- •Новые информационные технологии
- •Часть 3. Основы математики и математическое моделирование Учебное пособие
- •Введение
- •Глава 1. Основы компьютерной математики
- •1.1. Математика и ее средства
- •1.1.1. Аксиоматический метод и структуры математики
- •1.1.2. Компьютерная математика как часть математики
- •1.1.3. Классификация средств компьютерной математики
- •1.1.4. Структура систем компьютерной математики
- •1.1.5. Обзор систем компьютерной математики
- •1.2. Система компьютерной математики Mathcad
- •1.2.1. Состав системы Mathcad и ее запуск
- •1.2.2. Основы работы с системой Mathcad 2001
- •1.2.3. Работа с текстовым редактором
- •1.2.4. Работа с формульным редактором
- •1.2.5. Операции вывода и присваивания
- •1.2.6. Шаблоны математических операторов и символов
- •1.2.7. Ошибки и прерывание вычислений
- •1.3. Простые типы данных
- •1.3.1. Числовые данные
- •1.3.2. Вещественные числа и их форматы
- •1.3.3. Комплексные числа
- •1.3.4. Строковые данные
- •1.3.5. Символьные данные и выражения
- •1.4. Сложные типы данных
- •1.4.1. Множества и подмножества
- •1.4.2. Массивы
- •1.4.3. Векторы и матрицы
- •1.5. Константы, переменные, операторы и функции
- •1.5.1. Числовые константы
- •1.5.2. Строковые константы
- •1.5.3. Переменные
- •1.5.4. Операторы
- •1.5.5. Выражения и функции
- •1.6. Основы графической визуализации вычислений
- •1.6.1. Понятия об основных геометрических объектах
- •1.6.2. Построение графиков функций одной переменной
- •1.6.3. Построение графиков поверхностей
- •1.7. Средства программирования в системе Mathcad
- •1.7.1. Задание операторов пользователя
- •1.7.2. Задание программных модулей
- •1.7.3. Особенности применения программных модулей
- •Методические указания
- •10 Главных вопросов
- •Глава 2. Основы математических вычислений
- •2.1. Вычисление сумм и произведений
- •2.1.1. Вычисление сумм
- •2.1.2. Вычисление произведений
- •2.1.3. Вычисление пределов
- •2.3. Вычисление производных и интегралов
- •2.3.1. Определение производной и полного дифференциала
- •2.3.2. Вычисление производных
- •2.3.3. Определение интегралов
- •2.3.4. Вычисление интегралов
- •2.4. Решение уравнений и систем уравнений
- •2.4.1. Простое линейное уравнение и его решение
- •2.4.2. Решение систем линейных уравнений
- •2.4.5. Поиск всех корней степенного многочлена()
- •2.4.6. Решение систем нелинейных уравнений()
- •2.4.7. Реализация итерационных вычислений
- •2.5. Решение дифференциальных уравнений()
- •2.5.1. Основные понятия о дифференциальных уравнениях()
- •2.5.2. Решение систем оду()
- •2.5.3. Решение оду с помощью функции odesolve()
- •2.5.4. Решение жестких систем оду()
- •2.6. Решение задач оптимизации и линейного программирования
- •2.6.1. Основные понятия оптимизации
- •2.6.2. Пример оптимизации раскроя железного листа
- •2.6.3. Поиск минимума тестовой функции Розенброка
- •2.6.4. Функции maximize и minimize системы Mathcad
- •2.7. Разложение функций в ряды
- •2.7.1. Определение рядов Тейлора и Маклорена
- •2.7.2. Разложение в ряд Тейлора в системе Mathcad
- •2.7.3. Ряды Фурье()
- •2.7.4. Быстрые прямое и обратное преобразования Фурье()
- •2.7.5. Примеры преобразований Фурье()
- •2.7.6. Альтернативные преобразования Фурье()
- •2.8. Табличная интерполяция и аппроксимация
- •2.8.1. Теоретические основы интерполяции и экстраполяции
- •2.8.2. Интерполяция и аппроксимация по общей формуле Лагранжа
- •2.8.3. Полиномиальная интерполяция и аппроксимация
- •2.8.4. Кусочно-линейная и сплайновая аппроксимации в Mathcad
- •2.9. Статистическая обработка данных
- •2.9.1. Эксперименты, события и другие понятия статистики
- •2.9.2. Решение задач комбинаторики
- •2.9.3. Дискретные и непрерывные случайные величины
- •2.9.4. Законы распределения и статистические функции Mathcad
- •2.9.5. Регрессия и метод наименьших квадратов
- •2.9.6. Выполнение линейной регрессии в среде Mathcad
- •2.9.7. Полиномиальная регрессия в Mathcad
- •2.9.8. Проведение нелинейной регрессии()
- •2.9.9. Экстраполяция и предсказание
- •2.9.10. Сглаживание данных
- •Методические указания
- •10 Главных вопросов
- •Глава 3. Основы математического моделирования
- •3.1. Основные понятия моделирования
- •3.2. Основные виды моделей и их свойства
- •3.2.1. Основные виды моделей
- •3.2.2. Основные свойства моделей
- •3.3. Цели, принципы и технология моделирования
- •3.3.1. Цели моделирования
- •3.3.2. Основные принципы моделирования
- •3.3.3. Технология моделирования
- •3.3.4. Основные методы решения задач моделирования
- •Оценка обусловленности вычислительной задачи – еще одно обязательное требование при выборе метода решения и построении математической модели.
- •3.3.5. Контроль правильности модели
- •3.4. Задачи моделирования полета камня
- •3.4.1. Постановка задачи моделирования
- •3.4.2. Концептуальная формулировка задачи
- •3.4.3. Построение математической модели
- •3.4.4. Выбор метода решения
- •3.4.5. Программная реализация модели на эвм
- •3.4.6. Проверка адекватности модели
- •3.4.7. Анализ результатов моделирования
- •Методические указания
- •10 Главных вопросов
- •Глава 4. Практика математического моделирования
- •4.1. Моделирование процессов на основе известных формул
- •4.1.1. Моделирование изменения параметров атмосферы
- •4.1.2. Моделирование закона Мура
- •4.1.3. Моделирование преодоления самолетом звукового барьера
- •4.2. Моделирование на основе конечно-разностных методов
- •4.2.1. Моделирование Броуновского движения частиц
- •4.2.2. Моделирование диффузии
- •4.2.3. Моделирование торможения автомобиля()
- •4.2.4. Моделирование падения парашютиста()
- •4.2.5. Моделирование генератора на туннельном диоде()
- •4.2.6. Моделирование развития и угасания эпидемии
- •4.3. Моделирование колебательных систем
- •4.3.1. Анализ линейной колебательной системы
- •4.3.2. Анализ нелинейной колебательной системы Ван дер Поля
- •4.3.3. Моделирование системы Дафинга с внешним воздействием
- •4.3.4. Хаос и моделирование аттрактора Лоренца()
- •4.4. Моделирование рассеивания альфа-частиц()
- •4.5. Моделирование биологических и экономических систем
- •4.5.1. Модель системы «хищник-жертва» Лотки-Вольтерра
- •4.5.2. Модель системы «хищник-жертва» с логистической поправкой
- •4.5.3. Модель системы «хищник-жертва» Холлинга-Тэннера
- •4.5.4. Моделирование замкнутой экономической системы
- •4.6. Моделирование на основе линейного программирования
- •4.6.1.Оптимальные экономико-математические модели
- •4.6.2. Решение задач максимизации объема продукции
- •4.6.3. Решение задач минимизации ресурсов
- •4.6.4. Решение транспортной задачи
- •4.6.5. Задачи целочисленного программирования с булевыми переменными
- •4.7. Сетевые модели в оптимизации управленческих решений
- •4.7.1. Задача поиска кратчайшего пути
- •4.7.2. Задача о распределении потоков в сетях
- •4.8. Обработка и моделирование сигналов и изображений
- •4.8.1. Основы спектрального метода моделирования сигналов
- •4.8.2. Спектральное моделирование на основе точных формул интегрирования()
- •4.8.3. Улучшенное спектральное моделирование дискретных сигналов()
- •4.8.4. Вейвлеты - новый базис представления сигналов()
- •4.8.5. Вейвлет-преобразования()
- •4.8.6. Примеры вейвлет-обработки сигнала - временного ряда()
- •4.8.7. Анализ сигналов по вейвлет-спектрограммам
- •4.9. Обработка изображений
- •4.9.1. Средства обработки изображений
- •4.9.2. Обработка монохромных изображений
- •4.9.3. Обработка цветных изображений
- •4.9.4. Функции для работы с файлами и матрицами рисунков
- •4.9.5. Вейвлет-компрессия рисунков в пакете Wavelet Extension Pack
- •4.10.1. Подготовка к работе с матричной лабораторией matlab
- •4.10.2. Имитационное моделирование и расширение Simulink
- •Методические указания
- •10 Главных вопросов
- •Список литературы
- •Глава 1. Основы компьютерной математики 4
- •Глава 2. Основы математических вычислений 50
- •Глава 3. Основы математического моделирования 105
- •Глава 4. Практика математического моделирования 122
2.9.3. Дискретные и непрерывные случайные величины
В теории вероятностей случайной величиной называют переменную величину, которая, в зависимости от исхода испытания, случайно принимает какое либо одно значение из множества возможных значений. Случайные величины могут быть дискретными (отличающимися на определенную и постоянную величину) и непрерывными. Примерами дискретных случайных величин является последняя цифра номера телефона или число студентов в группе.
Дискретные случайные величины задаются своими значениями и их вероятностями, например в виде следующей таблицы:
X |
x1 |
x2 |
x3 |
… |
xn-1 |
xn |
P |
p1 |
p2 |
p3 |
… |
pn-1 |
pn |
В сумме вероятности дискретной случайной величины равны 1. Математическим ожиданием дискретной случайной величины называют значение M(X)=x1p1+x2p2+…+xnpn. Если дискретных случайных величин достаточно много, то математическое ожидание их приближенно равно среднему значению M(X) = (x1+x2+…xn)/n.
Мерой «рассеивания» дискретных случайных величин могло бы служить отклонение случайных величин от их математического ожидания. Но, имея разные знаки, отклонения часто взаимно компенсируются. Поэтому мерой «рассеивания» принято считать квадрат отклонений случайной величины X (вы, вероятно, подметили, что большими буквами обозначаются случайные величинами, а малыми из значения).
Дисперсией D(X) дискретной случайной величины X называется математическое ожидание квадрата отклонения случайной величины X от ее математического ожидания, т. е. D(X)=M[X-M(X)]2. А средним квадратичным отклонением называют корень квадратный из дисперсии .
Непрерывные случайные величины могут принимать любые значения на том или ином отрезке. Поэтому их закон распределения нельзя описать в виде таблицы. Функцией распределения (или интегральной функцией распределения) непрерывных случайных величин называется функция F(x), равная вероятности того, что случайная величина X приняла значение, меньшее x: P(X)={(X<x). Функция F(x) всегда монотонно растущая и ее значения лежат в пределах от 0 до 1. Если значения x лежат в пределах от - до +, то F(-)=0 и F(+)=1.
Плотностью вероятности (или дифференциальной функцией распределения) случайной величины называют функцию f(x)=F(x). Вероятность попадания непрерывной случайной величины в интервал (a;b) равна интегралу от f(x) в пределах от a до b:
.
Математическим ожиданием M(X) непрерывной случайной величины X, с плотностью вероятности f(x) называют величину несобственного интеграла
,
а дисперсией случайной величины с математическим ожиданием a именуют величину:
.
2.9.4. Законы распределения и статистические функции Mathcad
В статистической обработке данных генеральной или выборочной совокупностей используются различные законы распределения непрерывных случайных величин. Один из самых простых законов - равномерный. Он соответствует постоянному значению f(x)=C на отрезке [a,b] с единичной площадью зависимости f(x). Отсюда следует, что C=1/(b-a). Mathcad имеет функцию rnd(x) для генерации случайных чисел с равномерным распределением на отрезке [0, x].
Функция hist(int, A) возвращает вектор частот попадания данных массива A в заданные вектором int интервалы. Вектор int должен содержать значения границ, число попаданий данных из вектора M должно подсчитываться. Если строится гистограмма из N элементов, то вектор int должен содержать N+1 элементов. Функция возвращает вектор из N элементов, числовые значения которых можно использовать для графического построения гистограмм.
Пример 2.40. Создать вектор из 1000 случайных чисел с равномерным распределением на отрезке [0,10], построить график точек, представляющих эти числа и гистограмму из 10 столбцов. Документ, осуществляющий эти операции, представлен на рис. 2.12.
Р ис. 2.12. Работа со случайными числами и оценка их параметров
Одним из самых распространенных является нормальный закон распределения:
,
где a - математическое ожидание и - среднее квадратичное отклонение. Интегральная функция распределения для него
.
Русским математиком А. М. Ляпуновым было доказано (центральная предельная теорема), что закон распределения суммы достаточно независимых величин весьма близок к нормальному закону.
В Mathcad имеется ряд наборов функций, относящихся к наиболее распространенным законам распределения. Характер функции для каждого закона распределения задается первой буквой их имени:
d (Density) - плотность вероятности f(x);
p (Probality) - функция распределения F(x);
q (Quantil) - инверсная функция распределения - квантиль;
r (Random) - вектор случайных чисел.
Квантили функций распределения случайных величин позволяют по заданной вероятности вычислить такое значение x, при котором вероятность равна или меньше заданного значения p. А функции, начинающиеся с буквы r, служат для генерации случайных чисел с заданным законом распределения.
В качестве примера приведем функции нормального и экспоненциального распределений:
dnorm(x,,) pnorm(x,,) qnorm(p,,) rnorm(m,,) - нормальное распределение (=a - среднее значение, >0 - среднеквадратичное отклонение);
dexp(x,r) pexp(x,r) qexp(p,r) rexp(m,r) - экспоненциальное распределение (r, x>0).
Статистические расчеты - весьма обширная область математики. К статистическим функциям общего характера в системе Mathcad относятся следующие функции скалярного аргумента x:
cnorm(x) - кумулятивная нормальная функция - подобна функции pnorm (x,0,1), описанной выше.
erf(x) - функция ошибок (или интеграл вероятности) .
cerf(x) - дополнительная функция ошибок (1-erf(x)).
Пример 2.41. Привести несколько примеров применения статистических функций, представленных выше. Примеры представлены на рис. 2.13.
Следующая группа функций относится к вычислению основных статистических параметров одного массива данных (матрицы размера mn или вектора):
mean(A) - возвращает среднее значение элементов массива A: .
gmean(A) - возвращает гармоническое среднее значение элементов массива A: .
hmean(A) - возвращает геометрическое среднее значение элементов массива A: .
median(A) - возвращает медиану (средний элемент) массива A.
Р ис. 2.13 Примеры применения статистических функций
mode(A) - возвращает значение наибольшего элемента массива, если он явно есть, в противном случае дает сигнал ошибки.
stdev(A) - задает стандартное отклонение элементов массива A - .
Stdev(A) - задает выборочное стандартное отклонение элементов массива A - .
var(A)- возвращает так называемую смещенную оценку дисперсии (вариацию) для элементов массива A:
.
Var(A) - возвращает несмещенную оценку дисперсии для элементов массива A с иной, чем у функции var(A) нормировкой:
.
kurt(A)- возвращает значение эксцесса (остроты кривой распределения):
.
Примеры применения некоторых из этих функций представлены на рис. 2.12. Эти функции часто используются для подсчета частоты используемых в речи звуков, букв и слов, данных о людях и др. Когда речь идет о некоторых зависимостях, данные обычно представляются двумя и более массивами. Степенью связи зависимостей является коэффициент корреляции corr(A, B) - коэффициент корреляции Пирсона двух массивов A и B (mn элементов). Если коэффициент корреляции близок к 0, то данные (зависимости) не согласованы, а при близости его к 1 данные согласованы.
Обилие статистических функций, включенных в систему Mathcad, позволяет ей выполнять достаточно сложные статистические расчеты. Однако ограниченный объем материала данного раздела не позволят рассмотреть все статистические задачи. В частности мы отказываемся от рассмотрения задач сравнения, предполагающих проверку статистических гипотез. Основное внимание сосредоточим на задачах приближения и прогноза различных зависимостей.