Функция плотности вероятности | |||
Кумулятивная функция распределения | |||
Параметры | |||
---|---|---|---|
Поддерживать | |||
CDF | |||
Иметь в виду | |||
Медиана | Нет простой закрытой формы | Нет простой закрытой формы | |
Режим | |||
Дисперсия | |||
Асимметрия | |||
Бывший. эксцесс | |||
Энтропия | |||
MGF | |||
CF | |||
Метод моментов |
В теории вероятностей и статистике , то гамма - распределение является двух- параметра семейства непрерывных вероятностных распределений . Экспоненциальное распределение , распределение Эрланга и распределение хи-квадрат представляют собой частные случаи гамма - распределения. Обычно используются три различных параметризации :
- С параметром формы k и параметром масштаба θ .
- С параметром формы α = k и параметром обратного масштаба β = 1 / θ , называемым параметром скорости .
- С параметром формы k и средним параметром μ = kθ = α / β .
В каждой из этих трех форм оба параметра являются положительными действительными числами.
Гамма-распределение - это максимальное распределение вероятностей энтропии (как относительно однородной базовой меры, так и относительно базовой меры 1 / x ) для случайной величины X, для которой E [ X ] = kθ = α / β фиксировано и больше отлична от нуля, и фиксировано E [ln ( X )] = ψ ( k ) + ln ( θ ) = ψ ( α ) - ln ( β ) ( ψ - дигамма-функция ). [1]
Определения [ править ]
Параметризация с помощью k и θ , по-видимому, более распространена в эконометрике и некоторых других прикладных областях, где, например, гамма-распределение часто используется для моделирования времени ожидания. Например, в жизненном тестировании время ожидания смерти является случайной величиной, которая часто моделируется с помощью гамма-распределения. См. Подробное объяснение мотивации у Хогга и Крейга [2] .
Параметризация с альфа и β является более распространенным в статистике байесовской , где распределение гаммы используются в качестве конъюгата предварительного распределения для различных типов обратной шкалы (скорость) параметры, такие , как Х в качестве экспоненциального распределения или распределение Пуассона [3] - или, если на то пошло, β самого гамма-распределения. Тесно связаны между собой обратное распределение гамма используется в качестве конъюгата для предварительного масштабных параметров, таких как дисперсии в виде нормального распределения .
Если k - положительное целое число , то распределение представляет собой распределение Эрланга ; т.е. сумма k независимых экспоненциально распределенных случайных величин , каждая из которых имеет среднее значение θ .
Характеристика с использованием формы α и коэффициента β [ править ]
Гамма-распределение может быть параметризовано с помощью параметра формы α = k и параметра обратного масштаба β = 1 / θ , называемого параметром скорости . Случайная величина X , имеющая гамма-распределение с формой α и коэффициентом β , обозначается
Соответствующая функция плотности вероятности в параметризации скорости формы равна
где - гамма-функция . Для всех положительных целых чисел .
Кумулятивная функция распределения является регуляризованными гамма - функция:
где - нижняя неполная гамма-функция .
Если α является положительным целым числом (т. Е. Распределение является распределением Эрланга ), кумулятивная функция распределения имеет следующее разложение в ряд: [4]
Характеристика с использованием формы k и шкалы θ [ править ]
Случайная величина X , имеющая гамма-распределение формы k и масштабом θ , обозначается как
Функция плотности вероятности с использованием параметризации в масштабе формы имеет вид
Здесь Γ ( k ) - гамма-функция, вычисленная при k .
Кумулятивная функция распределения является регуляризованными гамма - функция:
где - нижняя неполная гамма-функция .
Это также может быть выражено следующим образом, если k - положительное целое число (т. Е. Распределение является распределением Эрланга ): [4]
Обе параметризации являются общими, поскольку любая из них может быть более удобной в зависимости от ситуации.
Свойства [ править ]
Асимметрия [ править ]
Асимметрия гамма-распределения зависит только от его параметра формы, k , и равна
Расчет медианы [ править ]
В отличие от режима и среднего, которые имеют легко вычисляемые формулы на основе параметров, медиана не имеет уравнения в замкнутой форме. Медиана для этого распределения определяется как такое значение , что
Строгое рассмотрение проблемы определения асимптотического разложения и оценок для медианы гамма-распределения впервые было выполнено Ченом и Рубином, которые доказали, что (для )
где - среднее значение, а - медиана распределения. [5]
К. П. Чой нашел первые пять членов асимптотического разложения медианы, сравнив медиану с функцией Рамануджана . [6] Берг и Педерсен нашли больше терминов: [7]
Они также доказали многие свойства медианы, показали, что она является выпуклой функцией от , [8] и показали, что асимптотика около равна . [7]
Суммирование [ править ]
Если X i имеет гамма- распределение ( k i , θ ) для i = 1, 2, ..., N (т. Е. Все распределения имеют одинаковый масштабный параметр θ ), то
условие , что все X я являюсь независимыми .
Для случаев , когда Х я являются независимыми , но имеют разные параметры шкалы см Mathai [9] или Moschopoulos. [10]
Гамма-распределение демонстрирует бесконечную делимость .
Масштабирование [ править ]
Если
тогда для любого c > 0
- по моментным производящим функциям,
или эквивалентно, если
- (параметризация скорости формы)
В самом деле, мы знаем, что если X - экспоненциальная с.в. со скоростью λ, то cX - экспоненциальная с.в. со скоростью λ / c ; то же самое верно и с вариациями гаммы (и это можно проверить с помощью функции генерирования моментов , см., например, эти примечания , 10.4- (ii)): умножение на положительную константу c делит коэффициент (или, что то же самое, умножает масштаб).
Экспоненциальная семья [ править ]
Гамма-распределение представляет собой двухпараметрическое экспоненциальное семейство с естественными параметрами k - 1 и −1 / θ (эквивалентно α - 1 и - β ) и естественной статистикой X и ln ( X ).
Если параметр формы k сохраняется фиксированным, результирующее однопараметрическое семейство распределений является естественным экспоненциальным семейством .
Логарифмическое ожидание и дисперсия [ править ]
Можно показать, что
или эквивалентно,
где - дигамма-функция . Так же,
где - тригамма-функция .
Это может быть получено с использованием формулы экспоненциального семейства для производящей функции момента достаточной статистики , потому что одна из достаточных статистик гамма-распределения - это ln ( x ).
Информационная энтропия [ править ]
Информационная энтропия является
В к , θ параметризация, то информационная энтропия задается
Расхождение Кульбака – Лейблера [ править ]
Кульбак-Либлер дивергенция (KL-дивергенция), гамма ( & alpha ; р , β р ) ( "истина" распределение) от гаммы ( α д , β д ) ( "аппроксимирующее" распределение) дается формулой [11]
Записанное с использованием параметризации k , θ , KL-дивергенция гаммы ( k p , θ p ) от Gamma ( k q , θ q ) задается выражением
Преобразование Лапласа [ править ]
Преобразование Лапласа гамма-PDF имеет вид
Связанные дистрибутивы [ править ]
Общие [ править ]
- Пусть будут независимыми и одинаково распределенными случайными величинами с экспоненциальным распределением с параметром скорости λ, тогда ~ Gamma (n, 1 / λ), где n - параметр формы, а 1 / λ - масштаб.
- Если X ~ Gamma (1, 1 / λ) (параметризация формы и масштаба), то X имеет экспоненциальное распределение с параметром скорости λ.
- Если X ~ Gamma (ν / 2, 2) (параметризация формы и масштаба), то X идентично χ 2 ( ν ), распределению хи-квадрат с ν степенями свободы. Наоборот, если Q ~ χ 2 ( ν ) и c - положительная постоянная, то cQ ~ Gamma ( ν / 2, 2 c ).
- Если k является целым числом , гамма-распределение является распределением Эрланга и представляет собой распределение вероятностей времени ожидания до k- го «прибытия» в одномерном пуассоновском процессе с интенсивностью 1 / θ . Если
- тогда
- Если X имеет распределение Максвелла – Больцмана с параметром a , то
- .
- Если X ~ Gamma ( k , θ ), то следует экспоненциально-гамма-распределение (сокращенно exp-gamma). [12] Иногда его называют логарифмически-гамма-распределением. [13] Формулы для его среднего и дисперсии находятся в разделе # Логарифмическое ожидание и дисперсия .
- Если X ~ Gamma ( k , θ ), то следует обобщенное гамма-распределение с параметрами p = 2, d = 2 k , и [ необходима цитата ] .
- В более общем смысле, если X ~ Gamma ( k , θ ), то для следует обобщенное гамма-распределение с параметрами p = 1 / q , d = k / q и .
- Если X ~ Gamma ( k , θ ), то 1 / X ~ Inv-Gamma ( k , θ −1 ) (см. Обратное гамма-распределение для вывода).
- Параметризация 1: Если независимы, то , что эквивалентно,
- Параметризация 2: Если независимы, то , что эквивалентно,
- Если X ~ Gamma ( α , θ ) и Y ~ Gamma ( β , θ ) распределены независимо, то X / ( X + Y ) имеет бета-распределение с параметрами α и β , а X / ( X + Y ) не зависит из X + Y , который является гамма ( α + β , θ ) -distributed.
- Если X i ~ Gamma ( α i , 1) распределены независимо, то вектор ( X 1 / S , ..., X n / S ), где S = X 1 + ... + X n , следует дирихле распределение с параметрами α 1 , ..., α n .
- Для больших k гамма-распределение сходится к нормальному распределению со средним μ = kθ и дисперсией σ 2 = kθ 2 .
- Гамма-распределение - это априорное сопряжение для точности нормального распределения с известным средним .
- Распределение Уишарта является многомерным обобщением гамма-распределения (выборки представляют собой положительно определенные матрицы, а не положительные действительные числа).
- Гамма-распределение - это частный случай обобщенного гамма-распределения , обобщенного целочисленного гамма-распределения и обобщенного обратного гауссова распределения .
- Среди дискретных распределений отрицательное биномиальное распределение иногда считается дискретным аналогом гамма-распределения.
- Распределения Твиди - гамма-распределение является членом семейства моделей экспоненциальной дисперсии Твиди .
Составная гамма [ править ]
Если параметр формы гамма-распределения известен, но параметр обратного масштаба неизвестен, то гамма-распределение для обратного масштаба образует сопряженный априор. Распределение соединения , которое является результатом интегрирования по обратной шкале, имеет в замкнутой форме решение, известное как распределение гамма - соединение . [14]
Если вместо этого параметр формы известен, но среднее значение неизвестно, а априор среднего значения задается другим гамма-распределением, тогда получается K-распределение .
Статистический вывод [ править ]
Оценка параметров [ править ]
Оценка максимального правдоподобия [ править ]
Функция правдоподобия для N iid наблюдений ( x 1 , ..., x N ) равна
из которого мы вычисляем функцию логарифма правдоподобия
Нахождение максимума относительно θ путем взятия производной и установки ее равной нулю дает оценку максимального правдоподобия параметра θ :
Подставляя это в функцию логарифма правдоподобия, получаем
Нахождение максимума по k , взяв производную и установив ее равной нулю, дает
где ψ - дигамма-функция . Для k не существует решения в закрытой форме . Функция имеет очень хорошее числовое поведение, поэтому, если требуется численное решение, его можно найти, используя, например, метод Ньютона . Начальное значение k можно найти либо методом моментов , либо с помощью приближения
Если мы позволим
тогда k приблизительно
что находится в пределах 1,5% от правильного значения. [15] Явная форма обновления Ньютона – Рафсона этого начального предположения: [16]
Оценщики в закрытой форме [ править ]
Существуют согласованные оценки k и θ в замкнутой форме , которые выводятся из вероятности обобщенного гамма-распределения . [17]
Оценка формы k :
а оценка масштаба θ равна
Если используется параметризация скорости, оценка .
Эти оценщики не являются строго оценщиками максимального правдоподобия, а вместо этого называются оценщиками логарифмического момента смешанного типа. Однако они имеют такую же эффективность, что и оценки максимального правдоподобия.
Хотя эти оценки согласованы, они имеют небольшую погрешность. Вариант оценки для шкалы θ с поправкой на смещение :
Поправка смещения для параметра формы k задается как [18]
Минимальная байесовская среднеквадратическая ошибка [ править ]
При известном k и неизвестном θ функция апостериорной плотности для theta (с использованием стандартного масштабно-инвариантного априорного значения для θ ) равна
Обозначение
Интегрирование по θ может быть выполнено с использованием замены переменных, обнаруживающей, что 1 / θ является гамма-распределенным с параметрами α = Nk , β = y .
Моменты можно вычислить, взяв отношение ( m на m = 0)
который показывает, что оценка среднего ± стандартное отклонение апостериорного распределения для θ равна
Байесовский вывод [ править ]
Сопрягать до [ править ]
В умозаключениях байесовских , то гамма - распределение является сопряженным до многих распределений правдоподобия: Пуассон , экспоненциальный , нормальный (с известным средним), Парето , гамма с известной формой сгом , обратной гаммой с известным параметром формы и Гомпертцем с известным параметром масштаба.
Сопряженный априор гамма-распределения : [19]
где Z - нормирующая постоянная, не имеющая решения в замкнутой форме. Апостериорное распределение можно найти, обновив параметры следующим образом:
где n - количество наблюдений, а x i - i- е наблюдение.
Возникновение и применение [ править ]
Гамма-распределение использовалось для моделирования размера страховых случаев [20] и осадков. [21] Это означает, что совокупные страховые выплаты и количество осадков, накопленных в водохранилище, моделируются с помощью гамма-процесса - так же, как экспоненциальное распределение генерирует процесс Пуассона .
Гамма - распределение также используются для модели ошибок в многоуровневых регрессии Пуассона моделей, так как смесь из распределений Пуассона с гамма - распределенных ставками известного распределения закрытой формы, называется отрицательными биномиальной .
В беспроводной связи гамма-распределение используется для моделирования многолучевого замирания мощности сигнала; [ Править ] Смотрите также распределение Рэлея и райсовское распределение .
В онкологии возрастное распределение заболеваемости раком часто следует гамма-распределению, тогда как параметры формы и масштаба предсказывают, соответственно, количество событий, вызывающих рак, и временной интервал между ними. [22]
В неврологии гамма-распределение часто используется для описания распределения интервалов между спайками . [23] [24]
В бактериальной экспрессии гена , то число копий из конститутивно выраженного белка часто следует гамма - распределение, где масштаб и параметр формы представляют собой, соответственно, среднее число очередей на клеточный цикл и среднее число белковых молекул , полученных с помощью одной мРНК в ходе его время жизни. [25]
В геномике гамма-распределение применялось на этапе вызова пика (то есть при распознавании сигнала) при анализе данных ChIP-chip [26] и ChIP-seq [27] .
Гамма-распределение широко используется в качестве априорного конъюгата в байесовской статистике. Это сопряженная априорная величина для точности (т.е. обратная дисперсии) нормального распределения . Это также сопряженный априор для экспоненциального распределения .
Генерация случайных величин с гамма-распределением [ править ]
Учитывая указанное выше свойство масштабирования, достаточно сгенерировать гамма-переменные с θ = 1, поскольку позже мы можем преобразовать в любое значение β простым делением.
Предположим, мы хотим сгенерировать случайные величины из Gamma ( n + δ , 1), где n - неотрицательное целое число и 0 < δ <1. Используя тот факт, что распределение Gamma (1, 1) совпадает с Exp (1) распределений, и отмечая метод генерации экспоненциальных переменных , приходит к выводу , что , если U будет равномерно распределен на (0, 1], то -ln ( U ) распределяются Gamma (1, 1) (т.е. обратного преобразования выборки ). Теперь, используя свойство « α -сложение» гамма-распределения, мы расширяем этот результат:
где все U k равномерно распределены на (0, 1] и независимы . Теперь осталось только сгенерировать переменную, распределенную как Gamma ( δ , 1) для 0 < δ <1, и применить свойство « α -сложение» один раз подробнее Это самая сложная часть.
Случайная генерация гамма-переменных подробно обсуждается Devroye, [28] : 401–428, отмечая, что ни одна из них не является равномерно быстрой для всех параметров формы. При малых значениях параметра формы алгоритмы часто не работают. [28] : 406 Для произвольных значений параметра формы можно применить модифицированный метод приемки-отклонения Аренса и Дитера [29] Алгоритм GD (форма k ≥ 1) или метод преобразования [30], когда 0 < k <1. Также см. Cheng and Feast Algorithm GKM 3 [31] или метод сжатия Марсальи. [32]
Ниже приводится версия метода приемо-отклонения Аренса-Дитера : [29]
- Сгенерируйте U , V и W при изменении iid uniform (0, 1).
- Если тогда и . В противном случае и .
- Если тогда переходите к шагу 1.
- ξ распределяется как Γ ( δ , 1).
Краткое изложение этого
где - целая часть k , ξ генерируется с помощью описанного выше алгоритма с δ = { k } (дробная часть k ) и все U k независимы.
Хотя описанный выше подход технически верен, Деврой отмечает, что он линейен по значению k и в целом не является хорошим выбором. Вместо этого он рекомендует использовать методы на основе отклонения или таблицы, в зависимости от контекста. [28] : 401–428
Например, простой метод отклонения преобразования Марсальи, основанный на одной нормальной переменной X и одной однородной переменной U : [33]
- Установите и .
- Установить .
- Если и вернитесь , иначе вернитесь к шагу 2.
With генерирует случайное число с гамма-распределением во времени, которое примерно постоянно с k . Скорость приема зависит от k , с коэффициентом приема 0,95, 0,98 и 0,99 для k = 1, 2 и 4. Для k <1 можно использовать для увеличения k, чтобы его можно было использовать с этим методом.
Примечания [ править ]
- ^ Park, Sung Y .; Бера, Анил К. (2009). "Модель условной гетероскедастичности авторегрессии максимальной энтропии" (PDF) . Журнал эконометрики . 150 (2): 219–230. CiteSeerX 10.1.1.511.9750 . DOI : 10.1016 / j.jeconom.2008.12.014 . Архивировано из оригинального (PDF) 07 марта 2016 года . Проверено 2 июня 2011 .
- ^ Хогг, RV ; Крейг, А. Т. (1978). Введение в математическую статистику (4-е изд.). Нью-Йорк: Макмиллан. С. Замечание 3.3.1. ISBN 0023557109.
- ^ Масштабируемая рекомендация с факторизацией Пуассона , Прем Гопалан, Джейк М. Хофман, Дэвид Блей , arXiv.org 2014
- ^ a b Папулис, Пиллаи, Вероятность, случайные переменные и случайные процессы , четвертое издание
- ^ Джисен Чен, Герман Рубин , Границы разницы между медианой и средним гамма- и пуассоновым распределениями, Статистические и вероятностные письма, том 4, выпуск 6, октябрь 1986 г., страницы 281–283, ISSN 0167-7152 , [1] .
- ^ Чой, КП "О медианах гамма-распределений и уравнении Рамануджана" , Труды Американского математического общества, Vol. 121, № 1 (май 1994 г.), стр. 245–251.
- ^ a b Берг, Кристиан и Педерсен, Хенрик Л. (март 2006 г.). «Гипотеза Чена – Рубина в непрерывной ситуации» (PDF) . Методы и приложения анализа . 13 (1): 63–88. DOI : 10.4310 / MAA.2006.v13.n1.a4 . S2CID 6704865 . Дата обращения 1 апреля 2020 .
- ^ Берг, Кристиан и Педерсен, Хенрик Л. "Выпуклость медианы в гамма-распределении" .
- ^ Mathai, AM (1982). «Вместимость плотины с вводами гамма-типа». Летопись Института статистической математики . 34 (3): 591–597. DOI : 10.1007 / BF02481056 . ISSN 0020-3157 . S2CID 122537756 .
- ^ Moschopoulos, PG (1985). «Распределение суммы независимых гамма-случайных величин». Летопись Института статистической математики . 37 (3): 541–544. DOI : 10.1007 / BF02481123 . S2CID 120066454 .
- ^ WD Penny, [www.fil.ion.ucl.ac.uk/~wpenny/publications/densities.ps KL-дивергенции нормальных плотностей, гамма, Дирихле и Вишарта] [ требуется полная ссылка ]
- ^ https://reference.wolfram.com/language/ref/ExpGammaDistribution.html
- ^ https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.loggamma.html#scipy.stats.loggamma
- ^ Дубей, Satya D. (декабрь 1970). «Составное гамма-, бета- и F-распределения». Метрика . 16 : 27–31. DOI : 10.1007 / BF02613934 . S2CID 123366328 .
- ^ Минка, Томас П. (2002). «Оценка гамма-распределения» (PDF) . Cite journal requires
|journal=
(help) - ^ Чой, Южная Каролина; Wette, R. (1969). «Максимально правдоподобная оценка параметров гамма-распределения и их смещения». Технометрика . 11 (4): 683–690. DOI : 10.1080 / 00401706.1969.10490731 .
- ↑ Zhi-Sheng Ye & Nan Chen (2017) Оценки в закрытой форме для гамма-распределения, полученные из уравнений правдоподобия The American Statistician, 71: 2, 177-181
- ^ Франсиско Лузада, Педро Л. Рамос, Эдуардо Рамос. (2019) Примечание о смещении оценок в закрытой форме для гамма-распределения, полученных из уравнений правдоподобия . Американский статистик 73: 2, страницы 195–199.
- ^ Финк, Д. 1995 Компендиум сопряженных приоров . Отчет о выполнении: Расширение и совершенствование методов для постановки целей по качеству данных. (Контракт Министерства энергетики США 95‑831).
- ^ стр. 43, Филип Дж. Боланд, Статистические и вероятностные методы в актуарной науке, Chapman & Hall CRC 2007
- ^ Акса, H. (2000) "Применение гаммы - распределение в Гидрологическом анализе" , Турок Дж Engin Environ Sci , 24, 419 - 428.
- ↑ Беликов, Алексей В. (22 сентября 2017 г.). «Число ключевых канцерогенных событий можно предсказать по заболеваемости раком» . Научные отчеты . 7 (1): 12170. DOI : 10.1038 / s41598-017-12448-7 . PMC 5610194 . PMID 28939880 .
- ^ JG Robson и JB Troy, "Природа поддерживаемого разряда Q, X и Y ганглиозных клеток сетчатки кошки", J. Opt. Soc. Являюсь. А 4, 2301–2307 (1987)
- ^ MCM Wright, IM Winter, JJ Forster, S. Bleeck «Реакция на всплески тона с наилучшей частотой в вентральном ядре улитки определяется упорядоченной статистикой интервала между спайками», Hearing Research 317 (2014)
- ^ Н. Фридман, Л. Цай и XS Xie (2006) "Связь стохастической динамики с распределением населения: аналитическая основа экспрессии генов", Phys. Rev. Lett. 97, 168302.
- ^ DJ Reiss, MT Facciotti и NS Baliga (2008) «Модельная деконволюция связывания ДНК в масштабе всего генома» , Bioinformatics , 24, 396-403
- ^ MA Mendoza-Parra, M Nowicka, W Van Gool, H Gronemeyer (2013) «Характеристика паттернов связывания ChIP-seq с помощью деконволюции формы пика на основе модели» , BMC Genomics , 14: 834
- ^ a b c Деврой, Люк (1986). Генерация неоднородной случайной величины . Нью-Йорк: Springer-Verlag. ISBN 978-0-387-96305-1. См. Главу 9, раздел 3.
- ^ а б Аренс, JH; Дитер, У (январь 1982 г.). «Генерирование гаммы изменяется с помощью модифицированной техники отклонения». Коммуникации ACM . 25 (1): 47–54. DOI : 10.1145 / 358315.358390 . S2CID 15128188 . . См. Алгоритм GD, стр. 53.
- ^ Аренс, JH; Дитер, У. (1974). «Компьютерные методы выборки из гамма-, бета-, пуассоновского и биномиального распределений». Вычислительная техника . 12 (3): 223–246. CiteSeerX 10.1.1.93.3828 . DOI : 10.1007 / BF02293108 . S2CID 37484126 .
- ^ Cheng, RCH, и Feast, GM Некоторые простые генераторы гамма-изменения. Appl. Стат. 28 (1979), 290–295.
- ^ Марсалья, Г. Метод сжатия для генерации гамма-вариаций. Comput, Math. Appl. 3 (1977), 321–325.
- ^ Marsaglia, G .; Цанг, WW (2000). «Простой метод генерации гамма-переменных». Транзакции ACM на математическом ПО . 26 (3): 363–372. DOI : 10.1145 / 358407.358414 . S2CID 2634158 .
Внешние ссылки [ править ]
В статистике Викибука есть страница по теме: Гамма-распределение |
- "Гамма-распределение" , Математическая энциклопедия , EMS Press , 2001 [1994]
- Вайсштейн, Эрик В. «Гамма-распределение» . MathWorld .
- ModelAssist (2017) Использование гамма-распределения в моделировании рисков, включая прикладные примеры в Excel .
- Справочник по инженерной статистике