- •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
3.7. Семейство кривых Пирсона
К. Пирсон в цикле работ начала нынешнего века предложил семейство кривых распределения столь же обширное, как и семейство кривых Джонсона. Это семейство кривых, полностью определяемое первыми четырьмя моментами, насчитывает 12 типов кривых, из которых обычно используют 7. Конкретный тип кривой устанавливают в зависимости от величины χ-критерия, который называют критерием Пирсона и определяют через величины μ3 и μ4 :
χ = (μ3(s+2))/(16(s+1)), (3.34)
где
μ3 и μ4 - третий и четвертый основные моменты,
s=6(μ4 - μ32 - l)/(3μ32- 2μ4 + 6).
Рис. 3.13.
С точки зрения практической аппроксимации наибольший интерес представляют следующие четыре типа асимметричных кривых (все они, за исключением кривых IV типа, могут быть U- и J-образные):
I - случайная величина имеет размах, ограниченный с двух сторон, критерий χ<0, это - бета-распределение, рассмотренное выше;
III—размах ограничен слева; критерий х = ±, практическое применение возможно при | χ |>4, это—гамма-распределение;
IV—размах неограничен с обеих сторон, критерий χ заключен между 0 и 1;
VI—размах ограничен с одной стороны (как правило, справа). Последний тип заменой у=а/х можно привести к первому типу, а непосредственное применение IV типа сопровождается определенными вычислительными трудностями.
В качестве основных обычно используют кривые I, IV и VI типов со значением критериев соответственно 0<χ<1 и χ>1, обеспечивающих по разнообразию форм кривых распределений потребности лесоводственной практики. Остальные типы - переходные на границах между I, IV и VI. Если χ=0 и 4=0, то получают кривую нормального распределения, если χ=0, 4<3 - типа II, если 4>3 - VII, если χ = 1 - V.
Аппроксимацию кривыми Пирсона проводят в определенной последовательности:
по результатам наблюдений вычисляют первые четыре момента эмпирического распределения, на основе которых определяют критерий Пирсона и выбирают тип кривой распределения;
через эмпирические моменты выражают параметры кривой выбранного типа;
полученные параметры подставляют в уравнение соответствующего типа и вычисляют теоретические частоты.
Систематическое изложение техники аппроксимации по каждому типу семейства Пирсона достаточно громоздко, к тому же эти задачи, как и применение семейства кривых Джонсона, по своей трудоемкости требуют применения ЭВМ. В математическом обеспечении ЭВМ есть хорошие программы для автоматического поиска типа кривых и вычисления выравнивающих частот как одного, так и другого семейства.
Кривые семейства Пирсона неоднократно применяли в качестве универсальной модели распределения при решении многочисленных задач обработки лесоводственной информации. В качестве примера приведем схему вычислений выравнивающих частот ряда распределения диаметров стволов деревьев по уравнению Пирсона I типа, математическая модель которого имеет следующий вид:
( 3.35)
где
Здесь
- среднеквадратическое отклонение;
A – коэффициент асимметрии;
E - коэффициент эксцесса
N - объем ряда распределения
n – выравнивающие частоты ряда.
Пример 3.10. Для ряда распределения (рис. 3.14) получены следующие статистики ряда распределения по толщине: n=313; M=26,492; =7,712; A=0,164; E=-0,251. Через полученные эмпирические моменты получаем по (3.35) параметры кривой f=-0,04; L=16,9719; L1=6,7253; L2=10,2466; q1=9,4881; q2= 6,2275; No=62,5. Далее полученные параметры подставляем в уравнение и вычисляем теоретические частоты.
Уравнения Пирсона I типа используются для “выравнивания” рядов, имеющих как резковыраженную положительную, так и близкую к нормальной ассиметрию. Наиболее часто эту модель применяют для рядов распределений деревьев по ступеням толщины при исследовании возрастной динамики древостоев.
Уравнения Пирсона I типа хорошо аппроксимируют резко асимметричные ряды распределения, как с положительной, так и с отрицательной асимметрией. Математическая модель этого уравнения имеет следующий вид:
( 3.36)
где
Пример 3.11. Для ряда распределения (рис. 3.15) получены следующие статистики ряда распределения деревьев по объему: n=313; M=0,625; =0,381; A=0,836; E=0,402. Через полученные эмпирические моменты получаем по (3.36) параметры кривой p=0,466; L=0,179; F(z)=4,810424; No=65,067. Далее полученные параметры подставляем в уравнение и вычисляем теоретические частоты с использованием MS Excel.
Рис. 3.14
Рис. 3.15