- •60Путей сообщения (миит)
- •Математические модели и методы в инженерных расчетах
- •Введение
- •1.Математические модели
- •1.1Модель процесса проектирования
- •1.2Теория вероятностей
- •1.3 Математическая статистика
- •1.4Сортировка
- •1.5Интерполяция табличных зависимостей
- •1.6Аппроксимация.
- •1.6.1Метод наименьших квадратов для многочленов
- •1.6.2 Полиномиальная аппроксимация
- •1.6.3Линейная аппроксимация
- •1.7Сглаживание данных
- •1.8Предсказание (экстраполяция функции)
- •1.9 Рис. 1.14 Экстраполяция функции. Численное дифференцирование
- •1.10Вычисление определенного интеграла
- •1.11Численное решение дифференциальных уравнений
- •1.12Моделирование рельефа местности
- •1.13 Рис. 1.19 Цифровая модель рельефа и продольный профиль земли по заданному направлению Моделирование продольного профиля и плана при реконструкции железных дорог
- •2.Математические методы
- •2.1Реализация численной модели на эвм
- •2.2Целевая функция. Ограничения
- •2.3Оптимизация без ограничений
- •2.3.1Прямой одномерный поиск
- •2.4Прямой многомерный поиск
- •2.4.1Градиентные методы
- •2.5 Рис. 2.35 Градиентный метод. Оптимизация с ограничениями.
- •2.6Линейное программирование
- •2.7Нелинейное программирование
- •2.8Графы
- •2.9Метод динамического программирования.
- •2.10Поиск кратчайшего пути в графе
- •2.11Экономические аспекты автоматизированного проектирования.
- •2.12Проблемы программных реализаций.
- •Программного обеспечения.
- •1. Математические модели 4
- •2. Математические методы 41
- •Екатерина Александровна Рыжик
1.3 Математическая статистика
Задачи математической статистики состоят в том, чтобы на основании знания некотором свойств подмножества, взятых из некоторого их множества, сделать какие-нибудь утверждения о свойствах этого множества, называемого генеральной совокупностью. В генеральной совокупности нас обычно интересует некоторый признак, который обусловлен случайностью и может иметь качественный или количественный характер.
Интересующий нас параметр некоторой генеральной совокупности может быть представлен в математической модели некоторой случайной величиной Х.
Под случайной выборкой объема n понимается выбор n объектов из генеральной совокупности, причем выбор отдельных объектов производится независимо один от другого. Результатом случайной выборки объема n является совокупность (х1,.,хn) значений признака.
Гистограмма и эмпирическая функция распределения
Пусть имеется выборка (х1,....,хn) - таблица наблюденных значений - из генеральной совокупности с признаком Х.
Для того чтобы получить первое представление об этом распределении составляют гистограмму (рис.1.6). Производят разбиение оси на определенное число граничащих друг с другом интервалов 1,...,k. Затем подсчитывают число mi выборочных значений, лежащих в i (1 i k). Эти числа называют групповыми частотами. Над i рисуют прямоугольники высоты mi/n (относительные частоты попадания в интервал). Полученный ступенчатый график называют гистограммой выборки.
Рис. 1.6
Гистограмма.
Рис. 1.7
Эмпирическая кривая распределения.
Функции выборки: среднее значение (математическое ожидание) ; дисперсия ; разброс (среднее квадратичное отклонение) .
Не существует общего критерия, который позволял бы решить, когда выборка может считаться большой, а когда малой. В то время как распределение одной функции выборки уже при n=30 может считаться очень хорошим приближением, для другой - и при n=100 это еще невозможно.
Для проверки соответствия наблюдений какому-либо закону, выдвигают гипотезу. Например, анализ гистограммы показанной на рис.1.6 позволяет выдвинуть гипотезу о том, что анализируемая случайная величина имеет нормальное распределение (рис. 1.8).
Для данной выборки среднее значение = 5,928, разброс = 2,092.
Для проверки гипотезы используются критерии согласия.
Рис. 1.8
Гистограмма и гипотетическая кривая
плотности нормального распределения.
Для рассматриваемого примера получено значение критерия согласия (MathCAD) равное 0,988. Вероятность отсутствия ошибки при принятии гипотезы мала, т.е. с вероятностью близкой к 1, можно считать распределение нормальным.
Другая задача, которая очень часто возникает, связана с назначением доверительных интервалов для среднего значения, т.е., что данное среднее значение с заданным уровнем доверия (доверительной вероятности) равно .
Зададимся несколькими уровнями доверия, например, 90%, 95% и 99%. Доверительного интервалы, обычно вычисляют на основании критерия Стьюдента. Величина доверительного интервала , где n - количество измерений случайной величины; p0 - доверительная вероятность; - коэффициент Стьюдента, принимаемый по таблицам или рассчитываемый; - оценка среднеквадратичного отклонения.
В результате вычислений для рассматриваемого примера были получены значения доверительных интервалов:
Доверительная вероятность |
90% |
95% |
99% |
Способы |
5,928±0,144 |
5,928±0,185 |
5,928±0,262 |
Представления |
5,784¸6,072 |
5,743¸6,213 |
5,666¸6,190 |
Для определения количества экспериментов, обеспечивающих получение статистических зависимостей с требуемым уровнем доверия и величиной доверительного интервала, рассчитаем таблицу значений величины множителя, на который умножается оценка среднеквадратического отклонения при определении доверительного интервала:
Количество величин |
Доверительная вероятность |
||
в доверительном интервале |
0,95 |
0,99 |
0,995 |
3 |
3 |
4 |
5 |
1,5 |
4 |
7 |
8 |
1 |
7 |
10 |
12 |
0,5 |
20 |
30 |
35 |
0,25 |
60 |
100 |
135 |
0,1 |
400 |
700 |
795 |
Как видно из таблицы уже при количестве опытов 20-35, величина доверительного интервала достигает половины величины среднеквадратичного отклонения , что вполне приемлемо для большинства технических приложений.