагне до
нормального. Тоді, ймовірність попадання в інтервал, симетричний щодо
математичного очікування M ( x ) , для нормального закону дорівнює:

     
P( M ( x )    X  N ( x )   )  2    1  2 *   .
 X   X 
Випадкова величина X , що розглядається – це оцінка математичного

~  m*  N ( M ( x ), D( x ) ) ,
очікування: m
n
  1  1  
P( M ( x )  m *   )    2 ( )  1( )     m*  arg   
 m*  m* 2  2 
    1   
  m*  arg  *   ,  m*  X    X  arg  ( )  X  arg  * ( ).
2 n n 2 n 2

Величина довірчого інтервалу для маточікування дорівнює ("грубий

метод"):
 D* D* 
I  [ M ( x )]   m * u   ; m * u    ,
 n n 
 15

де u   u1 / 2 – квантиль нормального розподілу, тобто

1   
u   arg    u1 / 2 .
 2 

4. Оцінка довірчого інтервалу для математичного очікування,

«точний» метод
Якщо дисперсія D( x ) , або середнє квадратичне відхилення  ( x )
генеральної сукупності невідомо, то використовують  * і замість
нормального розподілу t -розподіл Стьюдента:
*
 t1 / 2 ( n  1 ) ,
n
де t1 / 2 – квантиль t -розподілу (табличне значення).

5. Оцінка довірчого інтервалу для дисперсії, «грубий» метод

Дана ВВ X з нормальним законом розподілу і невідомими
параметрами M ( x ) і D( x ) . Проведено n незалежних випробувань.
Потрібно за заданою довірчою ймовірністю знайти довірчий інтервал для
D( x ) . За аналогією з математичним очікуванням, оцінка D( x ) грубим
методом:
~ ~ ~
I  [ D( x )]  ( D   ; D   ) ,   u    [ D ] ,

~  (n  3)
D[ D ]  4   D2( x ).
n n( n  1 )

Щоб скористатися цими формулами замість реальних D( x ) і  4

користуються їхніми оцінками:
n
 ( xi  m )
* 4

 4* [ X ]  i 1 .
n
Нормальний закон:
 16

~ 2
D[ D ]   D 2 ( x ).
n 1
Рівномірний:
~ 0 ,8 n  1,2
D[ D ]   D 2 ( x ).
n( n  1 )

6. Оцінка довірчого інтервалу для дисперсії, «точний» метод

Якщо M ( x ) генеральної сукупності відомо, то оцінка довірчого
інтервалу для дисперсії D( x ) «точним» методом

 nD * nD * 
I D   2 ; 2 ;
  1 / 2 ( n )   / 2 ( n ) 
якщо M ( x ) невідомо, то беруть m * і тоді:

 nD * nD * 
I D   2 ; 2 .
  1 / 2 ( n  1)   / 2 ( n  1) 
 17

Частина 3. ЗГЛАДЖУВАННЯ (ВИРІВНЮВАННЯ) СТАТИСТИЧНИХ

РЯДІВ

Короткі теоретичні відомості

У всякому статистичному розподілі неминуче присутні елементи
випадковості, пов'язані з обмеженим числом спостережень, попаданням в
вибіркову сукупність певних значень і т.п. Тільки при дуже великому числі
спостережень ці елементи випадковості згладжуються, і випадкове явище
виявляє в повній мірі властиву йому закономірність. На практиці майже
ніколи не мають справи з таким великим числом спостережень і змушені
зважати на те, що будь-якому статистичному розподілу властиві в більшій
чи меншій мірі риси випадковості. Тому при обробці статистичного
матеріалу часто доводиться вирішувати питання про те, як підібрати для
даного статистичного ряду теоретичну криву розподілу, яка має лише
істотні риси статистичного матеріалу, а не випадковості, пов'язані з
недостатнім обсягом експериментальних даних. Таке завдання називається
завданням вирівнювання (згладжування) статистичних рядів.
Завдання вирівнювання полягає в тому, щоб підібрати теоретичну
плавну криву розподілу, яка з тієї чи іншої точки зору найкращим чином
описує даний статистичний розподіл. Припущення про вид закону
розподілу може бути зроблено виходячи з:
- теоретичних передумов, пов'язаних з фізичною суттю завдання;
- з досвіду попередніх аналогічних досліджень;
- на підставі графічного зображення емпіричного розподілу,
найчастіше гістограми.
Як правило, принциповий вид теоретичної кривої вибирається
заздалегідь з міркувань, пов'язаних з сутністю завдання, а в деяких випадках
просто із зовнішнім виглядом статистичного розподілу. Аналітичний вираз
обраної кривої розподілу залежить від деяких параметрів, а завдання
 18

вирівнювання статистичного ряду самостійно стає у задачу раціонального

вибору тих значень параметрів, при яких відповідність між статистичними і
теоретичним розподілами виявляється найкращою.
Завдання знаходження оцінок параметрів розподілу формалізується
наступним чином. Задана вибірка обсягу n: x1 , x2 ,...,xn . Передбачається
деякий теоретичний закон розподілу ВВ X з функцією щільності розподілу
виду:
f ( x1 , x2 ,...,xn ,a1 ,a2 ,...,ak ) ,
де a1 ,a2 ,...,ak – невідомі параметри розподілу, які підлягають визначенню.

Метод моментів
Для отримання невідомих оцінок параметрів a1 ,a2 ,...,ak розподілу
генеральної сукупності Х певна кількість вибіркових початкових і / або
центральних моментів прирівнюються до відповідних теоретичних
аналогів, отриманих для передбачуваного теоретичного закону розподілу.
Припустимо, що f ( x1 , x2 ,...,xn ,a1 ,a2 ,...,ak ) – щільність розподілу

випадкової величини Х. Визначимо за допомогою цієї щільності k будь-яких

моментів випадкової величини, наприклад, перші k початкових моментів за
формулами

  M ( x )   x p f ( x ,a1 ,a2 ,...,ak )dx , p  1,2 ,...,k .
p p



За вибіркою спостережень випадкової величини знайдемо значення

відповідних вибіркових моментів
n
 xi
p

 p*  i 1
.
n
Попарно прирівнюючи теоретичні моменти їх вибірковим аналогам,
отримуємо систему з k рівнянь з k невідомими, розв’язуючи яку отримуємо
шукані значення.
 19

Згідно з методом моментів, параметри a1 ,a2 ,...,ak вибираються з

таким розрахунком, щоб кілька найважливіших числових характеристик
(моментів) теоретичного розподілу дорівнювали відповідним статистичним
характеристикам. Наприклад, якщо теоретична крива f ( x ,a1 ,a2 ) залежить
тільки від двох параметрів a1 і a2 , ці параметри вибираються так, щоб
математичне очікування M (x) і дисперсія D(x) теоретичного розподілу
збігалися з відповідними статистичними характеристиками mx * і Dx * .
Якщо крива f ( x ,a1 ,a2 ,a3 ) залежить від трьох параметрів, можна підібрати
їх так, щоб збіглися перші три моменти і т. д. При вирівнюванні
статистичних рядів може виявитися корисною спеціально розроблена
система кривих Пірсона, кожна з яких залежить в загальному випадку від
чотирьох параметрів. При вирівнюванні ці параметри вибираються з тим
розрахунком, щоб зберегти перші чотири моменти статистичного розподілу
(математичне очікування, дисперсію, третій і четвертий моменти). Слід
зауважити, що при вирівнюванні статистичних рядів нераціонально
користуватися моментами з порядком вище четвертого, так як точність
обчислення моментів різко падає зі збільшенням їх порядку.

Метод найменших квадратів

При згладжуванні емпіричних залежностей дуже часто виходять з так
званого принципу або методу найменших квадратів, вважаючи, що
найкращим наближенням до емпіричної залежності в даному класі функцій
є таке, при якому сума квадратів відхилень звертається в мінімум. При
цьому питання про те, в якому саме класі функцій слід шукати найкраще
наближення, вирішується вже не з математичних міркувань, а з міркувань,
пов'язаних з фізикою розв'язуваної задачі, з урахуванням характеру
отриманої емпіричної кривої і ступеня точності проведених спостережень.
Часто принциповий характер функції, що виражає досліджувану залежність,
 20

відомий заздалегідь з теоретичних міркувань, з досвіду же потрібно

отримати лише деякі чисельні параметри, що входять у вираз функції; саме
ці параметри підбираються за допомогою методу найменших квадратів.
Завдання відновлення деякої функції f ( x ) методом найменших
квадратів вимагає, щоб міра відхилення експериментальних значень від
обраної функції була мінімальною в заданих m1 точках
( qi , g i ),i  0 ,1,2,...,m. В якості таких пар точок, як правило, вибирають
середини інтервалів гістограми і висоти, їм відповідні. Потім будується
функція розбіжностей теоретичних і емпіричних значень в точках
qi ,i  0 ,1,2,...,m , яка підлягає мінімізації
m
I ( a1 ,a2 ,...,ak )  ( f ( x ,a1 ,a2 ,...,ak )  g i )2  min .
i 0

Потрібно підібрати коефіцієнти a1 ,a2 ,...,ak так, щоб величина I була

найменшою. Для вирішення цього завдання знаходять часткові похідні від
функції I ( a1 ,a2 ,...,ak ) по всім змінним, прирівнюють їх до нуля і вирішують
отриману систему рівнянь
 I ( a1 ,a2 ,...,ak )
  0,
a1

 I ( a1 ,a2 ,...,ak )
 0,

 a2
 ...

 I ( a1 ,a2 ,...,ak )
 0.
 ak

Метод максимальної правдоподібності

Цей метод є основним для отримання оцінок параметрів ГС за
статистичними даними. Передбачається, що щільність розподілу випадкової
величини залежить від деякої множини невідомих параметрів a1 ,a2 ,...,ak і
 21

має вигляд f ( x ,a1 ,a2 ,...,ak ) . Будується функція правдоподібності, що

виражає щільність ймовірності спільної появи результатів вибірки:
n
L( x1 , x2 ,...,xn ,a1 ,a2 ,...,ak )   f ( xi ,a1 ,a2 ,...,ak )
i 1

Для дискретних випадкових величин функція правдоподібності має

вигляд:
n
L( x1 , x2 ,...,xn ,a1 ,a2 ,...,ak )   p( xi ,a1 ,a2 ,...,ak ) .
i 1

Згідно з методом максимальної правдоподібності в якості оцінки

a  ( a1 ,a2 ,...,ak ) невідомого вектору приймається значення, яке максимізує
функцію правдоподібності, тобто забезпечує
L( x1 , x2 ,...,xn ,a1 ,a2 ,...,ak )  max
або
ln L( x1 , x2 ,...,xn ,a1 ,a2 ,...,ak )  max .
Необхідна умова екстремуму функції багатьох змінних
L L L
 0;  0; ...; 0
а1 а2 аk

 L( a1 ,a2 ,...,ak )

  0,
a1

 L( a1 ,a2 ,...,ak )
 0,

 a2
 ...

 L( a1 ,a2 ,...,ak )
 0.
 ak
або
 22

  ln L( a1 ,a2 ,...,ak )
  0,
a1

  ln L( a1 ,a2 ,...,ak )
 0,

 a2
 ...

  ln L( a1 ,a2 ,...,ak )
 0.
 ak
Оцінки параметрів, отримані за цим методом, називають – МП
оцінками або оцінками максимальної правдоподібності.
 23

Частина 4. ПЕРЕВІРКА ОДНОРІДНОСТІ ВИБІРКОВОЇ СУКУПНОСТІ

Короткі теоретичні відомості

Критерій серій застосовується для перевірки гіпотези, яка стверджує,
що вибірка однорідна, тобто елементи вибірки отримані випадковим чином
і незалежні.
Опис критерію
Задана вибірка X  ( x1 , x2 , ...,xn ) .
Нульова гіпотеза H 0 : елементи вибірки отримані випадковим чином
і незалежні.
Обчислення статистики критерію:
1. Побудувати варіаційний ряд x1*  x2*  ...  xn * .
2. По побудованому варіаційному ряду знайти медіану hx * :
hx*  xk 1 * , якщо n = 2k + 1,
xk *  xk 1 *
hx*  , якщо n = 2k.
2
3. Кожному елементу вихідної вибірки поставити у відповідність
«+», якщо елемент xi  hx * ;
«-», якщо елемент xi  hx * .
Якщо елемент вихідного ряду збігається з медіаною, його необхідно
видалити.
4. Для отриманого ряду знаків ввести позначення
n1 – кількість «+»;
n2 – кількість «-»;
N – число серій.
Серією в цьому наборі називається всяка послідовність, що
складається з однакових знаків і обмежена протилежними знаками, або яка
перебуває на початку або наприкінці набору.
 24

5. Якщо min( n1 , n2 )  20 , то для перевірки можна використовувати

статистику критерію виду:
 2n1n2 
 N   1
 n1  n2 
z  N ( 0 ,1 ).
2n1n2 2n1n2  n1  n2 
n1  n2 2 n1  n2  1
6. Нульова гіпотеза приймається на рівні значущості, якщо вибіркове
значення статистики задовольняє однієї з нерівностей.
Двосторонній критерій: z *  u  .
1
2

Правобічний критерій: z*  u1   .

Лівобічний критерій: z*  u .
В цьому випадку вибірка однорідна.
 25

Частина 5. ПЕРЕВІРКА ГІПОТЕЗ ПРО ЗАКОН РОЗПОДІЛУ

(КРИТЕРІЇ ЗГОДИ)

Короткі теоретичні відомості

Критерієм згоди називають критерій перевірки гіпотези про
передбачуваний закон розподілу випадкової величини. Висування і
перевірка гіпотези про вид закону розподілу генеральної сукупності
зазвичай є завершальним етапом обробки одновимірної вибірки. На
практиці для висунення такої гіпотези попередньо виконується побудова
гістограми (див. лаб. роб. № 1), робиться припущення про закон розподілу і
оцінюються параметри розподілу (див. лаб. роб. № 3).
Для перевірки гіпотези про закон розподілу генеральної сукупності
застосовуються критерії Колмогорова, Пірсона, Смирнова і т.п. Всі ці
критерії ґрунтуються на порівнянні емпіричних (отриманих дослідним
шляхом) і теоретичних (обчислених в припущенні теоретичного закону
розподілу генеральної сукупності) частот або частостей.
Критерії згоди дозволяють визначити характер розбіжностей між
передбачуваним теоретичним і статистичним розподілом: чи пов'язані
розбіжності з випадковими факторами (обмежене число спостережень, n)
або вони істотні і пов'язані з тим, що підібрана крива погано вирівнює
статистичний розподіл.
Нульова гіпотеза H 0 полягає в тому, що випадкова величина X
підпорядкована деякому певному закону розподілу. Для перевірки цієї
гіпотези вибирають деяку випадкову величину U, що характеризує ступінь
розбіжності теоретичного та емпіричного розподілу. Випадкова величина U
вибирається таким чином, щоб при досить великих обсягах вибірки n був
відомий закон її розподілу і він практично не залежав від закону розподілу
випадкової величини X.
 26

Знаючи закон розподілу випадкової величини U, можна порахувати

ймовірність того, що вона не менше деякого фактичного значення, що
спостерігається: P( U  u )   . Якщо ця ймовірність мала, то гіпотезу H 0
слід відкинути, як малоправдоподібну. Якщо ця ймовірність – велика, то
кажуть що експериментальні дані не суперечать гіпотезі H 0 . Мала
ймовірність означає, що за рахунок чисто випадкових розбіжностей
відмінності між теоретичним і емпіричним розподілом не можуть бути
пояснені.

Критерій Пірсона ( "хі" -квадрат)

В якості міри розбіжності між передбачуваним теоретичним і
статистичним розподілами приймається величина, що дорівнює зваженій
сумі квадратів відхилень між теоретичною ймовірністю, розрахованою за
передбачуваним законом ( pi ), і статистичною ймовірністю ( pi * ).

Алгоритм застосування критерію Пірсона:

1. Виходячи з відомих значень емпіричних частот попадання в i-тий
інтервал, висувається нульова гіпотеза про передбачуваний закон розподілу
випадкової величини X і знаходяться параметри цього закону.
2. Визначають теоретичні частоти npi , відповідні частотам,
отриманим з експерименту.
pi  P( xi  X  xi1 )  F ( xi1 )  F ( xi ).
Тут pi – теоретична ймовірність попадання в i-ий інтервал:
Якщо серед експериментальних частот є нечисленні, то їх необхідно
об'єднати з сусідніми. Число інтервалів після об'єднання має бути не менше
4.
3. Визначається міра розбіжності між теоретичними і емпіричними
частотами:
 27

 *
2
k mi  npi 2 .
i 1 npi
4. Визначають число ступенів свободи r  k  s  1 , де k – кількість
інтервалів, s – число параметрів передбачуваного теоретичного розподілу.
5. На заданому рівні значущості  і з розрахованим числом ступенів
свободи r за таблицею розподілу  2 знаходять критичне значення  12 ,r .

6. Якщо  2*   12 ,r – приймається нульова гіпотеза (теоретичний

закон розподілу не суперечить емпіричним даним). Якщо  2*   12 ,r –

нульову гіпотезу відкидають.
Зауваження 1. Для об'єктивного прийняття рішення щодо нульової
гіпотези обсяг вибірки повинен бути досить великий, у всякому разі, не
менше 50. Кожна група повинна містити не менше 5-8 варіант, нечисленні
групи слід об'єднати в одну, підсумовуючи частоти.

Критерій згоди Колмогорова

В якості міри розбіжності приймається величина, пропорційна
максимуму абсолютної величини відхилень функцій розподілу
передбачуваного теоретичного закону і емпіричної функції розподілу
D  max F ( x )  F * ( x ) ,
де F*(x) – емпірична функція розподілу,
F(x) – теоретична функція розподілу.

Алгоритм застосування критерію Колмогорова:

1. Виходячи з відомих значень емпіричних частот попадання в i-тий
інтервал, висувають нульову гіпотезу про передбачуваний закон розподілу
випадкової величини X і знаходять його параметри.
2. В результаті n незалежних спостережень будується F*(x) –
емпірична функція розподілу неперервної випадкової величини Х. По
 28

розрахованим параметрам будується передбачувана теоретична функція

розподілу F(х).
3. Визначається міра розбіжності між теоретичними і емпіричними
значеннями функції розподілу:
*  D n  n  max F ( x )  F * ( x ) .
4. На заданому рівні значущості  за таблицею розподілу критичних
значень для критерію Колмогорова знаходять критичне значення  з
таблиці

 0.1 0.05 0.025 0.01 0.005 0.001

 1.22 1.36 1.48 1.63 1.73 1.95

5. Якщо *   – приймається нульова гіпотеза (теоретичний закон

розподілу не суперечить емпіричним даним). Якщо *   – нульову
гіпотезу відкидають.
 29

СПИСОК РЕКОМЕНДОВАНОЇ ЛІТЕРАТУРИ

Базова
1. Незамай, Б. С. Емпіричні методи програмної інженерії : конспект лекцій
/ Б. С. Незамай, М. М. Яцишин, Т. В. Дитко. - Івано-Франківськ:
ІФНТУНГ, 2014. - 74 с.
2. Приймак В.І., Голубник О.Р. Теорія ймовірностей та математична
статистика: Підручник. – Львів: ЛНУ ім. І. Франка, 2011. - 556 с.
3. Сеньо П.С. Теорія ймовірностей та математична статистика: Підручник.
- 2-е вид., перероб., доп. - К.: Знання, 2007. - 556 с.
4. Крамер Г. Математические методы статистики/ Пер. с англ. — М.: Мир,
1975
5. Кокс Д., Снелл Э. Прикладная статистика. Принципы и примеры / Пер. с
англ. — М.: Мир, 1982
6. Хан Г., Шапиро С. Статистические модели в инженерных задачах / Пер.
с англ.— М.: Мир, 1969
7. Кендалл М., Стьюарт А. Теория распределений/ Пер. с англ. — М.:
Наука, 1966
8. Кобзар А.И. Прикладная математическая статистика. Для инженеров и
научных работников. – М.: ФизМатЛит, 2006
9. Холлендер М., Вулф Л. Непараметрические методы статистики.— М.:
Мир, 1970.

Додаткова
1. Методичні вказівки до виконання самостійної роботи студентів з
кредитного модуля “Емпіричні методи програмної інженерії” для студентів
напряму підготовки 6.050103 “Програмна інженерія” / Уклад.: Л.І. Кублій –
К.: НТУУ “КПІ”, 2016. –23с.
 30

2. Драйад Д., Дмсеймс Ф., Рус М., Статистические методы в

эксперименте. — М.:, 2016.
3. Сборник задач по математике для втузов. Ч. 3.ТВ и МС: Учебное
пособие для втузов./Под ред. Ефимова А.В. – М.: Наука, 1990. – 428 с.
4. Гихман И.И. Скороход А.В., Ядренко М.И. Теория вероятностей и
математическая статистика. – К.: Вища шк., 1988. – 438с.
5. Гмурман В.Е. Руководство к решению задач по теории вероятностей и
математической статистике. – М.: Высшая шк., 1979. – 477с.
6. Розанов Ю.А. Теория вероятностей, случайные процессы и
математическая статистика: Учебник для вузов.-2-е изд., доп. - М.:Наука.
Гл. ред. физ.-мат. лит., 1989. - 320 с.
7. Anderson Theodore W. An Introduction to Multivariate Statistical Analysis,
3rd ed., Wiley-Interscience. – 2013. – 112 р.
8. Вероятность и математическая статистика: Энциклопедия /Под ред.
Ю.В.Прохорова. — М.: Большая российская энциклопедия, 2003. — 912 с.
9. Гайдышев И. Анализ и обработка данных: специальный справочник.–
СПб: Питер, 2001. – 752 с.
10. STATISTICA. Искусство анализа данных на компьютере: Для
профессионалов (2-е издание) Боровиков В. – Изд-во “Питер“, 2003. -688 с.
Інформаційні ресурси
1. Кальмушевский І.Г. Математична статистика// Методичні вказівки та
контрольні завдання для студентів, що навчаються за прискореною формою
навчання / І.Г. Кальмушевский – К: Державний університет комунікацій,
2010. – 88 с.: режим доступу: http://www.dut.edu.ua/ru/lib/7/category/
742/view/376
2. Русін Р.С. Теорiя ймовiрностей i математична статистика / Р.С. Русін //
Методичнi вказiвки до виконання розрахункових та контрольних робiт. –
Iвано-Франкiвськ: “Плай”, 2014 – 64 с.: режим доступу:
http://www.pu.if.ua/depart/EconomicCybernetics/resource/file99.pdff
 31

ДОДАТОК А
МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ
ДВНЗ «ДОНЕЦЬКИЙ НАЦІОНАЛЬНИЙ ТЕХНІЧНИЙ УНІВЕРСИТЕТ»
КАФЕДРА ПРИКЛАДНОЇ МАТЕМАТИКИ І ІНФОРМАТИКИ

Затверджую
зав. кафедри ПМІ,
д.т.н., проф. Дмитрієва
О.А.

__ ______________
20__ р.

ТЕХНIЧНЕ ЗАВДАННЯ
до курсової роботи з дисципліни
«ЕМПІРИЧНІ МЕТОДИ ПРОГРАМНОЇ ІНЖЕНЕРІЇ»
на тему:
«АЛГОРИТМІЧНІ І ПРОГРАМНІ ЗАСОБИ АНАЛІЗУ ВИБІРКОВИХ
СУКУПНОСТЕЙ»

Керівник: Виконав:
д.т.н., проф. каф. ПМІ Дмитрієва О.А., студент гр. _______

______________________ __________________
_________________20__ р. __ _________ 20__ р.

Покровськ – 20__ р.
 32

ВСТУП
Розробка орієнтована на закріплення теоретичного матеріалу та
придбання практичних навичок в дослідженні вибіркових сукупностей
предметної області програмної інженерії. Мета розробки полягає в
оволодінні аналітичними і графічними методами представлення вибіркової
сукупності, визначенні точкових і інтервальних оцінок із заданим рівнем
значущості, згладжуванні вибіркових даних, обґрунтуванні теоретичного
закону розподілу, проведенні порівняльного аналізу отриманих
безперервних розподілів за допомогою критеріїв погодження.

1 ПІДСТАВИ ДЛЯ РОЗРОБКИ

Курсовий проект виконується на підставі навчального плану
підготовки студентів за освітньо-кваліфікаційним рівнем «бакалавр» та
«Технічного завдання до курсового проекту» за дисципліною «Емпіричні
методи програмної інженерії» на тему: «Алгоритмічні і програмні засоби
аналізу вибіркових сукупностей» для студентів, що отримують освіту в
галузі знань 12 «Інформатика та обчислювальна техніка», спеціальності 121
«Інженерія програмного забезпечення»
Індивідуальні завдання на виконання курсового проекту (додатковий
файл з початковими даними) містять показники часу обробки SQL-запитів
до розподіленої бази даних у файл-серверній системі.

ЗАВДАННЯ НА КУРСОВИЙ ПРОЕКТ:

1. Для даних свого варіанта побудувати варіаційний, частотний та
інтервальний ряди.
2. Побудувати полігон, частотний полігон, гістограму, емпіричну
функцію розподілу F * ( x) . Для функції розподілу перевірити виконання
основних властивостей.
3. Знайти доброякісні точкові оцінки числових характеристик
 33

параметрів генеральної сукупності M ( x ), D( x ),  ( x ).

4. Знайти характеристики варіаційного ряду для досліджуваної
ознаки: моду Мо, медіану Me , розмах варіювання R, середнє абсолютне
відхилення θ, коефіцієнт варіації V.
5. «Грубим» і «точним» методами отримати інтервальні оцінки для
M ( x ) і D( x ) генеральної сукупності, задаючись значеннями довірчої
ймовірності 1  0.9 ,  2  0.95,  3  0.99 . Отримані межі інтервалів для
M ( x ) нанести на полігони частот або частостей.
6. По виду гістограми зробити припущення про закон розподілу.
Знайти параметри передбачуваного розподілу методом моментів і
максимальної правдоподібності. Виконати порівняльний аналіз отриманих
результатів. Всі знайдені аналітичні залежності зобразити графічно.
7. Сформулювати основну та альтернативну гіпотези і перевірити за
допомогою критерію серій однорідність вибіркової сукупності,
використовуючи рівень значимості   0.05 .
8. Перевірити узгодженість емпіричного і теоретичного законів
( )
2
розподілу за допомогою критеріїв Пірсона і Колмогорова.
Використовувати рівень значимості   0.01 .
9. Проаналізувати і порівняти результати.

2 ПРИЗНАЧЕННЯ РОЗРОБКИ
Під час виконання курсового проекту студент повинен опанувати
технологіями розробки Windows-додатків. Результатом розробки повинна
стати програмна модель, реалізована в одному із прийнятних для даної
проблематики стандартному математичному середовищі MathLab, MathCad,
Mathematica, Maple, в електронних таблицях EXСEL, пакеті STATISTICA з
використанням Windows-додатків.
 34

3 ВИМОГИ ДО ФУНКЦІОНУВАННЯ ПРОГРАМНОГО ВИРОБУ

3.1 Вимоги до надійності
Програмний виріб для забезпечення надійності функціонування
повинен:
1) перевіряти наявність всіх файлів даних;
2) забезпечити мінімізацію кількості інформації, що вводиться
користувачем;
3) контролювати коректність уведення даних користувачем;
4) обробляти виняткові ситуації, викликані некоректністю уведення
даних користувачем з метою запобігання переривання виконання програми.

3.2 Вимоги до складу й параметрів технічних засобів

Для функціонування програмного виробу необхідний персональний
комп'ютер зі стандартним набором периферійних пристроїв (монітор,
клавіатура, миша).

3.3 Вимоги до інформаційної й програмної сумісності

Курсовий проект може бути виконаний на будь-якій мові високого
рівня з використанням електронних таблиць EXСEL, пакету STATISTICA,
математичних середовищ MathLab, MathCad, Mathematica, Maple і т.п. і
працювати в середовищі MS Windows версії XP і вище.

4 СТАДІЇ Й ЕТАПИ РОЗРОБКИ

Таблиця 4.1 - Графік виконання курсового проекту
№ Найменування етапу Строк
виконання
тиждень дата
1 Видача завдання на курсовий проект. 1-2
З'ясування завдання. Складання технічного завдання і його
затвердження.
 35

2 2. Постановка завдання. 1-2:

2.1 Визначення предметної області. 1
2.2 Визначення програмних засобів для обробки вибіркових 1
даних.
2.3 Генерування вибіркової сукупності. 2
2.4 Побудова полігону, частотного полігону, гістограми, 2
функції розподілу вибіркової сукупності.
3 3. Технічне проектування: 3-5:
3.1 Оцінювання параметрів генеральної сукупності. 3
Визначення точкових оцінок параметрів, оцінювання 3
спроможності, незміщеності і ефективності
отриманих оцінок.
3.2 Побудова інтервальних оцінок. 4
3.3 Дослідження впливу рівня значущості на амплітуду 5
довіркового інтервалу.
3.4 Визначення типу розподілу, основних властивостей 5
отриманого розподілу.
4 4. Робоче проектування: 6-8
4.1 Розробка програмного інтерфейсу, оптимізація 6
структури програмної системи.
4.2 Згладжування (вирівнювання) вибіркових даних 6
графічними засобами MATHEMATICA Wolfram.
4.3 Визначення оцінок параметрів розподілу за 7
допомогою методів моментів, максимальної схожісті,
найменших квадратів.
4.4 Застосування програмних пакетів для перевірки 7
статистичних гіпотез.
4.5 Визначення припустимої та критичної (критичних) 8
областей прийняття гіпотез.
4.6 Оцінювання ймовірностей помилок першого і 8
другого роду.
4.7 Проведення порівняльного аналізу отриманих 8
безперервних розподілів за допомогою критеріїв
погодження.
4.8 Визначення оперативної характеристики критерію. 8
5 Комп’ютерна реалізація методів згладжування на 9-10
 36

програмних моделях
6 Проведення експериментів з моделями 10
7 Оформлення пояснювальної записки 10-12
8 Захист курсового проекту 11-12

5 ОФОРМЛЕННЯ ПОЯСНЮВАЛЬНОЇ ЗАПИСКИ

Загальні вимоги
Загальними вимогами текстової частини студентської роботи є
чіткість і логічна послідовність викладу матеріалу, переконливість
аргументації, стислість і точність формулювань, що виключають
можливість суб'єктивного й неоднозначного тлумачення, конкретність
викладу результатів виконання проведеної роботи, доказовість і
обґрунтованість рекомендацій і пропозицій, єдність термінів у межах
роботи і їхня відповідність установленим стандартам, а при відсутності
останніх - загальноприйнятим у науково-технічній літературі.
Не допускається використання в тексті «місцевих термінів»,
необхідно користуватися загальноприйнятими.
При викладі не допускається переписування загальних положень,
а так само визначень із підручників, навчальних статей, посібників і
інших джерел. При необхідності використання в текстовому документі
матеріалів з літературних джерел, необхідно робити на них посилання по
тексту. Структурні частини текстового документа починають із нового
аркуша, їх не нумерують. Заголовки структурних одиниць записуються
по центру й прописними буквами; підрозділи з нового рядка й тільки
перша буква прописна.
Сторінки нумеруються арабськими цифрами. Нумерація сторінок
наскрізна по всьому текстовому документу й проставляється в правому
верхньому куті сторінки. Титульний аркуш, список виконавців, завдання не
нумеруються, але входять у загальне число сторінок.
 37

При написанні пояснювальної записки використовується шрифт

Times New Roman, розмір 14, накреслення Звичайний. Забороняється
використовувати накреслення Курсив, Підкреслення й Напівжирний.
Обов'язкові складові:
- титульний аркуш;
- реферат;
- завдання на курсовий проект;
- зміст;
- вступ;
- основна частина;
- висновки;
- перелік посилань;
- додаткі.

6 ПОРЯДОК КОНТРОЛЮ Й ПРИЙОМУ

Курсовий проект виконується 12 тижнів. Пояснювальна записка до
курсового проекту надається на перевірку викладачам не менш чим за 3
робочі дні до дати захисту.
Захист відбувається в присутності комісії в складі 2-3 осіб і включає:
а) доповідь, що відбиває всі етапи проектування курсового проекту;
б) презентацію програми;
в) відповіді на запитання комісії.
Шкала оцінювання виконання курсового проекту

Виконання Оформлення Виступ з

Теоретичне Максимальна
програмного пояснювальної презентаціє
обґрунтування сума балів
опису записки ю
35 25 20 20 100
 38

ДОДАТОК Б

ВАРІАНТИ ЗАВДАНЬ ДО КУРСОВОЇ РОБОТИ

Вариант 1 Вариант 2 Вариант 3 Вариант 4 Вариант 5 Вариант 6 Вариант 7
4,433 1,487 0,382 10,562 20,443 1,404 41,271
4,041 6,817 0,656 9,267 15,290 0,303 33,217
5,973 7,075 0,176 9,740 15,077 0,472 56,071
3,099 7,212 0,415 9,922 27,974 0,131 52,397
4,163 8,303 0,455 11,890 22,266 0,013 48,984
5,037 2,818 0,311 7,069 15,648 0,488 42,774
4,937 3,677 0,282 7,631 27,535 0,179 59,175
4,286 4,686 0,187 5,796 23,063 0,810 44,152
4,528 7,879 0,182 9,381 22,380 0,658 51,056
3,257 8,493 0,005 9,768 29,229 1,117 53,461
4,783 9,843 0,719 13,485 17,037 2,368 60,531
4,577 5,795 0,111 11,182 24,738 0,261 41,589
5,639 7,908 0,046 7,854 18,168 0,660 52,681
4,575 8,256 0,250 9,712 15,160 2,926 28,745
4,566 5,737 0,981 12,442 19,798 1,523 52,300
3,740 7,591 0,080 13,168 18,702 0,022 55,458
4,489 3,470 0,573 8,146 19,543 0,264 47,558
4,972 6,399 0,430 9,352 24,912 3,882 37,678
6,375 6,428 1,653 8,088 15,837 0,249 45,388
3,738 8,947 0,114 11,067 23,352 0,170 67,764
3,666 8,403 0,993 13,609 20,160 1,117 45,445
3,842 7,670 0,431 9,586 26,847 0,152 39,030
3,681 1,606 0,128 9,736 25,431 0,267 48,663
3,159 9,547 0,037 10,473 21,574 0,055 44,597
4,095 6,902 0,365 14,607 17,630 1,486 52,223
5,047 8,474 0,319 10,140 23,417 2,293 70,312
4,277 4,956 0,195 8,954 20,402 0,774 32,403
3,437 4,325 0,481 7,758 18,276 0,329 53,669
4,825 3,951 0,200 10,464 24,250 1,101 46,832
4,452 6,431 0,254 9,677 20,334 0,258 39,486
4,124 1,349 0,161 9,715 29,236 0,379 66,951
4,581 6,160 0,256 7,741 26,789 0,030 45,569
5,363 2,727 0,216 11,452 28,395 1,401 56,272
3,845 7,946 0,026 10,659 27,060 1,362 54,976
5,133 5,696 0,262 10,586 16,631 0,550 51,202
2,252 2,632 0,102 11,326 25,567 2,168 44,088
4,372 9,925 0,021 11,431 20,812 1,680 55,816
4,428 9,060 0,147 11,562 27,876 0,125 50,915
4,945 3,277 0,200 6,828 25,478 1,271 57,402
4,735 7,097 0,475 11,410 17,843 1,816 49,899
3,789 5,972 0,048 8,205 18,975 0,517 32,305
3,149 9,841 1,170 9,438 27,782 0,279 57,334
3,713 8,316 0,152 9,769 29,355 0,694 57,640
5,755 1,367 0,768 7,868 16,963 0,415 52,902
4,623 2,924 0,145 8,739 27,627 0,238 36,772
2,826 6,008 0,528 9,508 19,641 2,199 37,851
4,796 8,513 0,023 7,762 27,789 4,007 50,022
4,506 3,068 0,002 10,148 18,998 0,631 47,634
5,633 1,813 0,042 7,762 25,452 0,317 42,609
3,208 8,144 0,242 11,237 23,569 1,152 54,847
4,097 3,909 0,357 7,765 19,329 0,941 49,296
2,371 3,727 0,692 8,395 25,741 0,959 52,513
2,176 7,037 0,149 11,156 24,983 0,457 48,872
3,803 9,427 0,272 9,536 16,784 0,309 41,166
4,370 2,388 0,536 8,402 19,981 0,382 53,779
3,123 8,825 1,362 9,552 29,728 0,644 49,682
2,779 4,640 0,308 8,690 17,425 2,169 40,512
5,088 5,748 0,142 11,574 21,179 0,499 43,904
4,854 7,790 0,027 10,692 23,337 1,144 46,223
4,431 8,120 0,502 11,177 22,951 0,082 45,727
4,016 6,757 0,941 12,662 24,520 0,620 50,548
2,298 4,710 0,099 7,986 18,047 0,936 58,467
2,018 9,541 0,518 12,101 25,176 0,228 43,617
3,395 3,953 0,110 11,381 15,506 0,314 35,330
2,965 8,047 0,258 8,377 16,003 2,750 35,008
3,042 7,513 0,245 11,638 25,133 3,215 56,612
4,673 2,337 0,242 5,379 22,388 1,943 45,856
1,306 9,676 0,119 11,142 16,192 0,428 45,081
5,242 5,129 0,013 9,214 27,565 0,715 45,707
4,925 8,805 0,735 5,668 24,104 0,850 53,927
3,906 6,316 0,093 9,681 25,529 0,607 33,966
4,450 9,534 0,079 11,581 15,452 0,097 73,920
2,949 5,672 0,288 10,030 26,371 1,914 44,857
5,576 1,658 0,776 3,988 23,390 0,170 52,857
5,018 8,119 0,424 8,002 19,420 0,367 34,468
3,427 1,290 0,142 9,629 24,053 1,008 34,673
5,212 2,578 0,571 5,601 20,270 0,022 45,126
4,469 8,585 0,204 14,297 26,131 1,157 43,671
2,966 9,089 0,341 11,814 17,037 0,310 38,425
3,489 6,124 0,316 11,805 16,366 1,784 36,845
4,940 5,172 0,440 9,637 16,373 1,195 48,217
5,036 4,529 0,996 8,841 27,481 0,216 50,063
4,632 2,255 0,078 8,851 21,380 0,731 34,693
3,806 6,252 0,031 10,146 20,229 0,270 58,285
4,773 3,317 0,221 11,700 17,611 0,678 59,392
3,503 2,721 0,088 8,494 24,806 0,173 45,443
2,996 1,663 0,508 10,522 26,042 0,406 51,280
4,621 3,128 0,095 9,649 16,705 0,207 59,817
3,384 3,648 0,849 7,149 26,105 1,654 39,295
3,897 4,325 0,450 8,292 26,947 0,228 60,243
3,934 6,672 1,014 10,629 29,299 0,601 59,864
3,109 4,681 0,077 12,988 17,059 0,079 58,221
5,746 5,534 0,487 7,466 15,476 0,584 33,244
4,258 1,800 1,301 10,741 24,943 1,621 60,417
2,726 8,841 0,252 8,989 19,929 1,859 49,248
6,374 6,220 0,201 11,486 25,601 0,100 61,376
3,603 5,227 0,416 7,373 28,596 0,846 43,193
3,417 1,522 0,052 9,656 18,779 1,001 50,280
3,037 4,867 0,198 11,235 26,075 0,663 53,449
4,241 6,679 0,047 10,893 16,438 1,377 33,224
3,559 5,955 0,165 10,938 25,523 1,475 51,781
2,750 3,714 0,190 11,744 18,162 0,116 28,205
5,723 3,651 0,143 7,177 26,222 0,795 53,230
5,407 5,024 0,484 9,095 20,996 0,106 43,770
4,816 6,694 0,279 8,120 27,708 1,005 50,853
4,978 5,466 0,136 11,915 25,469 1,400 58,754
3,815 7,948 0,203 3,180 22,678 2,767 51,748
4,391 2,771 0,574 7,842 21,653 0,306 50,652
3,252 4,629 0,085 11,963 20,622 0,242 47,542
4,313 6,138 0,076 8,968 15,772 0,853 58,329
5,201 6,184 0,985 10,030 22,678 0,616 37,590
2,222 1,443 0,443 7,346 21,270 2,286 57,799
3,428 1,722 0,089 10,770 22,867 1,265 43,260
4,516 2,734 0,689 6,749 19,740 3,464 40,863
3,058 5,460 0,078 10,604 24,799 1,636 47,245
1,569 2,930 0,164 10,124 23,386 1,517 46,188
4,680 9,906 0,218 12,946 22,790 0,948 33,338
2,931 2,591 0,648 8,566 17,655 1,600 64,386
3,364 9,429 0,371 8,759 27,645 0,398 57,873
3,207 6,405 0,159 10,413 20,832 0,045 48,023
4,164 2,520 0,366 11,597 18,664 0,882 34,058
4,776 5,610 0,036 9,832 26,369 0,183 35,910
3,970 5,954 0,018 10,200 27,525 0,785 51,978
1,713 1,382 0,184 8,745 25,547 0,027 45,229
4,612 4,254 0,297 8,835 19,596 0,353 47,565
4,794 4,735 0,196 6,973 17,499 0,730 63,381
5,397 9,014 0,095 8,319 21,233 2,417 52,542
2,976 8,144 1,060 6,828 16,090 0,214 23,873
4,374 8,839 0,178 9,106 16,493 4,476 67,698
3,962 1,838 0,225 7,389 21,378 1,122 49,303
3,704 4,704 0,040 10,670 25,240 1,122 35,533
5,163 1,999 0,691 8,382 25,563 0,951 57,943
5,407 8,699 0,187 11,018 21,906 1,014 65,416
3,855 1,010 0,031 10,308 25,356 0,455 46,897
3,682 5,793 0,067 10,134 17,022 0,201 56,376
5,570 9,702 0,072 8,008 16,013 0,090 64,482
3,652 3,248 0,084 10,951 27,875 4,069 42,203
2,035 1,213 0,575 10,882 24,792 1,561 50,209
4,926 1,425 0,798 10,289 27,423 1,123 57,782
3,941 9,669 0,379 11,139 15,830 0,115 56,433
4,329 2,824 0,054 12,811 22,910 1,065 60,978
4,549 7,457 0,538 8,800 27,506 0,606 72,662
3,243 5,279 0,036 8,572 17,492 1,513 44,340
3,139 7,583 0,095 9,945 21,193 0,046 37,877
4,237 4,821 0,287 9,697 23,925 0,395 49,504
3,973 8,734 0,062 9,177 26,408 0,987 38,481
3,981 5,873 0,437 8,694 25,442 0,708 40,173
3,069 7,288 0,055 11,129 28,302 0,184 57,241
3,866 2,781 0,256 10,631 24,593 1,144 45,269
5,093 6,974 0,418 11,033 16,288 0,149 34,171
4,686 3,309 0,130 13,427 28,999 1,160 53,812
4,533 9,959 0,124 9,511 17,915 0,827 45,796
4,524 7,451 0,312 7,618 26,001 1,586 34,305
4,672 4,151 0,791 13,151 23,158 0,573 42,144
4,749 7,361 0,496 10,147 24,765 0,322 43,532
5,728 8,595 0,051 10,107 27,064 0,036 52,548
4,024 6,351 0,273 11,839 29,172 0,594 51,298
3,682 8,330 0,533 10,591 18,179 0,374 59,001
2,582 2,795 0,190 11,351 23,984 3,401 45,393
3,685 7,731 0,591 12,401 17,574 0,623 39,948
2,368 2,593 0,375 9,521 28,043 0,542 61,676
5,706 3,028 0,110 10,639 25,951 0,087 58,476
2,867 4,474 0,193 11,439 28,803 0,815 35,657
2,976 3,144 0,251 10,638 28,856 0,014 52,622
4,364 6,798 0,005 9,630 19,100 0,679 50,841
3,799 3,541 0,070 9,039 15,630 1,414 55,644
2,553 5,572 0,615 10,884 22,971 0,897 42,237
5,155 1,562 0,821 9,847 20,588 0,386 53,512
4,456 7,488 0,087 13,253 23,460 1,584 26,122
4,276 3,570 0,155 11,281 16,864 0,863 51,001
2,712 6,035 0,065 12,018 16,977 0,150 46,964
4,374 5,246 0,720 8,626 20,673 0,632 44,687
4,802 5,254 0,148 9,201 17,385 0,435 55,080
3,507 3,411 0,199 8,865 19,647 0,010 22,827
4,262 9,067 0,648 13,242 17,704 1,738 50,435
3,177 8,976 0,702 11,251 22,969 0,015 44,390
3,278 3,354 0,541 9,180 16,509 1,824 38,064
4,895 8,278 0,420 12,834 22,385 0,642 28,693
3,808 4,110 0,251 7,534 22,521 0,034 48,699
4,265 9,682 0,016 9,424 17,036 0,245 29,368
4,879 9,206 0,557 10,529 20,914 0,015 69,101
5,393 2,212 0,271 8,413 20,139 3,618 47,148
4,643 7,774 0,635 9,599 16,338 1,309 42,230
4,638 9,878 0,239 9,639 21,128 0,034 53,038
3,918 1,654 0,461 10,602 20,379 1,541 62,784
5,091 2,705 0,659 7,215 22,006 0,960 42,380
5,264 5,405 0,570 13,424 22,588 0,057 66,424
2,634 3,221 0,124 12,187 22,118 1,889 48,601
3,942 2,052 1,150 14,232 25,289 1,058 64,285
4,186 4,398 0,129 12,573 23,438 0,519 54,314
3,216 6,922 0,440 9,477 26,724 0,707 39,919
5,168 7,859 0,078 11,486 16,117 0,203 37,760
2,741 1,910 1,144 11,600 24,166 0,845 60,422
3,428 1,364 0,049 13,901 26,886 1,353 49,431
4,971 8,241 0,682 10,269 16,581 0,423 54,988
3,480 1,250 0,448 12,216 27,040 1,561 41,678
3,560 1,093 0,114 14,605 17,600 0,312 49,149
4,265 5,707 0,539 9,827 26,963 2,623 49,516
5,780 2,123 0,110 10,259 15,859 0,513 44,565
4,654 2,100 0,021 11,427 28,487 2,440 56,097
Вариант 8 Вариант 9 Вариант 10 Вариант 11 Вариант 12 Вариант 13 Вариант 14
44,996 1,667 35,185 217,900 0,045 7,62920 0,19830
58,126 0,701 30,634 207,744 15,496 7,57347 0,17327
55,318 0,324 33,272 249,371 6,610 10,40940 0,07204
59,876 2,967 42,713 228,148 5,781 6,48941 0,13199
51,806 1,118 27,476 229,709 15,909 8,23503 0,21394
46,574 0,126 39,359 226,816 0,339 8,66776 0,18148
49,067 3,667 19,464 221,925 1,710 9,71957 0,02957
50,004 2,526 27,269 233,909 0,164 7,71021 0,40635
48,748 3,236 34,803 228,037 3,627 7,68892 0,11062
43,294 2,021 16,694 226,651 3,626 6,66465 0,71477
45,516 0,321 17,838 207,501 3,553 9,24790 0,05903
52,629 0,622 40,442 206,181 20,118 9,25612 0,00887
48,433 0,111 41,898 200,410 3,117 8,26707 0,10479
55,712 0,025 26,811 247,138 1,494 8,62224 0,10097
41,229 0,616 42,648 245,909 0,622 9,05547 0,07037
56,289 0,149 23,183 220,613 2,158 7,11517 0,10137
56,092 0,751 32,222 226,499 4,815 9,51799 0,01396
49,398 0,939 35,554 236,480 2,241 6,53537 0,00511
59,693 1,437 16,975 236,306 2,561 9,00914 0,01917
48,531 1,349 24,617 226,356 7,678 9,20153 0,41043
56,174 1,432 24,492 238,367 6,179 9,61041 0,02175
57,333 0,100 36,072 223,982 7,775 8,90417 0,12909
45,176 0,315 30,606 209,053 0,517 7,71547 0,25369
40,633 2,437 32,827 216,232 1,322 7,50833 0,18422
58,153 0,668 27,119 242,737 0,916 7,71457 0,10168
47,756 2,452 33,168 204,795 3,871 8,86705 0,02235
59,129 0,854 23,478 202,504 4,184 9,01489 0,10449
47,734 1,685 36,928 225,480 7,707 8,73307 0,17952
54,654 0,027 35,716 208,224 5,971 7,67621 0,29636
55,266 0,675 33,749 243,214 2,949 8,73413 0,00783
44,103 0,169 24,601 207,206 2,222 9,39795 0,18839
59,243 3,420 29,836 240,659 0,381 7,10783 0,28827
51,535 0,237 32,583 249,275 0,902 6,76939 0,28363
49,955 1,669 19,807 220,505 3,853 7,45193 0,88402
40,865 0,726 46,618 249,341 6,158 9,84722 0,17437
41,528 0,414 35,134 238,474 2,593 7,51066 0,08948
49,753 1,970 28,056 209,347 0,564 8,41513 0,05108
47,475 1,748 36,100 226,334 2,172 7,27194 0,11233
43,689 4,007 45,589 225,146 0,411 9,34778 0,13553
52,103 0,354 21,401 200,999 21,329 8,50719 0,04988
51,765 0,762 23,248 239,021 8,244 7,45393 0,04811
58,843 1,954 24,866 204,648 0,722 8,69074 0,40000
41,304 1,525 24,263 248,522 11,124 8,11831 0,70321
53,451 2,234 19,211 202,514 2,160 7,78641 0,00378
51,460 0,353 28,640 217,621 13,183 9,39847 0,01683
44,656 0,697 41,624 217,676 6,921 7,37884 0,19663
48,405 0,118 30,164 238,372 5,677 7,50227 0,04117
50,331 0,594 36,356 209,095 0,461 7,67642 0,12928
41,942 2,109 30,717 243,478 6,413 8,08508 0,36832
56,089 5,067 37,953 242,426 8,146 7,30561 0,00737
45,369 0,921 33,076 248,834 2,180 8,24341 0,22331
57,271 0,143 37,200 237,265 8,928 9,37013 0,15100
44,589 4,282 38,419 237,115 1,660 9,32725 0,07597
43,671 1,190 32,491 226,723 1,030 8,90376 0,25453
56,927 0,524 21,139 248,818 0,246 8,03978 0,21358
43,249 4,160 38,136 232,172 2,074 8,80537 0,27088
48,092 0,464 26,212 212,529 2,912 6,31874 0,19119
42,883 7,203 32,356 211,987 11,593 9,43902 0,76762
56,979 0,545 39,149 202,145 7,386 7,92765 0,27253
57,217 2,271 36,155 222,134 12,184 8,62798 0,63883
59,874 3,116 28,808 236,758 2,755 7,43576 0,00694
41,560 2,237 32,415 232,566 1,781 7,93489 0,27366
40,912 1,426 33,604 214,298 3,053 6,28499 0,17518
54,138 0,084 43,349 249,648 0,350 9,12736 0,01207
46,507 0,366 40,855 247,644 5,405 7,49793 0,01007
54,461 0,091 37,152 206,238 7,360 9,05159 0,25731
42,568 3,988 20,761 235,000 14,154 8,14249 0,22723
50,755 1,626 32,289 203,568 5,474 8,68146 0,05765
52,587 0,516 22,253 232,144 4,668 8,04989 0,28879
40,184 6,168 27,647 216,429 4,919 9,54803 0,45552
51,382 0,007 28,480 226,643 1,136 8,42386 0,09781
53,630 2,805 25,882 206,868 4,578 8,65538 0,36872
48,034 3,233 27,716 206,813 1,388 9,43027 0,27774
57,535 1,214 27,075 213,325 0,212 10,34900 0,43361
57,300 5,332 44,706 248,109 16,410 7,91343 0,17337
41,352 3,572 27,626 236,693 4,019 8,62721 0,03892
51,513 10,600 27,178 246,958 0,398 9,14779 0,23842
51,747 2,664 30,390 242,970 3,990 9,10710 0,37899
52,114 3,578 24,564 218,182 0,411 10,05040 0,19402
53,632 1,301 43,985 247,992 3,316 9,03494 0,39090
55,336 0,784 30,322 246,116 3,593 8,15447 0,16379
50,500 4,387 19,139 245,230 2,429 7,93448 0,14486
50,990 5,082 27,685 238,026 12,395 9,03214 0,04778
51,421 1,673 35,418 237,748 5,134 7,35085 0,08362
53,491 0,986 22,485 205,068 0,707 9,68761 0,11416
45,019 3,544 43,237 228,523 13,859 8,97195 0,11999
52,469 3,057 40,465 232,198 0,821 8,87097 0,01819
43,615 0,871 33,273 227,238 23,071 8,95727 0,14992
52,710 8,789 35,013 202,802 7,410 9,16510 0,04138
47,054 0,450 32,839 240,398 0,511 9,69485 0,43597
56,417 0,353 28,366 238,020 1,132 8,80741 0,19822
41,214 3,725 33,658 229,282 12,618 7,26863 0,18781
57,525 0,688 26,167 243,204 1,892 8,55693 0,15578
51,883 0,439 39,487 241,041 8,518 8,87020 0,19148
55,149 0,059 25,547 203,405 5,548 6,58575 0,13739
49,998 1,536 30,407 224,574 5,708 10,31330 0,04185
40,519 2,093 36,981 235,543 12,331 9,81107 0,03289
52,090 5,754 39,553 216,369 2,998 10,47940 0,92834
45,362 3,832 16,016 230,784 2,984 9,15616 0,40356
57,894 1,150 33,005 236,022 9,598 9,65281 0,05874
46,856 2,923 32,019 231,018 0,210 7,78163 0,01361
50,418 3,560 22,407 213,183 3,338 8,65805 0,01034
49,884 0,668 31,382 205,706 12,370 8,52619 0,35998
50,202 7,575 27,917 203,059 9,175 9,07703 0,04328
43,225 0,553 21,358 216,220 10,075 6,45900 0,02901
45,321 3,523 29,785 205,236 3,250 9,00953 0,05613
59,046 9,055 31,628 231,801 11,532 7,58916 0,48287
49,175 1,226 36,926 218,299 4,712 8,25648 0,16458
40,191 4,923 34,021 205,482 1,689 8,81535 0,07382
46,445 0,700 32,614 215,422 16,777 9,16054 0,48417
50,007 3,907 24,165 216,747 11,593 8,84308 0,16478
54,426 3,519 29,142 227,528 0,835 8,13356 0,32548
58,613 0,171 26,035 234,370 7,209 10,15130 0,36582
58,365 0,572 28,438 234,109 1,418 9,31277 0,23260
44,502 0,421 25,070 217,022 7,293 6,84493 0,44085
47,814 9,724 30,842 204,406 3,677 6,32952 0,65296
52,253 2,595 34,775 241,278 0,476 8,04298 0,06277
51,807 3,494 43,088 217,786 6,674 7,38382 0,21195
40,220 1,734 19,697 207,152 3,138 7,98222 0,29428
48,096 1,847 38,996 205,266 11,483 8,96783 0,27878
40,288 0,722 32,416 230,624 3,099 7,43614 0,42702
45,869 0,208 32,549 215,928 0,172 8,81894 0,19399
48,064 1,334 36,687 225,004 2,647 9,72681 0,44604
52,918 2,188 15,179 217,483 17,106 8,97586 0,33271
48,090 1,485 32,877 206,867 2,710 7,86219 0,04918
45,852 6,326 26,920 244,375 5,798 10,45770 0,34676
59,987 0,352 16,985 221,414 2,211 10,05670 0,14369
45,249 1,908 28,113 204,310 0,442 9,08058 0,05144
47,754 1,085 28,702 225,645 0,124 7,75777 0,11103
57,042 0,910 25,138 222,571 2,300 7,78612 0,02597
55,665 1,161 25,839 205,843 3,942 7,54631 0,03880
45,770 1,289 30,400 227,124 9,058 10,05840 0,07439
44,493 0,953 13,590 223,274 0,715 7,04828 0,06140
44,604 1,174 45,568 205,255 2,894 6,92599 0,05240
45,914 1,217 26,283 232,496 2,297 7,01675 0,18574
41,879 0,937 20,103 210,695 0,366 8,41591 0,12860
59,019 0,881 28,864 219,615 4,542 8,81453 0,14976
57,880 0,137 26,364 230,569 4,401 8,18580 0,10267
54,508 1,763 30,625 248,911 1,558 9,20224 0,13183
49,288 1,164 27,751 215,287 2,758 9,84181 0,12640
44,773 0,463 29,710 208,658 0,322 9,41917 0,28743
59,836 0,859 40,773 217,052 2,034 10,01530 0,08437
44,988 2,334 16,484 200,229 0,624 7,89028 0,05424
45,300 0,460 33,994 221,180 1,289 8,94047 0,05446
42,684 3,298 32,659 249,048 3,387 9,18128 0,05935
57,757 1,386 31,926 245,773 1,211 9,55101 0,35972
46,562 2,603 31,608 240,926 9,175 8,85604 0,23777
54,743 0,519 30,576 210,778 3,422 8,91604 0,14006
41,861 0,583 35,581 228,541 0,827 8,55699 0,33828
46,177 1,042 32,417 205,725 1,377 9,47133 0,17138
45,656 1,725 30,838 236,957 0,588 7,53319 0,48272
54,723 0,775 23,211 228,783 0,081 9,02191 0,00144
41,348 8,325 18,139 242,523 13,058 8,43371 0,03567
40,970 0,834 33,498 234,070 5,053 7,32899 0,13397
47,629 4,436 25,033 206,977 0,241 7,50758 0,40298
40,662 1,679 22,894 205,641 0,584 9,71149 0,06014
44,657 0,489 14,505 208,403 4,357 7,94760 0,15010
45,807 0,099 39,263 225,535 3,914 9,98427 0,13801
43,615 3,110 26,511 213,561 6,545 8,87256 0,16005
58,591 6,751 26,409 222,606 0,583 7,61057 0,15398
47,799 1,276 42,576 219,058 2,782 8,16810 0,24155
57,120 1,588 22,117 247,365 1,372 8,15989 0,01668
57,378 0,437 27,032 228,958 12,538 7,72333 0,08518
45,849 0,190 16,651 236,620 1,647 9,74356 0,14681
50,080 0,239 19,750 230,601 5,864 10,31350 0,13320
45,693 1,251 31,333 231,530 1,785 7,07974 0,30313
45,286 3,384 42,577 229,468 12,777 9,13232 0,00975
46,734 0,210 21,972 241,466 1,244 8,64122 0,25891
40,958 1,954 25,828 232,512 1,315 8,81652 0,04651
41,238 0,983 35,492 222,384 5,558 8,51394 0,02586
40,042 0,378 36,978 218,121 0,936 9,56426 0,00818
47,214 5,339 41,911 217,580 10,699 8,37841 0,04200
50,912 2,420 21,121 228,905 6,009 8,17763 0,02528
51,489 10,172 33,270 201,530 1,789 7,51365 0,23940
46,650 1,033 36,943 224,003 3,310 9,71775 0,02359
49,928 0,327 28,058 243,370 1,578 7,83417 0,10461
48,309 1,968 30,318 211,251 6,361 8,19261 0,17894
59,840 0,418 29,905 244,742 0,857 9,27329 0,09514
41,593 0,876 20,849 242,547 2,016 9,48418 0,10190
57,037 0,787 24,240 221,406 4,507 7,59059 0,35266
54,840 1,222 37,202 217,632 0,448 7,71237 0,05687
48,085 0,989 21,357 247,754 2,196 9,83589 0,18307
41,507 0,671 29,260 210,463 2,805 7,74664 0,00952
57,184 0,626 31,468 232,486 0,810 8,67483 0,12461
45,412 1,180 32,933 203,074 3,932 7,57749 0,36033
56,603 1,040 20,173 222,525 12,679 7,70639 0,00463
48,295 3,498 25,240 238,421 5,345 7,68519 0,70580
59,322 0,440 28,458 249,233 0,076 8,24809 0,01411
47,938 0,083 30,549 213,979 3,958 8,33908 0,02084
41,549 3,148 18,295 209,574 1,271 8,27651 0,20923
45,185 1,034 35,860 215,427 7,498 9,22266 0,12780
48,627 0,112 21,280 214,716 14,312 8,65243 0,06518
47,988 0,195 26,845 207,521 2,638 8,79733 0,10659
51,420 0,053 32,497 247,921 0,005 9,45539 0,07958
44,373 0,536 30,780 238,000 11,493 7,47357 0,08853
57,064 1,503 39,727 228,701 7,019 8,78662 0,46235
54,438 4,320 29,905 205,588 7,857 7,84695 0,01251
55,580 0,625 23,147 239,756 0,392 9,27192 0,37318
42,022 3,426 28,592 245,956 9,603 7,68275 0,44813
57,815 2,597 28,239 239,360 13,922 9,18004 0,19154
Вариант 15 Вариант 16 Вариант 17 Вариант 18
10,46750 25,71190 4,53055 7,76885
13,30150 21,03250 2,39502 8,40089
11,23500 22,34280 1,79457 9,03077
12,67270 26,07420 1,21054 8,17974
11,09220 23,92860 2,36897 8,65324
12,36090 9,90698 2,95141 10,89930
11,83250 17,21680 2,87669 10,28240
11,53960 17,28140 2,25364 8,46862
10,79070 19,12600 8,15720 9,99194
12,71870 18,40450 0,39259 11,46870
10,15500 23,19520 7,96267 10,35560
11,69670 16,48790 2,70822 10,13650
13,32270 22,99900 5,09483 8,17839
12,26480 23,30110 4,66072 7,85793
10,10990 24,64070 7,75020 10,61920
10,11360 22,96080 2,62414 10,88490
12,41200 19,06740 0,61810 8,37720
13,98520 23,58480 6,93904 10,42810
10,00580 16,49030 1,22532 8,83643
13,36720 24,27770 10,50150 7,66729
10,88830 18,25050 0,03924 9,36224
11,93320 19,76080 1,03604 8,62900
12,61840 14,83780 8,80005 9,53082
11,80130 20,14510 1,07156 7,71357
14,43400 18,37570 1,43775 9,79675
14,36330 15,99980 0,71808 11,26560
13,35390 24,99870 3,11019 10,58200
12,79330 12,16090 0,84687 8,72685
12,68670 17,66050 3,34862 8,44392
12,01950 18,48790 1,38143 11,02090
11,68770 20,20120 1,22625 8,63064
12,05080 25,49650 10,03540 8,34300
14,56380 13,91990 10,92520 11,09500
10,71370 24,43530 1,42475 7,67627
14,08500 14,81270 6,94509 9,49291
13,00060 9,89623 5,63124 8,92258
12,58140 16,00190 11,98620 8,54256
10,90090 16,72960 5,26891 11,17420
10,48880 16,40360 3,96191 10,79850
13,54250 16,80500 4,16858 7,85805
13,66530 12,74020 16,53830 8,47954
11,26840 20,01050 6,33239 9,81285
12,36850 20,31440 0,11614 8,16624
14,41510 21,36740 6,52930 11,33390
10,33380 22,14090 2,45466 7,65423
14,43030 14,29170 0,23211 8,32842
11,16930 23,76040 2,54582 9,34936
10,18010 24,68700 6,09182 11,48710
10,77590 24,04670 1,48995 11,48840
12,70050 17,64290 1,16785 7,80444
13,33910 20,48030 1,98370 9,98894
10,22780 28,51010 0,47724 10,66360
14,19010 22,62280 2,18300 9,71365
13,85240 21,49510 0,97175 10,32610
12,46110 17,61690 5,41472 10,37290
14,84660 16,27580 4,12001 10,13600
12,02660 22,13300 0,94487 10,78190
10,75480 25,01530 3,07105 11,44240
11,12670 24,01030 2,54234 8,93613
11,16800 19,25000 1,78903 9,01924
14,33490 19,95710 0,93477 10,93450
10,93390 22,96860 4,88396 10,69160
13,30910 25,34250 8,01438 9,07443
10,44110 19,06680 1,82379 7,76561
10,31660 15,21110 8,43772 8,09223
13,75120 20,58510 5,21717 10,47970
11,97580 17,14330 2,74599 9,12584
12,32150 14,22070 0,85917 8,97903
13,51230 23,50250 2,01386 8,23540
12,13820 21,86920 2,11010 10,18960
10,12160 23,29470 2,39558 10,68020
13,34010 13,17390 0,92124 10,52990
12,71600 29,20240 4,98303 10,47120
11,35380 11,30610 5,00724 11,41940
12,06290 23,38090 0,60776 11,12480
12,68190 21,30450 2,15700 10,87210
11,69660 21,50310 1,94463 11,16100
14,87450 14,02310 0,55362 11,45700
12,56110 21,32330 0,46186 10,17020
13,60030 17,61850 6,73510 8,59633
11,90540 22,47190 2,32147 10,81320
14,76720 15,04160 1,79479 8,05521
14,35490 23,78220 2,48689 8,55616
11,22770 15,32470 13,17370 9,55180
10,91440 26,11070 1,66116 9,88391
11,43520 17,40050 5,69296 10,34160
14,62960 16,63570 0,29456 10,72200
14,62080 22,36930 6,98718 9,87595
12,25080 25,77780 2,98435 10,60720
14,91010 26,20290 3,04679 10,97240
14,22210 24,12190 4,03885 9,42146
13,72000 14,32500 8,65366 9,06390
13,23600 18,84340 11,09710 8,25179
10,39980 17,48650 5,90592 9,56817
10,30060 26,02410 2,12559 11,23310
10,79560 20,64570 2,03473 7,59623
12,76340 19,76230 3,59997 7,58640
12,66670 16,05990 6,64703 10,56070
12,14250 24,10750 8,94334 8,87170
14,34910 15,93680 7,21780 10,76850
11,86230 11,03610 0,72400 10,16210
12,40560 22,20780 2,27389 10,26810
10,27220 23,24050 6,47953 8,65054
13,73740 21,17240 0,42744 10,40340
13,55270 26,44160 9,07324 7,57201
11,34170 6,44064 9,38169 8,39938
13,95850 22,28310 4,90609 10,49660
12,13700 20,98610 0,47138 9,61609
14,08840 15,13250 5,46520 9,30179
14,44630 19,27410 7,12553 9,02681
12,84460 23,40070 9,14217 11,48770
11,45350 11,51670 6,47657 10,86630
11,34320 5,14909 1,98517 10,09940
12,18080 21,94000 1,47469 8,84085
10,34400 13,14590 1,42879 9,48086
12,36070 13,23020 0,70423 8,18208
11,86690 19,17370 1,41113 7,92179
14,59000 23,72400 0,78207 8,59288
12,60040 26,45080 6,01219 9,61760
12,79020 28,85630 1,11087 9,86668
14,28410 16,25840 9,37024 7,98183
11,63580 18,70080 4,11089 7,85778
11,96800 27,85510 1,70306 9,48191
13,19850 14,08630 1,42800 7,98515
11,56160 15,92940 3,62289 8,33781
11,30850 15,99960 0,98826 9,00465
11,79750 16,68560 7,17704 11,26440
14,43970 17,32250 4,73904 9,49300
10,96760 14,61020 1,05568 11,44810
14,66850 17,74670 9,24737 8,65577
13,13690 7,09387 6,23382 9,11115
11,32310 22,10630 3,94815 10,76170
14,96660 21,59760 0,35974 8,34772
14,97090 14,19850 2,57189 11,29620
14,49970 25,25990 0,65708 7,72128
14,51930 20,58800 6,21820 9,79759
13,43720 24,91620 0,58786 9,86885
12,13050 18,18820 6,58702 8,26796
13,66460 15,33160 0,34779 8,87481
10,09360 20,50310 7,46170 10,32630
10,80670 17,70180 2,35207 10,04850
14,25820 25,32570 3,00795 11,00730
11,27450 13,74930 15,95460 8,25212
10,70940 19,00510 13,45690 10,65970
12,97810 31,38470 3,13252 8,92647
14,32020 25,85110 12,22390 7,88323
14,59760 13,13390 0,83274 10,16790
10,39300 22,42970 16,22990 8,80636
11,01280 27,31300 0,49728 10,43740
11,37150 24,98580 10,27560 7,59943
14,18680 18,30720 0,07764 8,19577
12,94330 31,32690 1,68017 9,63466
10,07780 12,01540 3,28030 9,31754
13,78870 26,72700 4,70059 8,37575
10,57740 18,30590 1,39282 9,81455
11,61820 12,42380 8,24165 8,77713
10,94740 12,14640 4,55388 10,54720
14,44370 21,96780 3,60639 9,12981
11,65230 10,02490 2,74999 10,00720
12,10050 20,96780 3,83948 8,82053
11,93210 16,57490 1,75437 8,41686
13,96250 13,54710 2,34582 8,14907
13,76880 15,13490 1,13615 7,68417
11,38430 11,99680 2,14100 9,48761
12,69230 22,08520 4,84603 10,63600
10,82080 18,78070 1,65769 9,90678
13,70620 18,76980 19,34890 11,19150
14,58240 20,01200 4,30901 10,91950
13,46270 28,15330 0,24102 10,93590
10,62950 18,82510 3,13557 8,52070
11,08610 20,00080 8,43457 10,11420
14,07380 24,33810 1,49291 8,39312
11,47840 21,16320 3,03799 7,55070
12,79700 18,17580 3,79377 7,97015
10,91050 18,77410 1,09687 8,24912
12,85990 20,02780 1,40500 10,05320
10,41330 24,26770 0,22735 7,94247
14,19730 24,45650 1,89255 10,86750
10,15290 27,24860 6,43159 8,32531
10,09030 20,14440 0,78500 10,73020
12,29680 16,33960 3,87823 10,96930
14,50850 20,20710 5,26777 9,48179
10,42410 28,78970 1,78054 11,05790
14,45910 20,41470 2,01454 7,50121
10,24830 19,55070 4,29758 10,13770
14,78710 18,03170 1,25368 8,49485
12,38970 22,30330 0,85944 10,57570
10,19410 21,08160 7,48622 9,44300
10,11420 14,60870 11,68880 10,11940
14,30690 15,52700 1,09028 9,91328
12,59000 28,38540 0,15357 10,38170
23,97550 4,41717 11,47360 7,68846
17,10590 2,97739 0,05234 9,95274
12,59290 20,12140 3,22693 8,30252
14,64570 20,43730 3,90956 11,436
13,01980 23,28010 0,52962 10,0243
12,89630 12,88680 0,10581 9,29854
12,57940 12,61370 2,36492 8,72531
13,31560 19,73270 17,77900 9,7302
13,29070 18,20310 3,43450 10,5544
 МЕТОДИЧНІ ВКАЗІВКИ
до виконання курсової роботи з дисципліни
«ЕМПІРИЧНІ МЕТОДИ ПРОГРАМНОЇ ІНЖЕНЕРІЇ»
на тему:
«АЛГОРИТМІЧНІ І ПРОГРАМНІ ЗАСОБИ АНАЛІЗУ ВИБІРКОВИХ
СУКУПНОСТЕЙ»
(для студентів спеціальності
121 «Інженерія програмного забезпечення»
всіх форм навчання)

Укладач:
д.т.н., проф. Дмитрієва Ольга Анатоліївна

Покровськ – 2019