- •Ю.Ю. Герасимов, в.К. Хлюстов
- •Математические методы и модели в расчетах на эвм: применение в лесоуправлении и экологии
- •Часть 1. Вариационная статистика
- •Глава 1.
- •1.1. Общие положения
- •1.2. Основные понятия статистики
- •1.3. Основы теории вероятностей
- •1.3.1. Понятие случайной величины
- •1.3.2. Классическое и статистическое определения вероятности события
- •1.3.3. Основные теоремы теории вероятностей
- •1.4. Контрольные вопросы и задания
- •Глава 2.
- •2.1. Постановка задачи
- •2.2. Классификация и группировка вариант
- •2.3. Графическое представление вариационных рядов
- •2.4.1. Показатели центральной тенденции
- •2.4.2. Показатели вариации
- •2.4.3. Достоверность статистических показателей
- •2.4.4. Показатели скошенности и крутизны
- •2.5. Доверительный интервал
- •2.6. Контрольные вопросы и задания
- •Глава 3.
- •3.1. Постановка задачи
- •3.2. Нормальное распределение
- •3.3. Логнормальное распределение
- •3.4.2. Бета-распределение
- •3.5. Распределение Пуассона
- •3.6. Семейство кривых распределения Джонсона
- •3.7. Семейство кривых Пирсона
- •Контрольные вопросы и задания
- •Глава 4.
- •4.1. Постановка задачи
- •4.3. Сравнение эмпирического распределения с теоретическим (критерий "хи-квадрат")
- •4.5. Сравнение дисперсий двух эмпирических совокупностей
- •4.6. Сравнение частот взвешенных рядов по критерию
- •4.7. Использование пакетов прикладных программ
- •4.8. Контрольные вопросы и задания
- •Глава 5.
- •5.1. Постановка задачи
- •5.2. Однофакторный комплекс
- •5.3. Двухфакторный комплекс
- •5.4. Использование ms Excel для проведения дисперсионного анализа
- •5.4.1. Однофакторный дисперсионный анализ
- •5.4.2. Двухфакторный дисперсионный анализ без повторения
- •5.5. Контрольные вопросы и задания
- •Глава 6.
- •6.1. Постановка задачи
- •6.2. Коэффициент корреляции
- •6.3. Корреляционное отношение
- •6.4. Схема полного корреляционного анализа
- •6.5. Использование пакетов прикладных программ Вычисление коэффициента корреляции с использованием ms Excel
- •Контрольные вопросы и задания
- •Глава 7.
- •7.1. Постановка задачи
- •7.2. Статистический анализ одномерных моделей
- •Уравнение прямой линии
- •Уравнение гиперболы
- •Уравнение показательной кривой
- •Окончательный выбор типа уравнения регрессии
- •7.4. Множественная регрессия
- •7.5. Применение ms Excel для расчета регрессии
- •Часть 2. Исследование операций
- •Глава 8.
- •8.1. Общие положения
- •8.2. Основные понятия системного анализа
- •8.3. Основные понятия исследования операций
- •8.4. Постановка задач принятия оптимальных решений
- •8.5. Контрольные вопросы и задания
- •Глава 9.
- •9.1. Постановка задачи
- •9.2. Графическое решение задачи линейного программирования
- •9.3. Задача линейного программирования в стандартной форме
- •Преобразования неравенств
- •Преобразование неограниченных по знаку переменных
- •2.4. Основы симплекс - метода линейного программирования
- •9.5. Метод искусственных переменных
- •9.6. Анализ чувствительности в линейном программировании
- •9.7. Решение задач линейного программирования на эвм
- •9.8. Контрольные вопросы и задания
- •Глава 10.
- •10.1. Постановка задачи
- •10.2. Метод ветвей и границ
- •10.3. Рекомендации по формулировке и решению задач цп
- •10.4. Задачи оптимизации раскроя
- •XA 0, xB 0, k 0 - целые.
- •XA 0, xB 0, k 0 - целые.
- •10.5. Постановка задачи дискретного программирования
- •Решение задач целочисленного и дискретного программирования на эвм
- •10.7. Контрольные вопросы и задания
- •Глава 11.
- •11.1. Общие понятия
- •11.2. Практические рекомендации при постановке задач динамического программирования
- •11.3. Оптимальное распределение ресурсов
- •11.4. Оптимальное управление запасами
- •11.5. Оптимальная политика замены оборудования
- •11.6. Контрольные вопросы и задания
- •Глава 12.
- •12.1. Постановка задачи
- •12.2. Применение стохастического программирования
- •12.3. Метод статистического моделирования
- •12.4. Контрольные вопросы и задания
- •Глава 13.
- •13.1. Постановка задач нелинейного программирования
- •13.2. Безусловная однопараметрическая оптимизация
- •13.2.1. Методы исключения интервалов
- •13.2.2. Методы полиномиальной аппроксимации
- •13.2.3. Методы с использованием производных
- •13.2.4. Сравнение методов безусловной однопараметрической оптимизации
- •13.3. Безусловная многопараметрическая оптимизация
- •13.3.1. Постановка задачи
- •13.3.2. Методы прямого поиска
- •13.3.3. Градиентные методы
- •13.4. Нелинейная условная оптимизация
- •13.4.1. Постановка задач условной нелинейной оптимизации
- •13.4.2. Методы штрафных функций
- •13.4.3. Методы прямого поиска
- •13.4.4. Методы линеаризации
- •13.5. Решение задач нелинейной оптимизации на эвм
- •13.6. Контрольные вопросы и задания
- •Приложение 1 Значения t - распределения Стьюдента при доверительной вероятности р и числе степеней свободы k
- •Плотность вероятности нормального распределения
- •Приложение 3 Значения χ2 при доверительной вероятности р и числе степеней свободы k
- •Продолжение приложения 3
- •Значения -функции
- •Приложение 5 Значения - в распределении Джонсона
- •Продолжение приложения 5
- •Продолжение приложения 5
- •Продолжение приложения 5
- •Приложение 6
- •Продолжение приложения 6
- •Продолжение приложения 6
- •Продолжение приложения 6
- •Приложение 7
- •Продолжение приложения 7
- •Продолжение приложения 7
- •Продолжение приложения 7
3.2. Нормальное распределение
Этот тип непрерывного распределения, открытого в 1733 г. Муавром, имеет плотность распределения:
(3.1)
и функцию распределения (т. е. функцию накопленной вероятности):
, (3.2)
где
M - среднее значение;
- среднее квадратическое отклонение.
Этими двумя параметрами нормальное распределение определяется однозначно, так как =3,142… и е=2,718... - общеизвестные константы.
Графически плотность распределения f(x) представляет собой симметричную относительно точки х = M колоколообразную кривую, форма которой зависит от величины среднего квадратического отклонения , являющегося параметром масштаба, а положение определяется величиной M (рис. 3.1). Кривая имеет один максимум 1/ , две точки перегиба на расстоянии ±σ от M и асимптотически приближается к оси х на ±. Пользуясь формулами (2.2), (2.13), можно выразить моменты нормального распределения через его параметры. В частности, имеем 0=1, 1==0, 2=σ2, 3=0 (нулю равны все нечетные моменты), 4=3σ4. Поэтому равенство нулю показателей косости и крутости - необходимое и достаточное условие, чтобы некоторое распределение было нормальным.
Закон нормального распределения играет особую роль как в теории статистического анализа, так и в его приложениях. Центральная предельная теорема утверждает, что распределение суммы независимых случайных величин (i=1,2, ..., N) стремится к нормальному при неограниченном увеличении n, если все величины имеют конечные средние и дисперсии и ни одна из них по своему значению резко не отличается от других.
Непосредственное вычисление вероятностей по (3.1) и (3.2) было достаточно трудоемкой операцией в эру отсутствия ЭВМ. Для "ручного" счета составить таблицы для всевозможных значений x и M было практически невозможным делом. Поэтому применялись таблицы значений f(x) и F(x), составленные для так называемого нормированного распределения, в котором M=0 (перенос точки отсчета) и σ = 1 (изменение масштаба). Конкретное распределение «нормируют» путем замены переменных
z = (x-M)/σ , (3.3)
Определение вероятности попадания любого взятого наугад дерева в заданный интервал подтверждается примером 3.1.
Рис. 3.1.
Пример 3.1. Диаметр деревьев в однородном древостое распределен по нормальному закону со средним M=35 см и =6 см. Определить вероятность того, что наугад взятое дерево попадает в интервал: 1) 30…40 см; 2) M±, 3) M±2, 4) M±3.
Решим поставленную задачу с использованием пакета MathCAD. Для определения первой вероятности проинтегрируем (3.1) в пределах от 30 до 40:
Таким образом, около 60% деревьев рассмотренного древостоя попадают в диапазон диаметров от 30 до 40 см. Аналогично производим расчеты для других трех случаев:
П оследние расчеты демонстрируют справедливость так называемых правил "одной сигмы", "двух сигм" и "трех сигм". Можно доказать, что в выборке достаточно большого объема из нормальной совокупности в среднем 68% наблюдений не отличаются от значения среднего больше, чем на величину ±σ. Аналогично имеем р(M—2σ<х<M+2σ)=0,95, для M±3σ -соответствующая вероятность - 0,997. Приведенное правило можно применять для приближенного решения ряда задач. Так, в большой выборке наименьшие и наибольшие значения случайной величины приближенно могут быть найдены как Х±3σ (правило трех сигм).
Расчет теоретических частот эмпирического ряда производят следующим образом:
Находят значения функции плотности вероятности нормального распределения (Приложение 2) для соответствующих величин нормирован-ного отклонения (3.3);
Вычисляют теоретические частоты ряда распределения ni' по соответствующим данным объема выборки N, σ при величине классового промежутка i по формуле:
ni' = . (3.4)
Наряду свычислением теоретических частот необходимо установить меру соответствия теоретически полученной кривой эмпирическому распределению по критерию χ2 Пирсона (Приложение 3).
Пример 3.2. Вычисление теоретических частот ni' и критерия соответствия эмпирического распределения нормальному χ2
Xi |
ni |
z |
f(z) |
n’i |
ni - n’i |
(ni - n’i)2 |
|
|
Факт. |
Округ. |
|||||||
8 |
2 |
2,07 |
0,04682 |
2,07 |
2 |
0 |
0 |
0 |
12 |
6 |
1,63 |
0,10567 |
4,66 |
5 |
1 |
1 |
0,2 |
16 |
10 |
1,18 |
0,19886 |
8,78 |
9 |
1 |
1 |
0,11 |
20 |
14 |
0,74 |
0,30339 |
13,39 |
13 |
1 |
1 |
0,08 |
24 |
16 |
0,30 |
0,39876 |
17,61 |
18 |
-2 |
4 |
0,22 |
28 |
18 |
0,14 |
0,39505 |
17,44 |
17 |
1 |
1 |
0,06 |
32 |
14 |
0,58 |
0,33530 |
14,81 |
15 |
-1 |
1 |
0,07 |
36 |
9 |
1,02 |
0,23713 |
10,47 |
10 |
-1 |
1 |
0,1 |
40 |
6 |
1,46 |
0,13542 |
5,98 |
6 |
0 |
0 |
0 |
44 |
3 |
1,91 |
0,06438 |
2,84 |
3 |
0 |
0 |
0 |
48 |
2 |
2,35 |
0,02522 |
1,11 |
1 |
1 |
1 |
1 |
Σ |
100 |
|
|
|
99 |
|
|
χ2 = 1,84 |
см
Cумма всех частных дает значение χ2 = 1,84 при (11-3) = 8 степенях свободы вариации. Табличное значение =2,73 (по табл. Приложения 3). Так как =1,84 меньше =2,73, то делаем заключение о подчинении распределения эмпирических частот закону нормального распределения.
В целом предположение о том, что эмпирическое распределение строго соответствует нормальному закону, подтверждается относительно редко. Например, если в условиях, близких к требуемым по центральной предельной теореме, некоторые факторы влияют сильнее, чем другие, то распределение случайной величины становится несимметричным, хотя кривые распределения напоминают общие контуры нормальной кривой. Такие распределения (близкие к нормальным) обычны для лесного опытного дела. Далее рассмотрим одно из такого рода распределений – логарифмически нормальное.