- •Введение
- •Часть 1 пособия включает 10 девять разделов.
- •1. Моделирование и экономическая деятельность
- •Философия создания правильно построенных экономических систем
- •2. Основы вероятностных методов анализа и моделирования экономических систем
- •2.1. Элементарные понятия о случайных событиях, величинах и функциях
- •Числовые характеристики случайных величин
- •2.3. Статистическая оценка законов распределения случайных величин
- •Вариационный ряд часовой выработки автомобиля
- •2.4. Основные законы распределения случайных величин
- •Дискретные законы распределения
- •2.5. Выбор теоретического закона распределения случайной величины
- •Сравнительная таблица
- •3. Моделирование экономических систем с использованием марковских случайных процессов
- •3.1. Основные понятия марковских процессов
- •3.2. Марковские цепи
- •3.3. Непрерывные цепи Маркова
- •Финальные вероятности состояний
- •Необходимые и достаточные условия существования финальных вероятностей
- •3.4. Моделирование работы подвижного состава с использованием марковских случайных процессов
- •4. Моделирование систем массового обслуживания
- •4.1. Компоненты и классификация моделей массового обслуживания
- •4.2. Определение характеристик систем массового обслуживания. Одноканальная модель с пуассоновским входным потоком с экспоненциальным распределением длительности обслуживания
- •Многоканальная модель с пуассоновским входным потоком и экспоненциальным распределением длительности обслуживания
- •Модель обслуживания машинного парка
- •5. Статистическое моделирование экономических систем
- •5.1. Теоретические основы метода
- •Формулы для моделирования случайных величин
- •Решение
- •Решение
- •Решение
- •Понятие о моделировании случайных функций
- •5.2. Моделирование систем массового обслуживания с использованием метода Монте-Карло
- •Методику решения задачи рассмотрим на примере моделирования смо с отказами.
- •5.3. Моделирование потоков отказов элементов сложных технических систем
- •Решение
- •6.Методы и модели корреляционно-регрессионного анализа
- •6.1. Общие сведения
- •Выборочные уравнения регрессии
- •Линейная регрессия
- •Основные понятия корреляционно-регрессионного анализа
- •6.2. Исходные предпосылки регрессионного анализа и свойства оценок
- •6.3. Этапы построения многофакторной корреляционно-регрессионной модели
- •1. Априорное исследование экономической проблемы.
- •2. Формирование перечня факторов и их логический анализ.
- •3. Сбор исходных данных и их первичная обработка.
- •4. Спецификация функции регрессии.
- •5. Оценка функции регрессии.
- •6. Отбор главных факторов.
- •7. Методы и модели прогнозирования временных рядов экономических показателей
- •7.1. Основные положения и понятия в прогнозировании временных рядов
- •7.2. Характеристика методов и моделей прогнозирования показателей работы предприятий
- •7.3. Прогнозирование с помощью методов экстраполяции
- •1. Установление цели и задачи исследования, анализ объекта прогнозирования.
- •2. Подготовка исходных данных.
- •3. Фильтрация исходного временного ряда.
- •4. Логический отбор видов аппроксимирующей функции.
- •Оценка математической модели прогнозирования
- •Выбор математической модели прогнозирования
- •8.Оптимизационные методы и модели в управлении экономическими системами Линейное программирование
- •8.1. Задачи линейного программирования
-
Числовые характеристики случайных величин
При решении многих практических задач часто достаточно указать отдельные числовые характеристики, определяющие особенности того или иного распределения случайной величины. Это прежде всего среднее значение, которое принадлежит к характеристикам положения случайной величины, т. е. представляет такую величину, относительно которой каким-то образом группируются, рассеиваются всевозможные значения случайной величины.
Среднее значение, или математическое ожидание дискретной случайной величины, вычисляется по формуле
(2.23)
где — возможные значения случайной величины X;
- вероятность появления i-го возможного значения случайной величины X.
Математическое ожидание является теоретической характеристикой случайной величины.
Эмпирической характеристикой случайной величины является эмпирическая средняя, вычисляемая по формуле
(2.24)
или
где - частота значений при N наблюдениях (испытаниях);
- количество появлений значений - при N наблюдениях.
Эмпирическая средняя случайной величины по мере увеличения испытаний (наблюдений) приобретает тенденцию стабилизироваться относительно постоянной величины — математического ожидания.
Для непрерывной случайной величины X математическое ожидание определяется интегралом:
. (2.25)
Кроме математического ожидания на практике иногда применяются и другие характеристики положения, в частности медиана и мода случайной величины.
Медианой Me случайной величины называется такая величина, относительно которой равновероятно получение большего или меньшего значения случайной величины:
(2.26)
Медиану применяют в качестве характеристики ряда распределения в тех случаях, когда имеются очень большие колебания случайной величины. В этом случае на эмпирическую среднюю будут оказывать сильное влияние крайние значения случайной величины, а медиана менее чувствительна к крайним значениям случайной величины. На медиану влияет не столько колебание в значениях случайной величины X, сколько колебания в частоте появления того или иного значения случайной величины. Медиану необходимо вычислять в дополнение к математическому ожиданию в случае распределений, имеющих большую скошенность.
Модой Мо дискретной случайной величины называется ее значение, обладающее наибольшей вероятностью. Для непрерывной случайной величины мода есть такое значение, которое отвечает максимальной плотности распределения.
В общем случае математическое ожидание, медиана и мода не совпадают. В частном случае при симметричном распределении все три характеристики положения случайной величины совпадают.
Для оценки степени разброса, рассеивания значений случайной величины относительно среднего вычисляют следующие характеристики:
-
дисперсию;
-
среднее квадратическое отклонение;
-
коэффициент вариации.
Дисперсией называется математическое ожидание квадрата отклонений случайной величины от своего математического ожидания:
. (2.27)
Чем больше дисперсия, тем в среднем больше отклонение значений случайной величины относительно математического ожидания, т. е. будет больше рассеивание случайной величины.
Дисперсия дискретной случайной величины вычисляется по формуле:
(2.28)
Дисперсия непрерывной случайной величины равна:
(2.29)
Наряду с дисперсией случайной величины, в качестве характеристики рассеивания случайной величины используется среднее квадратическое отклонение, которое равно положительному значению корня квадратного из дисперсии.
Среднее квадратическое отклонение имеет одинаковую размерность со случайной величиной, в этом состоит ее преимущество относительно дисперсии.
Эмпирические значения характеристик рассеивания вычисляют по формулам:
• дисперсия:
(2.30)
среднее квадратическое отклонение:
(2.31)
Для малых выборок, если число испытаний (наблюдений) не превышает N 30, то характеристики рассеивания вычисляются по формулам:
-
дисперсия
-
среднее квадратическое отклонение
Величины и показывают абсолютное отклонение от среднего значения случайной величины, что недостаточно характеризует уровень ее рассеивания. Относительной характеристикой рассеивания является коэффициент вариации, вычисляемый как отношение среднего квадратического отклонения и эмпирической средней:
(2.34)
или
(2.35)
Коэффициент вариации может использоваться для сравнения меры рассеивания (колеблемости) случайных величин, имеющих различную размерность.