Бычков 3 курс 2 семестр все лабы / ЗАДАНИЕ / ЛР5_Maple
.pdfЛабораторная работа
Статистический анализ в Maple
Методические указания
Пакет статистических расчетов stats
Характеристика пакета stats
Мир математических систем сейчас насыщен статистическими системами, например такими, как Statistica или StatGraphics. Они прекрасно приспособлены для решения задач статистической обработки обширных массивов данных. Тем не менее проведение статистических расчетов в Maple 7 возможно и в ряде случаев весьма целесообразно — например, когда они являются частью исследовательского проекта.
Пакет stats для таких расчетов представлен всего двумя многоцелевыми статистическими функциями:
stats[subpackage, functionj(args)
subpackage[function](args)
Однако благодаря специальной форме задания параметров (в частности, в виде подпакетов — subpackages) возможно вычисление самых разнообразных статистических функций. Имеются следующие подпакеты:
anova — вариационный анализ;
describe — функции распределения вероятности;
fit — регрессионный анализ;
random — генерация случайных чисел с различными законами
распределения;
statevalf — вычисление статистических функций и получение оценок для
массивов данных;
statplots — построение графиков статистических функций;
transform — функции преобразования данных.
Генерация случайных чисел с заданным распределением
Основой этого подпакета является функция random:
random[distribution] (quantity,unifarm,method)
или
stats[random, distribution] (quantity,unifofm,method)
где
1
distribution — описание закона распределения случайных чисел;
quantity — положительное число, указывающее на количество получаемых
случайных чисел (по умолчанию 1, возможен параметр 'generator');
uniform — процедура генерации чисел с равномерным распределением или
ключевое слово 'default' (по умолчанию);
method — указание на один из трех методов ('auto', 'inverse' или 'builtin').
Возможно задание дискретных и непрерьвных распределений, например -дискретное биномиальное распределение, discreteumform — дискретное 'равномерное распределение, empirical — дискретное эмпирическое распределение, poisson — дискретное распределение Пуассона, beta — бетараспределение, cauchi — .распределение Коши, exponential — экспоненциальное и др. (есть функции практически для всех известных распределений).
Следующие примеры демонстрируют технику получения случайных чисел с заданным законом распределения;
Графика статистического пакета stats
Статистический пакет stats имеет свою небольшую библиотечку для построения графиков. Она вызывается в следующем виде:
stats[statplots, function](args)
2
или
statplots[function](args)
Вид графика задается описанием function: boxplot, histogram, notehedbox, quantile, quantile2,
scatterld, scatter2d и symmetry. Данные функции обеспечивают построение типовых графиков, иллюстрирующих статистические расчеты. В качестве примера на рис. 16.13 показано задание множества случайных точек и его отображение на плоскости в ограниченном прямоугольником пространстве.
Рис. 16.13. Создание случайных точек и построение их на плоскости
По равномерности распределения точек можно судить о качестве программного генератора случайных чисел, встроенного в Maple 7.
Довольно часто для визуализации вычислений используется построение гистограмм. Для их создания пакет stats имеет функцию histogram:
stats[statplotsб histogram](data) :
3
statplots[h1stogram](data)
stats[statplots, histogram[scale](data)
statp1ots[histogram[scale](data)
Здесь data — список данных, scale — число или описатель. Детали применения этой простой функции поясняет рис. 16.14. На нем дан два примера — построение столбцов заданной ширины и высоты и построение гистограммы 100 случайных чисел с нормальным распределением.
Рис. 16.14. Построение гистограмм
Обратите внимание на то, что для второго примера гистограмма будет несколько меняться от пуска к пуску, так как данные для ее построения генерируются случайным образом.
Регрессионный анализ
Под регрессионным анализом (или просто регрессией) обычно подразумевают нахождение некоторой формальной аналитической зависимости, которая приближенно (по критерию минимума среднеквадратической ошибки) аппроксимирует исходную зависимость. Последняя чаще всего бывает
4
представлена некоторым набором точек (например, полученных в результате эксперимента).
Для проведения регрессионного анализа служит функция fit, которая вызывается следующим образом:
stats[fit,leastsquare[vars,eqn.parms]](data)
или
fit[leastsquare[vars,eqn.parms]](data)
где data — список данных, vars — список переменных для представления данных, eqn — уравнение, задающее аппроксимирующую зависимость (по умолчанию линейную), parms — множество параметров, которые будут заменены вычисленными значениями.
На приведенных ниже примерах показано проведение регрессии с помощью функции fit для зависимостей вида у(х):
>with(stats):Digits:=5; Digits := 5
>fit[leastsquare[[x,y]]]([[l,2,3,4].[3,3.5,3.9,4.6]]);
у = 2.4500 + .52000 х
>fit[leastsquare[[x,y], y=a*x"2+b*x+c]]([[l.2,3.4],[1.8,4.5,10,16.5]]);
2
у = .95000 х + .21000 х + .55000
В первом примере функция регрессии не задана, поэтому реализуется простейшая линейная регрессия, и функция fit возвращает полученное уравнение регрессии для исходных данных, представленных списками координат узловых точек. Это уравнение аппроксимирует данные с наименьшей среднеквадратичной погрешностью. Во втором примере задано приближение исходных данных степенным многочленом второго порядка. Вообще говоря, функция fit обеспечивает приближение любой функцией полиномом.
Рисунок 16.15 показывает регрессию для одних и тех же данных Полиномами первой, второй и третьей степени с построением их графиков и точек исходных данных. Нетрудно заметить, что лишь для полинома третьей степени точки исходных данных точно укладываются на кривую полинома, поскольку в этом случае (4 точки) регрессия превращается в полиномиальную аппроксимацию. В других случаях точного попадания точек на линии регрессии нет, но обеспечивается минимум среднеквадратической погрешности для всех точек — следствие реализации метода наименьших квадратов.
Функция fit может обеспечивать регрессию и для функций нескольких переменных. При этом надо просто увеличить размерность массивов исходных данных. В
5
качестве примера ниже приведен пример регрессии для функции двух переменных:
>f:=fit[1eastsquare[[x,y,z],z=-a+b*x+c*y,{a,b,c}]]\ ([[l,2,3.5,5],[2.4,6,8.8],[3,5,7,10,Weight(15,2)]]): f:=z=l + 13/3x-7/6y
> fa:=unapply(rhs(f),x,y); fa:=(x,y)->l + 13/3x-7/6y z > fa(1.,2.); 2.999999999
>fa(2,3):
37/6
6
Рис. 16.15. Примеры регрессии полиномом и первой, второй и третьей степени
В данном случае уравнение регрессии задано в виде z = a + bx + cy. Обратите внимание на важный момент в конце этого примера — применение полученной функции регрессии для вычислений или построения ее графика. Прямое применение функции f в данном случае невозможно, так как она представлена в не вычисляемом формате. Для получения вычисляемого выражения она преобразуется в функцию двух переменных fa(x,y) путем отделения правой части выражения для функции f. После этого возможно вычисление значений функции fa(x,y) для любых заданных значений х и у.
Индивидуальные задания:
1. Построить уравнение регрессии для заданных наборов статистических данных, y – расходы населения на коммунальные услуги, x – среднедушевой доход: линейное, и представленное многочленом второго порядка. Построить графическое представление статистических данных и графики полученных уравнений регрессии.
7
8
2.Создать массив 100 случайных чисел и построить его графическое представление. Построить два типа гистограмм: столбиковой для n+3 диапазонов данных (n – номер варианта) и гистограммы 100+n случайных чисел с нормальным распределением.
9