- •Математическое моделирование Учебное пособие
- •Донецк 2006
- •Содержание
- •Введение
- •1. Построение экспериментальных законов распределения
- •1.1. Общие положения
- •1.2. Статистические критерии согласия
- •Г) Критерий согласия Романовского
- •1.3. Построение закона Пуассона
- •1.4. Построение показательного закона
- •1.5. Построение нормального закона
- •2. Модели оптимизации
- •2.1. Принципы формирования моделей оптимизации
- •Задача производственного планирования
- •Задача оптимальной загрузки оборудования
- •Задача о смесях
- •Транспортная задача
- •2.2. Графический метод решения задачи линейного программирования
- •Алгоритм графического метода решения злп
- •2.3. Универсальный метод решения линейных задач оптимизации
- •Алгоритм симплекс-метода решения злп
- •Пример 2.3.1. Решить злп (2.2.1), (2.2.5) симплекс-методом.
- •Критерий оптимальности опорного плана
- •Переход к следующей симплекс-таблице осуществляют по правилам:
- •2.4. Двойственная задача линейного программирования
- •Свойства двойственных задач
- •2.5. Методы анализа конфликтных ситуаций с помощью матричных игр
- •Алгоритм принципа максимина (минимакса)
- •Решение. Этаматричная игра имеет размерность (3х4), т.Е. Игрок а имеет три стратегии, а игрок в – четыре. Запишем ее в нормальной форме.
- •Последовательность действий при решении игры
- •3. Регрессионный анализ
- •3.1. Однофакторные модели
- •3.1.1. Построение однофакторных моделей
- •3.1.2. Оценка качества моделей
- •Свойства коэффициента корреляции
- •Построение доверительного интервала для прогнозного значения
- •Пример 3.1.Исследовать зависимость объема прибыли от количества торговых точек. Сделать прогноз в предположении, что количество торговых точек будет увеличено до 25.
- •Вспомогательная расчетная таблица
- •Пример 3.2.Исследовать зависимость показателяуи факторахс помощью логарифмической, степенной и полиномиальной регрессий.
- •3.1.3. Модели рядов динамики
- •3.2. Автокорреляция данных и остатков
- •3.2.1. Автокорреляция данных
- •Пример 3.4. Исследовать на автокорреляцию динамический ряд:
- •Вспомогательная таблица для расчета коэффициента автокорреляции
- •3.2.2. Автокорреляция остатков
- •Причины возникновения автокорреляции
- •Вспомогательная таблица для расчета d-статистики
- •С помощью формулы (3.2.2) найдем d -статистику:
- •3.3. Мультиколлинеарность
- •Причины возникновения мультиколлинеарности:
- •Методы исследования мультиколлинеарности
- •Меры по устранению мультиколлинеарности:
- •3.4. Множественная линейная регрессия
- •3.4.1. Построение множественной линейной регрессии
- •Расчет элементов коэффициента
- •3.4.2. Матричный подход
- •Построение корреляционной матрицы
- •Построение модели множественной линейной регрессии и ее анализ
- •3.4.4. Нелинейные модели
- •3.4.5. Эластичность
- •4.Экспертные оценки и элементы теории графов
- •4.1. Ранговая корреляция
- •4.1.1. Экспертное оценивание
- •4.1.2. Этапы работ в системе экспертных оценок
- •4.1.3. Метод ранговой корреляции
- •Вспомогательные расчеты
- •Б) Случай многих экспертов
- •4.2. Элементы сетевого планирования
- •Основные элементы сетевого графика
- •Основные требования к сетевой модели
- •5. Индивидуальные задания для самостоятельной работы студентов по курсу “математическое моделирование”
- •5.1. Задания к разделу “Построение законов распределения”
- •5.2. Задания к разделу “Математическое программирование”
- •5.3. Задания к разделу “Регрессионный анализ”
- •Задание 2.
- •Задание 3.
- •5.4. Задания к разделу “Экспертные оценки и элементы теории графов” Задание 1.
- •Значение критерия Пирсона
- •Критерий Колмогорова
- •Критерий Колмогорова
- •Квантили распределения Стьюдента
- •Коефициентов автокорреляции
- •Литература
- •Пеніна Галина Геннадіївна, канд. Екон. Наук, доцент
1.4. Построение показательного закона
Для описания времени обслуживания часто используется показательный закон. Его характерной особенностью служит равенство среднего значения и среднего квадратического отклонения.
Предположим, что в результате наблюдений за длительностью обслуживания получен непрерывный вариационный ряд:
|
|
|
|
… |
|
|
|
|
|
… |
|
Здесь указаны интервалы времени и количество заявок, обслуживаемых за соответствующее время. Величина - количество клиентов.
Считая, что длительность обслуживания подсчитывается показательному закону, составим функцию вероятностей для времени обслуживания:
На основе плотности вероятности
, (1.4.1)
где - интенсивность обслуживания,,.
На основе функции распределения
, (1.4.2)
, (1.4.3)
где - начало интервала,
- конец интервала.
Теоретические частоты находят таким образом:
- в случае нахождения плотности вероятности (-длина интервала).
- в случае нахождения функции распределения.
Далее по известным критериям согласия проводят проверку.
Пример 1.2. В автомагазине проведено наблюдение за временем обслуживания 60 покупателей. Получено следующее распределение (в мин.): 2, 6, 4, 11, 3, 18, 5, 21, 3, 26, 2, 35, 4, 8, 3, 14, 5, 19, 1, 24, 5, 9, 3, 15, 3, 20, 4, 8, 3, 13, 4, 9, 1, 12, 3, 14, 2, 8, 4, 13, 7, 4, 8, 3, 9, 2, 10, 4, 4, 8, 3, 9, 4, 7, 2, 8, 3, 9, 4, 7. Составить ряд, разбив значения на 7 интервалов, и проверить возможность использования показательного закона.
Решение. Сгруппируем все значения
0 – 5 |
5 – 10 |
10 – 15 |
15 – 20 |
20 – 25 |
25 – 30 |
30 – 35 | |
2,5 |
7,5 |
12,5 |
17,5 |
22,5 |
27,5 |
32,5 | |
30 |
16 |
7 |
3 |
2 |
1 |
1 |
Определим среднее время обслуживания
;.
Составим плотность вероятности по формуле (1.4.1):
= 0,137.
Составим функцию распределения по формуле (1.4.3):
.
а) Используем критерий Пирсона.
Таблица 1.4
Проверка расчетов по плотности вероятности
2,5 |
30 |
0,0973 |
29 |
1 |
0,0345 |
7,5 |
16 |
0,049 |
15 |
1 |
0,0667 |
12,5 |
7 |
0,0248 |
7 |
0 |
0 |
17,5 |
3 |
0,0125 |
4 |
1 |
0,25 |
22,5 |
2 |
0,0063 |
2 |
0 |
0 |
27,5 |
1 |
0,0032 |
1 |
0 |
0 |
32,5 |
1 |
0,0016 |
1 |
0 |
0 |
60 |
0,1949 |
|
|
0,3512 |
Имеем ,,. По таблицам Пирсона (приложение А) находим. В результате.
Вывод: гипотеза о показательном законе не отвергается.
Расчеты по показательному закону можно вести также на основе функции распределения по формуле (1.43).
Таблица 1.5
Проверка расчетов по функции распределения
0 – 5 |
30 |
1 |
0,5041 |
0,4959 |
30 |
0 |
0 |
5 – 10 |
16 |
0,5041 |
0,2541 |
0,2500 |
15 |
1 |
0,067 |
10 – 15 |
7 |
0,2541 |
0,1281 |
0,1260 |
8 |
1 |
0,125 |
15 – 20 |
3 |
0,1281 |
0,0646 |
0,0635 |
4 |
1 |
0,250 |
20 – 25 |
2 |
0,0646 |
0,0325 |
0,0321 |
2 |
0 |
0 |
25 – 30 |
1 |
0,0325 |
0,0164 |
0,0161 |
1 |
0 |
0 |
30 – 35 |
1 |
0,0164 |
0,0083 |
0,0081 |
0 |
1 |
1 |
60 |
- |
- |
0,991 |
60 |
- |
1,442 |
Имеем ,,. По таблицам Пирсона (приложение А) находим. В результате.
Вывод: гипотеза о показательном законе не отвергается.
б) Используем критерий Колмогорова.
Таблица 1.6
Проверка закона Пуассона по критерию Колмогорова
|
|
|
|
|
|
2,5 |
0,50 |
0 |
0,097269 |
0 |
0 |
7,5 |
0,27 |
0,50 |
0,049032 |
0,097269 |
0,402731 |
12,5 |
0,12 |
0,77 |
0,024717 |
0,146301 |
0,620365 |
17,5 |
0,05 |
0,88 |
0,012459 |
0,171018 |
0,712315 |
22,5 |
0,03 |
0,93 |
0,006281 |
0,183478 |
0,749856 |
27,5 |
0,02 |
0,97 |
0,003166 |
0,189758 |
0,776908 |
32,5 |
0,02 |
0,98 |
0,001596 |
0,192924 |
0,790409 |
|
- |
1,00 |
- |
- |
- |
По формуле (1.2.2) рассчитаем характеристику Колмогорова (max )
.
Вывод:вероятность=1, по данному критерию использование закона вполне допустимо.
в) Используем критерий Ястремского.
Таблица 1.7
Проверка закона Пуассона по критерию Ястремского
|
|
|
|
|
30 |
29 |
0,0973 |
0,9027 |
0,0382 |
16 |
15 |
0,049 |
0,951 |
0,070102 |
7 |
7 |
0,0248 |
0,9752 |
0 |
3 |
4 |
0,0125 |
0,9875 |
0,253165 |
2 |
2 |
0,0063 |
0,9937 |
0 |
1 |
1 |
0,0032 |
0,9968 |
0 |
1 |
1 |
0,0016 |
0,9984 |
0 |
|
|
|
|
0,361466 |
Таким образом, Q=0,3614. Посколькуk= 7,Z= 0,6, то по формуле (1.2.3) имеем:
А =.
Вывод:посколькуА< 3, то по этому критерию гипотеза о законе принимается.
г) Используем критерий Романовского.
Поскольку = 1,442,q = 7 – 2 = 5, то по формуле (1.2.3) имеем
.
Вывод:величинаменьше 3 – значит, в соответствии с этим критерием гипотеза о законе Пуассона не отвергается.