- •1,Основные понятия Теории Вероятности
- •2, Сумма событий. Теорема сложения вероятностей
- •4 Формула полной вероятности.
- •3. Произведение событий
- •5 Формула Бернулли.
- •6. Лаплас .Пуассон
- •7. Дискретной случайной величиной
- •8. Числовые характеристики дискретных случайных величин.
- •16 Точечные оценки параметров распределения
- •9.Непрерывные функции распределения
- •10 Числовые характеристики непрерывных случайных величин.
- •17 Интервальные оценки параметров распределения при известном
- •11, Законы распределения
- •13. Двумерные случайные величины
- •12 Нормальный закон распределения.
- •15 Основные понятия мат статистики
- •18 Интервальные оценки параметров распределения при неизвестнов
- •20. Элементы корреляционного анализа
- •19 Статистическая проверка гипотез
- •25.Симплекс метод
- •1 Этап. Построение первоначального базисного плана.
- •21.Линейная регрессия
- •22.Примеры производственных задач лесного комплекса, приводящие к задачам линейного программирования
- •26. М –задача. Свойства решений м- задачи
- •23.Постановка задачи линейного программирования
- •28. Поток событий. Основные понятия и характеристики
21.Линейная регрессия
Распределение системы СВ характеризуется числовыми параметрами: математическими ожиданиями компонент,; дисперсиями,; корреляционным моментом (ковариацией);коэффициентом корреляции ,.
Здесь и дальше, будем считать, что двумерная СВ распределена нормально, тогдауравнения линейной регрессии на и на имеют вид [3]:
.По корреляционной таблице 1, найдем оценки параметров линейной регрессии, (см. лаб. раб. №3):
; ;;;;- выборочный коэффициент корреляции . (7) Выборочный коэффициент корреляциихарактеризует тесноту линейной связи междуи. Если, то элементы выборки,, лежат на прямой линии, аисчитаются практически линейно зависимы. Чем ближек 1, тем связь сильнее; чем ближек 0, тем связь слабее. Еслиинезависимы, то.
Эмпирическая функция линейной регрессии наинасоответственно задаётся уравнениями.
22.Примеры производственных задач лесного комплекса, приводящие к задачам линейного программирования
Важной задачей в лесной промышленности является задача оптимального раскроя материала (бревен, досок, брусков и т.д.). От этой операции во многом зависит эффективность производства.
Познакомимся с решением задач линейного программирования на примере задачи оптимальной раскряжевки брёвен[5].
На предприятии имеются бревна длиной 6 м, которые необходимо разрезать на заготовки длиной 2,8 м в количестве 800 шт., 2,1 м − 900 шт., 1,8 м − 6000 шт. Необходимо составить оптимальный план раскроя материала, который обеспечивает минимальные отходы, при условии выполнения плана по выходу заготовок.
Решение. Сначала составим математическую модель нашей задачи. Возможные варианты раскроя и отходы при каждом из них запишем в виде табл. 2.
Длина заготовки |
Варианты раскроя |
Количество заготовок | ||||||
|
1 |
2 |
3 |
4 |
5 |
6 |
| |
2,8 м |
2 |
1 |
1 |
0 |
0 |
0 |
800 | |
2,1 м |
0 |
1 |
0 |
2 |
1 |
0 |
900 | |
1,8 м |
0 |
0 |
1 |
1 |
2 |
3 |
6000 | |
Остаток, м |
0,4 |
1,1 |
1,4 |
0 |
0,3 |
0,6 |
|
26. М –задача. Свойства решений м- задачи
Метод искусственного базиса. (М-задача).
Если каноническая ЗЛП не имеет единичного базиса, то вводится искусственный базис. К левым частям равенств добавляют искусственные переменные и переходят к расширенной задаче (М-задаче) :
,
,
где М − произвольное достаточно большое положительное число.
Единичные векторы , соответствующие искусственным переменным, образуют базис.
Решая М-задачу симплекс-методом, через конечное число итераций, придем к оптимальному плану, либо установим неразрешимость М-задачи.
М-задача имеет следующие особенности.
1. Искусственные векторы находятся лишь в столбце базисных векторов и могут не записываться в саму таблицу. Искусственные базисные векторы исчезают из таблицы по мере их исключения.
2. Последняя индексная строка разделяется на две строки: в верхнюю записываются свободные слагаемые оценок, а в нижнюю коэффициенты при .
3. Критерий оптимальности сначала проверяется по коэффициентам , и при их полном исключении задача решается обычным образом.
4. Если в оптимальном плане М-задачи все искусственные переменные равны нулю, то данный план будет решением исходной задачи.
5. Если в оптимальном плане М-задачи хотя бы одна из искусственных переменных отлична от нуля, то исходная задача не имеет допустимых планов, т. е. система ограничений несовместна.