- •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
Вариационный ряд часовой выработки автомобиля
Интервал |
4-5,5 |
5,5-7,0 |
7,0-8,5 |
8,5-10 |
10-11,5 |
11,5-13,0 |
13-14,5 |
14,5-16 |
Частота |
0,07 |
0,14 |
0,17 |
0,17 |
0,15 |
0,14 |
0,11 |
0,05 |
Решение
Для построения гистограммы определим её ординаты из выражения:
1. 5.
2. 6.
3. 7.
4. 8.
Основываясь на данных табл. 2.1 и проведенных расчетах построим гистограмму (рис. 2.4).
Следует отметить, что при неограниченном увеличении объема выборки п кривая гистограммы частот совпадает с графиком плотности вероятностей.
Построим статистическую функцию распределения часовой выработки автомобиля:
-
при х 4 ;
-
при 4 < х 5,5 ;
-
при 5,5<х 7 ;
-
при 7<х 8,5
-
при 8,5<х 10
-
при 10<х 11,5
-
при 11,5<х 13
-
при 13<х 14,5
-
при 14,5<х 16 ;
Рис.2.4. Гистограмма часовой выработки автомобиля
График статистической функции распределения представлен на рис.2.5.
Рис.2.5.Статистическая функция распределения часовой выработки автомобиля
Статистическая функция распределения случайной величины всегда есть разрывная ступенчатая функция, скачки которой происходят в точках, соответствующих возможным значениям случайной величины, и равны эмпирическим вероятностям этих значений. Сумма всех скачков функции F*(x) равна единице. По мере увеличения объема выборки и уменьшения интервалов число скачков становится больше, а сами скачки — меньше; ступенчатая кривая становится более плавной; случайная величина постепенно приближается к непрерывной величине, а ее статистическая функция распределения — к непрерывной функции — интегральной функции распределения F(x).
2.4. Основные законы распределения случайных величин
Полигон распределения и гистограмма есть реализация распределения выборочной совокупности при ограниченном числе наблюдений (N), а предельная кривая при является распределением генеральной совокупности. Распределение генеральной совокупности является теоретическим распределением. Отдельные распределения изучены и поддаются точному аналитическому описанию. Приведем некоторые из них.
Дискретные законы распределения
А. Биномиальное распределение
Это распределение числа X появления события А в серии из п независимых испытаний. Вероятность наступления события А в каждом испытании равна р, а вероятность его отсутствия q = 1 — р. В каждом испытании возможно два исхода: наступление или ненаступление события А. При сформулированных условиях ряд распределения числа появления события А определяется формулой Бернулли:
(2,41)
или
(2,42)
где P(x=m)- вероятность появления события A равна m раз в серии из n испытаний.
Характер биномиального распределения определяется двумя параметрами: р и п. Определим числовые характеристики биноминального распределения случайной величины X:
-
Математическое ожидание:
(2.43)
-
Дисперсию:
(2.44)
-
Коэффициент асимметрии (скошенности) распределения:
(2.45)
-
Коэффициент эксцесса (мера крутости) распределения:
(2.46)
Из формул (2.45) и (2.46) следует, что при р = q биномиальное распределение симметрично относительно математического ожидания, следовательно, эксцесс Достигает наибольшее по модулю отрицательное значение. Если > 0, то имеется положительный эксцесс (вершина сильно вытянута); если < 0, то имеется отрицательный эксцесс (низковершинная кривая); если = 0, то имеется нормальное распределение
Если ах > 0, то асимметрия положительная;
если ах < О, то асимметрия отрицательная;
если ах = 0, то распределение симметричное.
Пример 2.2. Техническая система состоит из пяти независимo друг от друга функционирующих узлов. Определить математически ожидание, дисперсию, среднее квадратическое отклонение числа отказов узлов, если вероятность отказа любого из них р = 0,2.
Решение
1. Математическое ожидание числа отказов:
;
2. Дисперсия:
;
3. Среднее квадратическое отклонение:
;
4. Коэффициент асимметрии:
;
5. Коэффициент эксцесса:
Б. Распределение Пуассона
Данное распределение является предельным случаем биномиального распределения. Предположим, что в биномиальном распределении и , так, что . Тогда плотность вероятности биномиального распределения принимает вид:
(2.47)
что и является распределением Пуассона. Формула (2.47) выражает ряд распределения Пуассона. Заметим, что распределение Пуассона зависит только от одного параметра — математического ожидания М[Х] = а. Основные числовые характеристики случайной величины, имеющей распределение Пуассона, равны величине а > 0, a именно дисперсия случайной величины X, имеющей распределение Пуассона, численно равна ее математическому ожиданию. Этим свойством пользуются для оценки близости эмпирического распределения к распределению Пуассона.
Пример 2.3. Определить вероятность того, что на АЗС находится один или хотя бы один автомобиль, если среднее число автомобилей, находящихся в данном интервале времени на АЗС, а = 3.
Решение
-
Вероятность нахождения одного автомобиля на АЗС следующая:
. Вероятность того, что на АЗС будет находиться хотя бы один
автомобиль, равна вероятности того, что на АЗС будет находиться не менее одного автомобиля, т. е.
Непрерывные распределения вероятностей
В. Нормальное распределение
Наиболее известным непрерывным распределением является нормальное. Плотность нормального распределения определяется по формуле:
(2.48)
Непрерывная случайная величина X принимает значения от - до +. Соответствующая функция распределения равна:
(2.49)
Кривой плотности вероятности f(x) нормального распределения является плавная колоколообразная симметричная кривая, уравнение которой — формула (2.48).
Перечислим основные свойства нормального распределения.
-
Нормальное распределение полностью характеризуется математическим ожиданием и дисперсией.
-
Кривая плотности вероятности f(x) нормального распределения симметрична относительно математического ожидания тх. Максимум плотности распределения соответствует абсциссе, равной тх.
-
При ветви кривой распределения асимптотически приближаются к оси Ох.
-
Математическое ожидание случайной величины X, распределенной в соответствии с нормальным законом, совпадает по величине с ее модой и медианой.
-
Коэффициенты асимметрии и эксцесса нормального распределения равны нулю.
Величина математического ожидания не влияет на форму кривой плотности распределения f(x). С возрастанием максимальная ордината кривой постоянно убывает и нормальная кривая становится все более пологой. При уменьшении нормальная кривая становится все круче, т. е. растягивается вдоль оси ординат. При значении = 1 и тх = 0 нормальную кривую называют нормированной, а соответствующий закон распределения — стандартным нормальным законом распределения с плотностью:
(2.50)
Соответствующая функция распределения имеет вид:
(2.51)
Путем подстановки нормальное распределение с произвольными параметрами тх и приводится к стандартному виду. Вероятность попадания случайной величины в заданный интервал от до равна:
(2.52)
где
(2.53)
(2.54)
Интегралы (1.53) и (1.54) не выражаются через элементарные функции, поэтому для вычислений по формуле (1.52) обычно осуществляют замену и и переходят к функции стандартного нормального закона распределения, которая имеет вид — формулы (1.51). Тогда
Значения функции стандартного нормального закона распределения табулированы и приведены в приложении 6.
Отклонения случайной величины X от математического ожидания практически заключены в интервале , при этом вероятность попадания X в данный интервал равна 0,9973.
Пример 7.4._Среднее время обслуживания персонального компьютера (ПК) = 2 ч. Среднее квадратическое отклонение времени обслуживания равно = 0,403 ч. Определить вероятность окончания обслуживания ПК в течение интервала времени от 1,5 до 2,5 ч.
Решение
1. Вероятность попадания случайной величины t в интервал [1,5; 2,5] будет равна:
p(1.5<t<2.5)=F(2.5)-F(1.5)
2. Определим z:
3. По таблицам приложения 6 определим значение стандартной нормальной функции распределения:
4. Вероятность окончания обслуживания ПК в течение интервала времени [ 1,5; 2,51 будет равна:
р(1,5 < t < 2,5) = Ф(z2) - Ф(z1) = 0,892 - 0,107 = 0,785.
Г. Гамма-распределение и распределение Эрланга
Неотрицательная случайная величина X имеет гамма-распределение, если ее плотность распределения вычисляется по формуле:
при x>0, (2.55)
где и k>0;
Г(к) — гамма-функция:
(2.56)
если к — целое неотрицательное число, то
Г(k)=k! (2.57)
Математическое ожидание случайной величины X, подчиненной гамма-распределению, равно:
(2.58)
При этом дисперсия величины X определяется по формуле:
(2.59)
При целом к > 1 гамма-распределение превращается в распределение Эрланга к-го порядка, т. е.
(x>0;k=1,2,…) (2.60)
Закону Эрланга к-го порядка подчинена сумма независимых случайных величин х1 +х2 + … + хk, каждая из которых распределена по показательному закону с параметром .
При к = 1 гамма-распределение превращается в показательное с параметром .
Д. Показательное распределение
Непрерывная случайная величина X имеет показательное распределение, если ее плотность распределения выражается формулой:
(2.61)
Положительная величина X является параметром показательного распределения.
Функция распределения случайной величины X выглядит следующим образом:
(2.62)
Графики функции и плотности показательного распределения приведены на рис. 1.9.
а) функция показательного б)плотность показательного
распределения распределения
Рис. 2.9. Графики показательного распределения
Математическое ожидание случайной величины X, имеюще1 показательное распределение, обратно его параметру, т. е.
(2.63)
Дисперсия случайной величины X, имеющей показательное распределение, равна
. (2.64)
Отсюда
,т.е. . (2.65)
Коэффициент вариации случайной величины X, имеющей показательное распределение, равен единице:
Существует важное соотношение между пуассоновским и экспоненциальным распределениями. Если случайная величина подчинена закону Пуассона и представляет собой число отказов в единицу времени, то случайная величина, которая определяет промежуток времени между двумя последовательными отказами, распределена по экспоненциальному закону. Экспоненциальное распределение можно, в сущности, вывести из распределения Пуассона.
Е. Равномерное распределение
Непрерывная случайная величина X имеет равномерное распределение на отрезке [а, b], если на этом отрезке плотность распределения постоянна, а вне его — равна нулю:
(2.66)
Значения f(x) в крайних точках а и b участка (а, Ь) не указываются, так как вероятность попадания в любую из этих точек для непрерывной случайной величины X равна нулю.
Кривая равномерного распределения имеет вид прямоугольника, опирающегося на участок [а, b].
Математическое ожидание случайной величины X, имеющей равномерное распределение на участке [а,b], равно:
(2.67)
Дисперсия случайной величины X, имеющей равномерное распределение на участке [а, b], вычисляется по формуле:
(2.68)
Отсюда
(2.69)
Вероятность попадания равномерно распределенной случайной величины X на участок выразим формулой:
(2.70)
Пример 2.5. Троллейбусы прибывают на остановку через 4 мин. Какова вероятность того, что время ожидания троллейбуса не превысит 3 мин?
Решение
Так как = 3 мин., а (b — а) = 4 мин., то