Математическое моделирование при помощи малых выборок

Основы моделирования, классификации моделей. Анализ результатов натурных и вычислительных экспериментов. Классические и поисковые методы генерации и использования псевдослучайных чисел. Имитационное и статистическое моделирование, метод Монте-Карло.

Рубрика Математика
Вид дипломная работа
Язык русский
Дата добавления 13.10.2015
Размер файла 889,6 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

-1,25

1056

-1,65

0495

-2,50

0062

-1,26

1038

-1,66

0485

-2,60

0047

-1,27

1020

-1,67

0475

-2,70

0035

-1,28

1003

-1,68

0465

-2,80

0026

-1,29

0985

-1,69

0455

-2,90

0019

-3,00

0,0014

0,30

0,6179

0,70

0,7580

-3,10

0010

0,31

6217

0,71

7611

-3,20

0007

0,32

6255

0,72

7642

-3,30

0005

0,33

6293

0,73

7673

-3,40

0003

0,34

6331

0,74

7703

-3,50

0002

0,35

6368

0,75

7734

-3,60

0002

0,36

3406

0,76

7764

-3,70

0001

0,37

6443

0,77

7794

-3,80

0,0001

0,38

6480

0,78

7823

-3,90

0000

0,39

6517

0,79

7852

0,00

0,5000

0,40

0,6554

0,80

0,7881

0,01

5040

0,41

6591

0,81

7910

0,02

5080

0,42

6628

0,82

7939

0,03

5120

0,43

6664

0,83

7967

0,04

5160

0,44

6700

0,84

7995

0,05

5199

0,45

6736

0,85

8023

0,06

5239

0,46

6772

0,86

8051

0,07

5279

0,47

6808

0,87

8078

0,08

5319

0,48

6844

0,88

8106

0,09

5359

0,49

6879

0,89

8133

0,10

0,5398

0,50

0,6915

0,90

0,8159

0,11

5438

0,51

6950

0,91

8186

0,12

5478

0,52

6985

0,92

8212

0,13

5517

0,53

7019

0,93

8238

0,14

5557

0,54

7054

0,94

8264

0,15

5596

0,55

7088

0,95

8289

0,16

5636

0,56

7123

0,96

8315

0,17

5675

0,57

7157

0,97

8340

0,18

5714

0,58

7190

0,98

8365

0,19

5753

0,59

7224

0,99

8389

0,20

0,5793

0,60

0,7257

1,00

0,8413

0,21

5832

0,61

7291

1,01

8437

0,22

5871

0,62

7324

1,02

8461

0,23

5910

0,63

7357

1,03

8485

0,24

5948

0,64

7389

1,04

8508

0,25

5987

0,65

7422

1,05

8531

0,26

6026

0,66

7454

1,06

8554

0,27

6064

0,67

7486

1,07

8577

0,28

6103

0,68

7517

1,08

8599

0,29

6141

0,69

7549

1,09

8621

1,10

0,8643

1,50

0,9332

1,90

0,9713

1,11

8665

1,51

9345

1,12

8686

1,52

9357

1,91

9719

1,13

8708

1,53

9370

1,92

9726

1,14

0,8729

1,54

0,9382

1,15

8749

1,55

9394

1,92

1,16

8770

1,56

9406

1,93

9732

1,17

8790

1,57

9418

1,94

9738

1,18

8810

1,58

9429

1,95

9744

1,19

8830

1,59

9441

1,96

9750

1,20

0,8849

1,60

0,9452

1,97

9756

1,21

8869

1,61

9463

1,98

0,9761

1,22

8888

1,62

9474

1,23

8907

1,63

9484

1,99

9767

1,24

8927

1,64

9495

1,25

8944

1,65

9505

2,00

0,9772

1,26

8962

1,66

9515

2,10

9821

1,27

8980

1,67

9525

2,20

9861

1,28

8997

1,68

9535

2,30

9893

1,29

9015

1,69

9545

2,40

9918

1,30

0,9032

1,70

0,9554

2,50

9938

1,31

9049

1,71

9564

2,60

9953

1,32

9066

1,72

9573

1,33

9082

1,73

9582

2,70

9965

1,34

9099

1,74

9591

1,35

9115

1,75

9599

2,80

9974

1,36

9131

1,76

9608

2,90

9981

1,37

9147

1,77

9616

3,00

0,9986

1,38

9162

1,78

9625

3,10

9990

1,39

9177

1,79

9633

3,20

9993

1,40

0,9192

1,80

0,9641

1,41

9207

1,81

9649

3,30

9995

1,42

9222

1,82

9656

1,43

9236

1,83

9664

3,40

9997

1,44

9251

1,84

9671

3,50

9998

1,45

9265

1,85

9678

3,60

9998

1,46

9279

1,86

9686

3,70

9999

1,47

9292

1,87

9693

1,48

9306

1,88

9699

3,80

9999

1,49

9319

1,89

9706

3,90

1,0000

Таблица 3.2

Значения вероятностей при разном объеме выборки

Нормированное отклонение

Значение при малых выборках с численностями

Значение при больших выборках

1,0

2,0

3,0

78,9

90,8

95,2

81,3

94,2

98,0

82,8

96,2

99,2

83,5

97,0

99,6

84,1

97,7

99,9

Из таблицы 3.2. видно, что с увеличением объема выборки малая выборка быстро приближается к нормальной. В то же время при очень маленькой численности выборки расхождения между значениями при данном значении весьма значительны.

Исследованиями было установлено, что распределение Стьюдента практически применимо не только в случае нормального распределения признака в генеральной совокупности. Оказалось, что оно происходит к практически приемлемым выводам и тогда, когда распределения признака в генеральной совокупности не является нормальным, а лишь симметрично и даже несколько асимметрично, но объем выборки не слишком мал.

Значения функции распределения Стьюдента затабулированы при различных значениях Поэтому при оценке выборочных характеристик пользуются готовыми таблицами:

Таблица 3.3

Таблица значений функции

1

2

3

4

5

6

7

8

9

10

0,0

0,500

0,500

0,500

0,500

0,500

0,500

0,500

0,500

0,500

0,500

0,1

0,532

0,535

0,537

0,537

0,538

0,538

538

539

539

539

0,2

0,563

0,570

0,573

0,574

0,575

0,576

576

577

577

577

0,3

0,593

0,604

0,608

0,610

0,612

0,613

614

614

614

615

0,4

0,621

0,636

0,642

0,645

0,647

0,648

649

650

651

651

0,5

0,648

0,667

0,674

0,678

0,681

0,683

684

685

685

686

0,6

0,672

0,695

0,705

0,710

0,713

0,715

716

717

718

719

0,7

0,694

0,722

0,733

0,739

0,742

0,745

747

748

749

750

0,8

0,715

0,746

0,759

0,766

0,770

0,773

775

777

778

779

0,9

0,733

0,768

0,783

0,790

0,795

0,799

801

803

804

805

1,0

0,750

0,789

0,803

0,813

0,818

0,822

825

827

828

830

1,1

0,765

0,807

0,824

0,833

0,839

0,843

846

848

850

851

1,2

0,779

0,823

0,842

0,852

0,858

0,862

865

868

870

871

1,3

0,791

0,838

0,858

0,868

0,875

0,879

883

885

887

889

1,4

0,803

0,852

0,872

0,883

0,890

0,894

898

900

902

904

1,5

0,813

0,864

0,885

0,896

0,903

0,908

911

914

916

918

1,6

0,822

0,875

0,896

0,098

0,915

0,920

923

926

928

930

1,7

0,831

0,884

0,906

0,918

0,925

0,930

933

936

938

940

1,8

0,839

0,893

0,915

0,927

0,934

0,939

943

945

947

949

1,9

0,846

0,901

0,923

0,935

0,942

0,947

950

953

955

957

2,0

0,852

0,908

0,930

0,942

0,949

0,954

957

960

962

963

2,1

0,858

0,915

0,937

0,948

0,955

0,960

963

965

967

969

2,2

0,864

0,921

0,942

0,954

0,960

0,965

968

970

972

974

2,3

0,869

0,926

0,947

0,958

0,965

0,969

972

975

976

978

2,4

0,874

0,931

0,952

0,963

0,969

0,973

976

978

980

981

2,5

0,879

0,935

0,956

0,967

0,973

0,980

979

981

983

984

2,6

0,883

0,939

0,960

0,970

0,976

0,982

982

984

986

987

2,7

0,887

0,943

0,963

0,973

0,979

0,984

985

986

988

989

2,8

0,891

0,946

0,966

0,976

0,981

0,986

987

988

990

991

2,9

0,894

0,949

0,969

0,978

0,983

0,988

988

990

991

992

3,0

0,898

0,952

0,971

0,980

0,985

0,989

990

991

992

993

3,1

0,901

0,955

0,973

0,982

0,987

0,991

991

993

994

994

3,2

0,904

0,957

0,975

0983

0,988

0,992

992

994

995

995

3,3

0,906

0,960

0,977

0,985

0,989

0,993

993

995

995

996

3,4

0,909

0,962

0,979

0,986

0,990

0,994

994

995

996

997

3,5

0,911

0,964

0,980

0,988

0,991

0,994

995

996

997

997

3,6

0,914

0,965

0,982

0,989

0,992

0,995

996

996

997

998

3,7

0,916

0,967

0,983

0,990

0,993

0,995

996

997

997

998

3,8

0,918

0,969

0,984

0,990

0,994

0,996

997

997

998

998

3,9

0,920

0,970

0,985

0,991

0,994

0,996

997

998

998

998

4,0

0,922

0,971

0,986

0,992

0,995

0,997

997

998

998

999

4,1

0,924

0,973

0,987

0,993

0,995

0,997

998

998

999

999

4,2

0,926

0,974

0,988

0,993

0,996

0,997

998

998

999

999

4,3

0,927

0,975

0,988

0,994

0,996

0,998

998

999

999

999

4,4

0,929

0,976

0,989

0,994

0,996

0,998

998

999

999

999

4,5

0,930

0,977

0,990

0,995

0,997

0,998

999

999

999

999

4,6

0,932

0,978

0,990

0,995

0,997

0,998

999

999

999

999

4,7

0,933

0,979

0,991

0,996

0,997

0,998

999

999

999

1,000

4,8

0,935

0,980

0,991

0,996

0,998

0,999

999

999

995

4,9

0,936

0,980

0,992

0,996

0,998

0,999

999

999

1,000

5,0

0,937

0,981

0,992

0,996

0,998

0,999

999

999

5,1

0,938

0,982

0,993

0,997

0,998

0,999

999

999

5,2

0,939

0,982

0,993

0,997

0,998

0,999

999

1,000

5,3

0,941

0,983

0,993

0,997

0,998

0,999

999

5,4

0,942

0,984

0,994

0,997

0,998

0,999

999

5,5

0,943

0,984

0,994

0,997

0,999

0,999

999

5,6

0,944

0,985

0,994

0,997

0,999

0,999

1,000

5,7

0,945

0,985

0,995

0,998

0,999

0,999

5,8

0,946

0,986

0,995

0,998

0,999

0,999

5,9

0,947

0,986

0,995

0,998

0,999

0,999

6,0

0,947

0,987

0,995

0,998

0,999

0,999

Значения функции распределения Стьюдента могут быть использованы различными способами в зависимости от характера решаемых задач при определении вероятности отклонения выборочной от генеральной. Наиболее часто используются:

1) Определение вероятности того, что разность между выборочной средней и генеральной средней окажется меньше на некоторую заданную величину. В нормированных отклонениях задача сводится к определению вероятности того, что окажется меньше значения , задаваемого условиями задачи, т.е. к нахождению значения

Рис 3.3 Вероятность больших отрицательных отклонений

Это есть вероятность больших отрицательных отклонений, которая на рис. 3.3 соответствует заштрихованной площади.

2) Определение вероятности того, что разность между выборочной средней и средней генеральной окажется не менее некоторой заданной величины, иначе говоря, следует найти

Рис 3.4 Вероятность больших положительных отклонений

Это есть вероятность больших положительных отклонений, которая показана в виде заштрихованной площади на рис. 3.4. эту вероятность легко найти, используя таблицы .

3) Определение вероятности того, что нормированное отклонение по абсолютной величине окажется менее , выражается

Это есть вероятность меньших по абсолютной величине отклонений. Эта вероятность может быть определена с использованием таблиц . Поскольку на практике чаще всего приходится определять эту вероятность, составленной специальной таблицы значения (табл. 3.3).

Графическая иллюстрация вероятности меньших по абсолютной величине отклонений дана на рис. 3.5

Рис 3.5 Вероятность меньших по абсолютной величине отклонений

4) Определение вероятности того, что ошибка выборки по абсолютной величине окажется не менее некоторой заданной величины. В нормированных единицах вероятность того, что по абсолютной величине окажется не менее , выразится

Это есть вероятность больших по абсолютной величине отклонений. Графически она иллюстрируется на рис. 3.6.

Рис 3.6 Вероятность больших по абсолютной величине отклонений

Для нахождения вероятности больших по абсолютной величине отклонений имеются специальные таблицы (приложение 3). Эту вероятность легко можно вычислить, также используя таблицы.

3.2 Оценка средней по малой выборки

На практике к малым выборкам относятся выборки объемом менее 30 единиц. При малых выборках выборочная дисперсия оказывается значительно смещенной. Поэтому применять функцию нормального распределения для вероятностных выводов о возможной величине ошибки было бы неправомерно. При малом объеме выборки нужно использовать несмещенную оценку дисперсии:

n-1 -эта величина называется числом степеной свободы вариации.

Теория малых выборок была разработана английским математиком-статистиком Стьюдентом. В 1908 году он выявил специальное распределение, которое позволяет и при малых выборках соотносить t и доверительную вероятность F(t). Рассматривая вместо абсолютных отклонений их отношения к независимому стандарту Стьюдент нашел распределение, которое зависит только от числа выборки.

Величина t-Стьюдента выражается как следующее соотношение:

Величина S2 рассматривается здесь как независимо распределенная от числителя переменная. S определяется по данным выборки как:

Дифференциальный закон распределение Стьюдента (плотность вероятности) имеет вид:

где n-объем выборки;= С - величина соответствующая максимальной ординате кривой распределения при t=0.

где tф - стандартизированная (нормированная) разность, вычисляемая по результатам малой выборки.

Величины Г() и Г() являются гамма- функциями .

Распределение Стьюдента замечательно тем, что зависит только от одного параметра (объема выборки n) и не зависит от средней и дисперсии генеральной совокупности.

Распределение Стьюдента точно для любого объема выборки n и для малых выборок, что позволяет делать вероятностные выводы по малому числу наблюдений.

При увеличении объема выборки величина приближается к значению , а распределение Стьюдента приближается к нормальному. При распределение Стьюдента становится нормальным. Практически для нормального приближения считается достаточным

P(t< tб)= S(tб)

Это вероятность больших отрицательных отклонений (рис. 1).

Рис. 1 Рис. 2

P(t? tб)=1- S(t)

Это вероятность больших положительных отклонений (рис. 2).

P(-tб <t< tб)= P(|t|<tб)=2S(tб)-1

Это вероятность меньших по абсолютной величине отклонений (рис. 3).

Рис 3 Рис 4

P(|t|?tб)=2[1-S(tб)]

Это есть вероятность больших по абсолютной величине отклонений (рис. 4).

Рассмотрим на примере изложенную выше теорию.

По экспериментальным и статистическим данным составлена табл. 1.

Таблица 1

150

160

154

152

165

161

157

156

155

159

158

161

153

157

151

166

Вычисляем среднее арифметическое значение по таблице:

При малом объеме выборки нужно пользоваться несмещенной оценкой дисперсии и стандартного отклонения:

Среднее квадратическое (стандартное) отклонение данной выборки определяется как

отсюда , а Смотря по значениям в таблице, определяется и .

Величина t- Стьюдента выражается как отношение

По дифференциальному закону распределения Стьюдента (плотности вероятности) находим , где объем выборки:

где величина, которая соответствует максимальной ординате кривой распределения при Гамма - функция всегда имеет конечную величину и выражается через факториалы и по свойству гамма - функции Используя это свойство можно легко вычислить значения в выражении t - распределения.

Соответственно функция распределения Стьюдента выражается:

Расчеты показывают, что распределение Стьюдента точно для любого объема выборки n, и следовательно, и для малых выборок, что позволяет делать вероятностные выводы по малому числу наблюдений.

Размещено на Allbest.ru


Подобные документы

  • Математическое обоснование алгоритма вычисления интеграла. Принцип работы метода Монте–Карло. Применение данного метода для вычисления n–мерного интеграла. Алгоритм расчета интеграла. Генератор псевдослучайных чисел применительно к методу Монте–Карло.

    курсовая работа [100,4 K], добавлен 12.05.2009

  • Некоторые сведения теории вероятностей. Математическое ожидание, дисперсия. Точность оценки, доверительная вероятность. Доверительный интервал. Нормальное распределение. Метод Монте-Карло. Вычисление интегралов методом Монте-Карло. Алгоритмы метода.

    курсовая работа [112,9 K], добавлен 20.12.2002

  • Исследование способа вычисления кратных интегралов методом Монте-Карло. Общая схема метода Монте-Карло, вычисление определенных и кратных интегралов. Разработка программы, выполняющей задачи вычисления значений некоторых примеров кратных интегралов.

    курсовая работа [349,3 K], добавлен 12.10.2009

  • Моделирование как метод научного познания, его сущность и содержание, особенности использования при исследовании и проектировании сложных систем, классификация и типы моделей. Математические схемы моделирования систем. Основные соотношения моделей.

    курсовая работа [177,9 K], добавлен 15.10.2013

  • Метод Монте-Карло як метод моделювання випадкових величин з метою обчислення характеристик їхнього розподілу, оцінка похибки. Обчислення кратних інтегралів методом Монте-Карло, його принцип роботи. Приклади складання програми для роботи цим методом.

    контрольная работа [41,6 K], добавлен 22.12.2010

  • Способы получения псевдослучайных чисел. Общая характеристика генератора псевдослучайных чисел фон Неймана. Сущность равномерного закона распределения. Понятие о критериях согласия. Анализ критериев Пирсона и Колмогорова.

    курсовая работа [176,9 K], добавлен 28.04.2010

  • Моделирование как метод познания. Классификаций и характеристика моделей: вещественные, энергетические и информационные. Математическая модель "хищники-жертвы", ее сущность. Порядок проверки и корректировки модели. Решение уравнений методом Рунге-Кутта.

    методичка [283,3 K], добавлен 30.04.2014

  • Компьютерное моделирование в базовом курсе информатики. Роль компьютерного моделирования в процессе обучения. Методические рекомендации курса "Математические основы моделирования 3D объектов" базового курса "компьютерное моделирование".

    дипломная работа [284,6 K], добавлен 07.07.2003

  • Математическое моделирование задач коммерческой деятельности на примере моделирования процесса выбора товара. Методы и модели линейного программирования (определение ежедневного плана производства продукции, обеспечивающей максимальный доход от продажи).

    контрольная работа [55,9 K], добавлен 16.02.2011

  • Получение интервальной оценки. Построение доверительного интервала. Возникновение бутстрапа или практического компьютерного метода определения статистик вероятностных распределений, основанного на многократной генерации выборок методом Монте-Карло.

    курсовая работа [755,6 K], добавлен 22.05.2015

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.