- •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
2.5. Выбор теоретического закона распределения случайной величины
В любом статистическом распределении присутствуют элементы случайности, и, как следствие, экспериментальные точки гистограммы обычно колеблются от опыта к опыту около неизвестной кривой истинного распределения.
При наличии числовых характеристик случайной величины (математического ожидания, дисперсии, коэффициента вариации) законы ее распределения могут быть определены в первом приближении по табл. 2.2.
Таблица 2.2
Законы распределения случайной положительной величины в зависимости от коэффициента вариации
Пределы изменения коэффициента вариации Vx |
Закон распределения случайной величины X |
|
Нормальный |
0,3 < Vx < 0,4 |
Гамма-распределение |
|
Вейбулла |
|
Экспоненциальный, Пуассона |
Для более точного определения теоретического закона распределения проводят дополнительную статистическую обработку данных. При обработке статистических данных решают вопрос о том, как подобрать для исходного статистического ряда теоретическую кривую распределения, которая выражала бы лишь существенные черты статистического материала, но не случайности, обусловленные недостаточным объемом выборки экспериментальных данных. Под построением теоретической кривой распределения понимается такая обработка статистических данных, когда обеспечивается подбор наиболее подходящего теоретического закона распределения, который может быть задан либо функцией распределения F(x), либо плотностью распределения f(х).
Для построения теоретической кривой распределения исходный статистический ряд распределения аппроксимируется одной из дифференциальных функций теоретического распределения f(x). При этом выбирается такая функция f(x), которая обеспечивала бы максимальное приближение теоретических данных к эмпирическим . Для оценки правдоподобия этого приближенного равенства разработано несколько критериев согласия проверяемых гипотез относительно вида функции f(x).
Наиболее употребительными критериями согласия являются критерий К. Пирсона и критерий А. Н. Колмогорова. Для примера подробно рассмотрим критерий К. Пирсона.
Критерий К. Пирсона
Согласно критерию К. Пирсона в качестве меры расхождения между теоретическим законом распределения и статистическим распределением выбрана величина, определяемая следующим выражением:
(2.71)
где k - число интервалов статистического ряда;
— статистическая вероятность попадания случайной величины в интервал;
— теоретическая вероятность попадания случайной величины X в i-й интервал.
Учитывая соотношение , выражение (2.71) после преобразований записывается в виде:
(1.72)
где — эмпирическое количество значений случайной величины, попадающих в i-й интервал.
Для того чтобы выяснить, является ли полученное расхождение случайным за счет ограниченного объема выборки или свидетельствует о наличии существенной разницы между теоретическим и статистическим распределениями, необходимо вычислить вероятность такого расхождения , т. е. вероятность того, что за счет чисто случайных причин мера расхождения теоретического и статистического распределений будет не меньше, чем фактическое значение для данной выборки. Величина вероятности расхождения определяется по специальным таблицам при известных значениях r и .
Число степеней свободы r вычисляется для данного статистического ряда распределения как
r=k-1, (2.73)
где l — число исчисленных статистических характеристик (средняя, дисперсия и т. д.), использованных при вычислении теоретического распределения.
Если искомая вероятность окажется очень малой, практически меньше 0,1, то выбранное теоретическое распределение следует считать неудачным. При относительно большом значении искомой вероятности теоретическое распределение можно признать не противоречащим опытным данным.
Следует отметить, что критерий К. Пирсона применим в тех случаях, когда объем выборки и в каждом интервале число наблюдений не менее .
Пример 2.6. Пользуясь критерием К- Пирсона, подобрать теоретический закон распределения для часовой выработки автомобилей КамАЗ-5511, статистическое распределение которой приведено в табл. 2.1 примера 2.1.
Решение
По форме гистограммы рис. 2.4 можно предположить, что часовая выработка автомобиля подчиняется нормальному закону.
Для оценки числовых характеристик нормального распределения вычислим:
математическое ожидание
= (9.7 ‑6.25)∙ 0.14 + (9.7 ‑7.75)∙0.17 + (9.7 ‑9.25)∙ 0.17 + (9.7 ‑10.75)∙-0.15 + (9.75 ‑12.25)∙ 0.14 + (9.7 ‑13.75)∙ 0.11 + (9.7 ‑15.25)∙ 0.05 ≈8.48, дисперсию где - значение середины i-го интервала.
Среднее квадратическое отклонение
Коэффициент вариации
Величина Vx = 0,3 свидетельствует о том, что теоретическое распределение близко к нормальному закону распределения. Проверим данную гипотезу, воспользовавшись критерием согласия .
Определим теоретическую вероятность попадания значений часовой выработки автомобиля в заданные интервалы, используя формулу (2.52):
где - границы i-го интервала (табл. 2.1.).
Затем составим сравнительную таблицу (табл.2.3.) чисел попаданий в интервалы и соответствующих значений (n=100)
Таблица 2.3.