توزیع بتا یک متغیر تصادفی. توزیع بتا

توزیع بتا را در نظر بگیرید، انتظارات ریاضی، واریانس و حالت آن را محاسبه کنید. با استفاده از تابع MS EXCEL BETA.DIST ()، نمودارهای تابع توزیع و چگالی احتمال را رسم می کنیم. بیایید یک آرایه از اعداد تصادفی ایجاد کنیم و پارامترهای توزیع را ارزیابی کنیم.

توزیع بتابتا- توزیع) به 2 پارامتر بستگی دارد: α ( آلفا)> 0(شکل توزیع را مشخص می کند) و ب (بتا)> 0(مقیاس را تعیین می کند).

بر خلاف بسیاری از توزیع های پیوسته دیگر، دامنه تغییرات یک متغیر تصادفی دارای توزیع بتا، توسط بخش محدود شده است. خارج از این بخش چگالی توزیعبرابر با 0. مرزهای این بخش بسته به مسئله توسط محقق تعیین می شود. اگر A = 0 و B = 1، پس چنین است توزیع بتااستاندارد نامیده می شود.

توزیع بتاتعیین را دارد بتا(آلفا؛ بتا).

توجه داشته باشید: اگر پارامترهای آلفاو بتا= 1، پس توزیع بتاتبدیل می شود، یعنی. بتا (1؛ 1؛ A؛ B) = U (A؛ B).

به طور کلی تابع توزیعنمی توان آن را در توابع ابتدایی بیان کرد، بنابراین با روش های عددی، به عنوان مثال، با استفاده از تابع MS EXCEL BETA.DIST () محاسبه می شود.

توجه داشته باشید: برای راحتی نوشتن فرمول ها در فایل مثال برای پارامترهای توزیع آلفا و بتامناسب.

فایل مثال حاوی نمودار نیز می باشد چگالی احتمالیو توابع توزیعبا مقادیر مشخص شده وسط، و .

تولید اعداد تصادفی و تخمین پارامتر

استفاده كردن تابع توزیع معکوس(یا مقادیر کمیت ( پ- چندک), ببینید) می توانید مقادیر یک متغیر تصادفی را ایجاد کنید توزیع بتا... برای این کار باید از فرمول استفاده کنید:

BETA.OBR (RAND (؛ آلفا؛ بتا؛ A؛ B)

مشاوره: زیرا اعداد تصادفی با استفاده از تابع RAND () و سپس فشار دادن کلید تولید می شوند F9، می توان هر بار یک نمونه جدید و بر این اساس تخمین جدیدی از پارامترها به دست آورد.

تابع RAND () از 0 تا 1 تولید می کند که دقیقاً با دامنه تغییرات احتمال مطابقت دارد (نگاه کنید به. نمونه برگه فایل Generation).

در حال حاضر آرایه ای از اعداد تصادفی تولید شده با پارامترهای توزیع داده شده آلفاو بتا(بگذارید 200 باشد)، اجازه دهید پارامترهای توزیع را تخمین بزنیم.

تخمین پارامتر آلفاو بتامی توان با روش لحظه ها(فرض می شود که پارامترهای A و B شناخته شده باشند):

لینک صحیح این مقاله:

اولینیکوا اس.ا. - تقریب قانون توزیع مجموع متغیرهای تصادفی توزیع شده بر اساس قانون بتا // سایبرنتیک و برنامه نویسی. - 2015. - شماره 6. - ص 35 - 54. DOI: 10.7256 / 2306-4196.2015.6.17225 URL: https://nbpublish.com/library_read_article.php?id=17225

تقریب قانون توزیع مجموع متغیرهای تصادفی توزیع شده بر اساس قانون بتا

اولینیکوا سوتلانا الکساندرونا

دکترای علوم فنی

دانشیار دانشگاه فنی دولتی ورونژ

394026، روسیه، Voronezh، Moskovsky Prospect، 14

اولینیکوا سوتلانا الکساندرونا

دکترای علوم فنی

دانشیار، گروه سیستم های خودکار و محاسباتی، دانشگاه فنی دولتی ورونژ

394026، روسیه، گ. Voronezh، Moskovskii Prospekt، 14

تاریخ ارسال مقاله به سردبیر:

14-12-2015

تاریخ بررسی مقاله:

15-12-2015

حاشیه نویسی.

موضوع تحقیق در این کار چگالی توزیع یک متغیر تصادفی است که مجموع تعداد محدودی از مقادیر بتا است که هر کدام در بازه زمانی خاص خود با پارامترهای خاص خود توزیع می شوند. این قانون در تئوری احتمالات و آمار ریاضی گسترده است، زیرا اگر مقادیر متغیر تصادفی پیوسته مربوطه در یک بازه زمانی معین متمرکز شوند، می توان از آن برای توصیف تعداد زیادی از پدیده های تصادفی استفاده کرد. از آنجایی که مجموع مقادیر بتا را نمی توان با هیچ یک از قوانین شناخته شده بیان کرد، مشکل تخمین چگالی توزیع آن به وجود می آید. هدف کار یافتن چنین تقریبی برای چگالی توزیع مجموع مقادیر بتا است که در کوچکترین خطا متفاوت است. برای دستیابی به این هدف، یک آزمایش محاسباتی انجام شد که در نتیجه برای تعداد معینی از مقادیر بتا، مقدار عددی چگالی توزیع با تقریبی چگالی مورد نظر مقایسه شد. توزیع نرمال و بتا به عنوان تقریب استفاده شد. در نتیجه تجزیه و تحلیل تجربی، نتایجی به دست آمد که حاکی از مطلوب بودن تقریب قانون توزیع مورد نظر توسط قانون بتا است. به عنوان یکی از حوزه‌های کاربرد نتایج به‌دست‌آمده، مسئله مدیریت پروژه با مدت زمان تصادفی در نظر گرفته می‌شود که در آن نقش کلیدی را تخمین زمان اجرای پروژه ایفا می‌کند که با توجه به ویژگی‌های حوزه موضوعی، را می توان با استفاده از مجموع مقادیر بتا توصیف کرد.


کلید واژه ها: متغیر تصادفی، توزیع بتا، چگالی توزیع، قانون توزیع نرمال، مجموع متغیرهای تصادفی، آزمایش محاسباتی، الگوریتم بازگشتی، تقریب، خطا، PERT

10.7256/2306-4196.2015.6.17225


تاریخ انتشار:

19-01-2016

خلاصه.

موضوع تحقیق در این مقاله تابع چگالی احتمال (PDF) متغیر تصادفی است که مجموع تعداد محدودی از مقادیر بتا است. این قانون در تئوری احتمالات و آمار ریاضی گسترده است، زیرا اگر مقدار متغیر تصادفی پیوسته متناظر در محدوده معینی متمرکز شود، می توان با استفاده از آن تعداد زیادی رویداد تصادفی توصیف کرد. از آنجایی که مجموع مقادیر بتا مورد نیاز را نمی توان با هیچ یک از قوانین شناخته شده بیان کرد، مشکل تخمین توزیع چگالی آن وجود دارد. هدف یافتن چنین تقریبی برای PDF مجموع مقادیر بتا است که کمترین خطا را داشته باشد. برای دستیابی به این هدف، آزمایش محاسباتی انجام شد که در آن برای تعداد معینی از مقادیر بتا، مقدار عددی PDF با تقریبی چگالی مورد نظر مقایسه شد. به عنوان تقریب از توزیع نرمال و بتا استفاده شد. به عنوان نتیجه گیری از تجزیه و تحلیل تجربی، نتایج، نشان دهنده مناسب بودن تقریب قانون مورد نظر با کمک توزیع بتا، به دست آمد. به عنوان یکی از زمینه های کاربرد نتایج، مسئله مدیریت پروژه با مدت زمان تصادفی کارها در نظر گرفته شده است. در اینجا، موضوع کلیدی ارزیابی زمان اجرای پروژه است که به دلیل موضوع خاص، می توان آن را با مجموع مقادیر بتا توصیف کرد.

کلید واژه ها:

مقدار تصادفی، توزیع بتا، تابع چگالی، توزیع نرمال، مجموع متغیرهای تصادفی، آزمایش محاسباتی، الگوریتم بازگشتی، تقریب، خطا، PERT

معرفی

مشکل تخمین قانون توزیع مجموع مقادیر بتا در نظر گرفته شده است. این یک قانون جهانی است که می تواند برای توصیف بیشتر پدیده های تصادفی با قانون توزیع پیوسته استفاده شود. به ویژه، در تعداد زیادی از موارد بررسی پدیده‌های تصادفی که می‌توان آن‌ها را با متغیرهای تصادفی پیوسته تک‌وجهی که در محدوده معینی از مقادیر قرار دارند، توصیف کرد، چنین مقداری را می‌توان با قانون بتا تقریب زد. در این راستا، مشکل یافتن قانون توزیع برای مجموع مقادیر بتا نه تنها ماهیت علمی دارد، بلکه از علاقه عملی خاصی نیز برخوردار است. علاوه بر این، برخلاف اکثر قوانین توزیع، قانون بتا ویژگی های منحصر به فردی ندارد که امکان توصیف تحلیلی مقدار مورد نظر را فراهم کند. علاوه بر این، ویژگی این قانون به حدی است که استخراج یک انتگرال معین چندگانه لازم برای تعیین چگالی مجموع متغیرهای تصادفی بسیار دشوار است و نتیجه یک عبارت نسبتاً دست و پاگیر حتی برای n = 2 و با افزایش است. در تعداد اصطلاحات، پیچیدگی عبارت نهایی چندین برابر افزایش می یابد. در این راستا، مشکل تقریب چگالی توزیع مجموع مقادیر بتا با حداقل خطا ایجاد می شود.

این مقاله رویکردی برای یافتن تقریبی برای قانون مورد نظر با استفاده از یک آزمایش محاسباتی ارائه می‌کند که به هر مورد خاص اجازه می‌دهد تا خطای به‌دست‌آمده با تخمین چگالی بهره با استفاده از مناسب‌ترین قوانین را مقایسه کند: نرمال و بتا. در نتیجه، به این نتیجه رسیدیم که تخمین مجموع مقادیر بتا با استفاده از توزیع بتا توصیه می شود.

1. بیان مسئله و ویژگی های آن

به طور کلی، قانون بتا با چگالی مشخص شده در بازه به شرح زیر تعیین می شود:

`f_ (xi_ (i)) (x) = ((0,; t<0), ((t^(p_(i)-1)(1-t)^(q_(i)-1))/(B(p_(i),q_(i))(b_(i)-a_(i))^(p_(i)+q_(i)-1)), ; 0<=t<=1;),(0, ; t>1):} (1)`

با این حال، به عنوان یک قاعده، ارزش های بتا در یک بازه زمانی دلخواه تعیین می شوند. این در درجه اول به این دلیل است که دامنه مشکلات عملی در این مورد بسیار گسترده تر است و ثانیاً هنگام یافتن راه حل برای یک مورد کلی تر، نمی توان نتیجه ای را برای یک مورد خاص به دست آورد. با یک متغیر تصادفی (1) تعیین شود. هیچ مشکلی وجود ندارد. بنابراین، در ادامه، متغیرهای تصادفی تعریف شده در یک بازه دلخواه را در نظر خواهیم گرفت. در این حالت می توان مشکل را به صورت زیر فرموله کرد.

ما مشکل تخمین قانون توزیع یک متغیر تصادفی را در نظر می گیریم که مجموع متغیرهای تصادفی «xi_ (i)» است. i = 1, ..., n که هر کدام طبق قانون بتا در بازه زمانی با پارامترهای p i و q i توزیع می شوند. چگالی توزیع عبارات جداگانه با فرمول تعیین می شود:

مشکل پیدا کردن قانون مجموع مقادیر بتا قبلاً تا حدی حل شده است. به طور خاص، فرمول هایی برای تخمین مجموع دو مقدار بتا به دست آمد که هر کدام با استفاده از (1) تعیین می شوند. در رویکرد پیشنهادی برای جستجوی مجموع دو متغیر تصادفی با قانون توزیع (2).

اما در حالت کلی مشکل اصلی حل نشده است. این در درجه اول به دلیل ویژگی فرمول (2) است که به فرد اجازه نمی دهد تا فرمول های فشرده و راحت را برای یافتن چگالی از مجموع متغیرهای تصادفی به دست آورد. در واقع، برای دو مقدار«xi_1» و «xi_2». چگالی مورد نیاز به شرح زیر تعیین می شود:

`f_ (eta) (z) = int_-prop ^ propf_ (xi_1) (x) f_ (xi_2) (z-x) dx (3)`

در صورت افزودن n متغیر تصادفی، یک انتگرال چندگانه به دست می آید. در عین حال، برای این مشکل مشکلاتی در ارتباط با مشخصات توزیع بتا وجود دارد. به طور خاص، حتی برای n = 2، استفاده از فرمول (3) منجر به یک نتیجه نسبتاً دست و پا گیر می شود که بر حسب توابع فوق هندسی تعریف می شود. گرفتن مجدد انتگرال چگالی به دست آمده، که باید قبلاً در n = 3 و بالاتر انجام شود، بسیار دشوار است. در عین حال، خطاهایی که به ناچار هنگام گرد کردن و محاسبه چنین عبارت پیچیده ای به وجود می آیند، مستثنی نیستند. در این راستا، جستجوی تقریبی برای فرمول (3) ضروری می شود که امکان اعمال فرمول های شناخته شده را با حداقل خطا ممکن می سازد.

2. آزمایش محاسباتی برای تقریب چگالی مجموع مقادیر بتا

برای تجزیه و تحلیل مشخصات چگالی توزیع مورد نظر، آزمایشی انجام شد که امکان جمع آوری اطلاعات آماری در مورد یک متغیر تصادفی را فراهم می کند، که مجموع تعداد از پیش تعیین شده متغیرهای تصادفی با توزیع بتا با پارامترهای داده شده است. تنظیمات آزمایشی با جزئیات بیشتری در توضیح داده شد. با تغییر پارامترهای مقادیر بتا فردی، و همچنین تعداد آنها، در نتیجه تعداد زیادی آزمایش انجام شده، به نتایج زیر رسیدیم.

1. اگر متغیرهای تصادفی منفرد موجود در مجموع دارای چگالی متقارن باشند، هیستوگرام توزیع نهایی شکلی نزدیک به نرمال دارد. آنها همچنین به قانون عادی ارزیابی ویژگی های عددی مقدار نهایی (انتظار ریاضی، واریانس، عدم تقارن و کشیدگی) نزدیک هستند.

2. اگر متغیرهای تصادفی منفرد نامتقارن باشند (هم با عدم تقارن مثبت و هم منفی)، اما عدم تقارن کل 0 باشد، از نقطه نظر نمایش گرافیکی و ویژگی های عددی، قانون توزیع به دست آمده نیز نزدیک به نرمال است.

3. در موارد دیگر، قانون مورد نظر از نظر بصری به قانون بتا نزدیک است. به طور خاص، مجموع پنج متغیر تصادفی نامتقارن در شکل 1 نشان داده شده است.

شکل 1 - مجموع پنج متغیر تصادفی نامتقارن مساوی

بنابراین، بر اساس آزمایش انجام شده، می توان یک فرضیه در مورد تقریب احتمالی چگالی مجموع مقادیر بتا با توزیع نرمال یا بتا ارائه داد.

برای تایید این فرضیه و انتخاب تنها قانون برای تقریب، آزمایش زیر را انجام خواهیم داد. با توجه به تعداد متغیرهای تصادفی با توزیع بتا و همچنین پارامترهای آنها، مقدار عددی چگالی مورد نیاز را پیدا کرده و آن را با چگالی توزیع نرمال یا بتا مربوطه مقایسه می کنیم. این نیاز خواهد داشت:

1) الگوریتمی را ایجاد کنید که به شما امکان می دهد چگالی مجموع مقادیر بتا را به صورت عددی تخمین بزنید.

2) با پارامترهای داده شده و تعداد مقادیر اولیه، پارامترهای توزیع نهایی را با فرض توزیع نرمال یا بتا تعیین کنید.

3) خطای تقریب را با توزیع نرمال یا توزیع بتا تعیین کنید.

بیایید این وظایف را با جزئیات بیشتری در نظر بگیریم. یک الگوریتم عددی برای یافتن چگالی مجموع مقادیر بتا بر اساس بازگشت است. مجموع n متغیر تصادفی دلخواه را می توان به صورت زیر تعیین کرد:

`eta_ (n) = xi_ (1) + ... + xi_ (n) = eta_ (n-1) + xi_ (n)` , (4)

`eta_ (n-1) = xi_ (1) + ... + xi_ (n-1)` . (5)

به طور مشابه، می توانید چگالی توزیع متغیر تصادفی «eta_ (n-1)» را توصیف کنید:

`eta_ (n-1) = xi_ (1) + ... + xi_ (n-1) = eta_ (n-2) + xi_ (n-1)` , (6)

با ادامه استدلال مشابه و با استفاده از فرمول (3)، به دست می آوریم:

`f_ (eta_ (n)) (x) = int_-prop ^ prop (f_ (xi_ (n-1)) (x-x_ (n-1)) * int_-prop ^ prop (f_ (xi_ (n- 2)) (x_ (n-1) -x_ (n-2)) ... int_-prop ^ propf_ (xi_ (2)) (x_ (2) -x_ (1)) dx_ (1) ... ) dx_ (n-2)) dx_ (n-1). (7) `

این ملاحظات، و همچنین مشخصات تعیین چگالی برای مقادیر با توزیع بتا، با جزئیات بیشتری در اینجا آورده شده است.

پارامترهای قانون توزیع نهایی بر اساس فرض استقلال متغیرهای تصادفی تعیین می شود. در این حالت، انتظار ریاضی و واریانس مجموع آنها با فرمول های زیر تعیین می شود:

`Meta_ (n) = Mxi_ (1) + ... + Mxi_ (n)، (8)`

برای قانون عادی، پارامترهای a و `sigma` مستقیماً با فرمول های (8) و (9) تعیین می شوند. برای توزیع بتا، ابتدا باید مرزهای پایین و بالایی را محاسبه کنید. آنها را می توان به صورت زیر تعریف کرد:` `

`a = sum_ (i = 1) ^ na_ (i)`; (10)

,,, b = sum_ (i = 1) ^ nb_ (i) `. (یازده)

در اینجا a i و b i مرزهای فواصل هر عبارت هستند. در مرحله بعد، سیستمی از معادلات را ایجاد می کنیم که شامل فرمول هایی برای انتظارات ریاضی و واریانس مقدار بتا است:

`((Mxi = a + (ba) p / (p + q))، (Dxi = (ba) ^ (2) (pq) / ((p + q) ^ 2 (p + q + 1))) :) (12) `

در اینجا 'xi' یک متغیر تصادفی است که مجموع مورد نیاز را توصیف می کند. انتظارات و واریانس ریاضی آن با فرمول های (8) و (9) تعیین می شود. پارامترهای a و b با فرمول (10) و (11) داده می شوند. با حل سیستم (12) با توجه به پارامترهای p و q، خواهیم داشت:

`p = ((b-Mxi) (Mxi-a) ^ 2-Dxi (Mxi-a)) / (Dxi (b-a))` . (13)

`q = ((b-Mxi) ^ 2 (Mxi-a) -Dxi (b-Mxi)) / (Dxi (b-a))` . (14)

`E = int_a ^ b | hatf (x) -f_ (eta) (x) | dx. (15) `

در اینجا «hatf (x)» تقریبی از مجموع مقادیر بتا است. "f_ (eta) (x)" - قانون توزیع مجموع مقادیر بتا.

ما به ترتیب پارامترهای مقادیر بتا را برای تخمین خطاها تغییر خواهیم داد. به طور خاص، سؤالات زیر جالب خواهد بود:

1) چقدر سریع مجموع مقادیر بتا به توزیع نرمال همگرا می شود و آیا می توان مجموع را با قانون دیگری تخمین زد که نسبت به قانون توزیع واقعی مجموع مقادیر بتا دارای حداقل خطا باشد.

2) چقدر خطا با افزایش عدم تقارن مقادیر بتا افزایش می یابد.

3) اگر فواصل توزیع مقادیر بتا متفاوت باشد، چگونه خطا تغییر خواهد کرد.

طرح کلی الگوریتم آزمایش برای هر یک از مقادیر مجزای مقادیر بتا را می توان به صورت زیر نشان داد (شکل 2).

شکل 2 - طرح کلی الگوریتم آزمایش

PogBeta - خطای ناشی از تقریب قانون نهایی توسط توزیع بتا در بازه.

PogNorm - خطای ناشی از تقریب قانون نهایی با توزیع نرمال در بازه.

ItogBeta - مقدار نهایی خطا ناشی از تقریب توزیع نهایی توسط قانون بتا.

ItogNorm - مقدار کل خطا ناشی از تقریب توزیع نهایی توسط قانون عادی.

3. نتایج تجربی

بیایید نتایج آزمایشی که قبلا توضیح داده شد را تجزیه و تحلیل کنیم.

دینامیک کاهش خطاها با افزایش تعداد عبارت ها در شکل 3 نشان داده شده است. از این پس، سری "هنجار" تغییر در خطا را با توزیع عادی نشان می دهد، سری "بتا" - توزیع بتا.

شکل 3 - کاهش خطاها با کاهش تعداد اصطلاحات

همانطور که از این شکل مشخص است، برای دو ترم، خطای تقریب توسط قانون بتا حدود 4 برابر کمتر از خطای تقریب توسط قانون توزیع نرمال است. بدیهی است که با افزایش عبارات، خطای تقریب توسط قانون عادی بسیار سریعتر از قانون بتا کاهش می یابد. همچنین می توان فرض کرد که برای تعداد بسیار زیاد عبارت ها، تقریب با قانون عادی خطای کمتری نسبت به تقریب با توزیع بتا خواهد داشت. با این حال، با در نظر گرفتن بزرگی خطا در این مورد، می توان نتیجه گرفت که از نظر تعداد عبارت، توزیع بتا ارجحیت دارد.

شکل 4 پویایی تغییرات خطاها را با افزایش عدم تقارن متغیرهای تصادفی نشان می دهد. بدون از دست دادن کلیت، پارامتر p تمام مقادیر اولیه بتا با مقدار 2 ثابت شد و دینامیک تغییر در پارامتر q + 1 در محور آبسیسا نشان داده شده است. محور مختصات در نمودارها خطای تقریب را نشان می دهد. نتایج آزمایش با سایر مقادیر پارامترها به طور کلی مشابه است.

در این مورد، همچنین بدیهی است که ترجیح داده می شود که مجموع مقادیر بتا را با توزیع بتا تقریب کنیم.

شکل 4 - تغییر در خطاهای تقریب با افزایش عدم تقارن مقادیر

در مرحله بعد، ما تغییر در خطاها را هنگام تغییر دامنه مقادیر اولیه بتا تجزیه و تحلیل کردیم. شکل 5 نتایج اندازه گیری خطا را برای مجموع چهار مقدار بتا نشان می دهد که سه عدد از آنها در بازه توزیع شده اند و دامنه چهارم به صورت متوالی افزایش می یابد (بر روی ابسیسا رسم شده است).

شکل 5 - تغییر در خطاها هنگام تغییر فواصل توزیع متغیرهای تصادفی

بر اساس تصاویر گرافیکی نشان داده شده در شکل های 3-5، و همچنین با در نظر گرفتن داده های به دست آمده در نتیجه آزمایش، می توان نتیجه گرفت که توصیه می شود از توزیع بتا برای تقریب مجموع مقادیر بتا استفاده شود.

همانطور که نتایج به دست آمده نشان می دهد، در 98% موارد، خطا در تقریب مقدار بررسی شده توسط قانون بتا کمتر از تقریب توزیع نرمال خواهد بود. مقدار متوسط ​​خطای تقریب بتا در درجه اول به عرض فواصل زمانی که هر عبارت بین آنها توزیع می شود بستگی دارد. در این حالت، این تخمین (برخلاف قانون نرمال) بسیار کمی به تقارن متغیرهای تصادفی و همچنین به تعداد عبارت ها بستگی دارد.

4. برنامه های کاربردی

یکی از زمینه های کاربرد نتایج به دست آمده، وظیفه مدیریت پروژه است. یک پروژه مجموعه‌ای از کارهای موازی-سریالی وابسته به یکدیگر با مدت زمان خدمات تصادفی است. در این حالت مدت زمان پروژه یک مقدار تصادفی خواهد بود. بدیهی است که ارزیابی قانون توزیع این کمیت نه تنها در مراحل برنامه ریزی، بلکه در تجزیه و تحلیل موقعیت های احتمالی مرتبط با تکمیل نابهنگام تمام کارها نیز مورد توجه است. با در نظر گرفتن این واقعیت که تأخیر پروژه می‌تواند منجر به طیف گسترده‌ای از موقعیت‌های نامطلوب از جمله جریمه شود، تخمین قانون توزیع یک متغیر تصادفی که مدت زمان پروژه را توصیف می‌کند، یک کار عملی بسیار مهم به نظر می‌رسد.

در حال حاضر برای این ارزیابی از روش PERT استفاده می شود. طبق مفروضات وی، مدت زمان پروژه یک متغیر تصادفی توزیع شده معمولی «eta» با پارامترهای زیر است:

"a = مجموع_ (i = 1) ^ k Meta_ (i)"، (16)

`sigma = sqrt (جمع_ (i = 1) ^ k D eta_ (i))` . (17)

در اینجا k تعداد مشاغل در مسیر بحرانی پروژه است. `eta_ (1)`, ..., `eta_ (k)` - مدت زمان این آثار.

بیایید اصلاح روش PERT را با در نظر گرفتن نتایج به دست آمده در نظر بگیریم. در این صورت فرض می کنیم که مدت زمان پروژه بر اساس قانون بتا با پارامترهای (13) و (14) توزیع شده است.

بیایید نتایج به دست آمده را در عمل امتحان کنیم. پروژه ای را در نظر بگیرید که توسط نمودار شبکه نشان داده شده در شکل 6 تعریف شده است.

شکل 6 - مثال نمودار شبکه

در اینجا، لبه های نمودار مشاغل را نشان می دهد، وزن لبه ها تعداد کارها را نشان می دهد. رئوس در مربع - رویدادهایی که شروع یا پایان کار را نشان می دهند. اجازه دهید کارها بر اساس مدت زمان ارائه شده در جدول 1 ارائه شوند.

میز 1 - ویژگی های زمانی کارهای پروژه

شماره کار دقیقه حداکثر تشک. آماده به کار
1 5 10 9
2 3 6 4
3 6 8 7
4 4 7 6
5 4 7 7
6 2 5 3
7 4 8 6
8 4 6 5
9 6 8 7
10 2 6 4
11 9 13 12
12 2 6 3
13 5 7 6

در جدول فوق، min کوتاهترین زمانی است که می توان این کار را در آن انجام داد. حداکثر - طولانی ترین زمان؛ تشک. آماده به کار انتظار ریاضی توزیع بتا است که زمان مورد انتظار برای تکمیل یک کار معین را نشان می دهد.

ما فرآیند اجرای پروژه را با استفاده از یک سیستم مدل سازی شبیه سازی توسعه یافته شبیه سازی می کنیم. با جزئیات بیشتر در توضیح داده شده است. به عنوان خروجی، باید دریافت کنید:

هیستوگرام پروژه؛

ارزیابی احتمالات اجرای پروژه در بازه زمانی معین بر اساس داده های آماری سیستم شبیه سازی.

برآورد احتمالات با استفاده از توزیع نرمال و بتا.

در طول شبیه سازی اجرای پروژه 10000 بار، نمونه ای از مدت زمان سرویس به دست آمد که هیستوگرام آن در شکل 7 نشان داده شده است.

شکل 7 - هیستوگرام مدت زمان پروژه

واضح است که ظاهر هیستوگرام نشان داده شده در شکل 7 با نمودار چگالی قانون توزیع نرمال متفاوت است.

ما از فرمول های (8) و (9) برای یافتن انتظارات و واریانس نهایی ریاضی استفاده خواهیم کرد. ما گرفتیم:

`M eta = 27; D eta = 1.3889.`

احتمال رسیدن به یک بازه مشخص با استفاده از فرمول شناخته شده محاسبه می شود:

P (l (18)

که در آن «f_ (eta) (x)» قانون توزیع متغیر تصادفی «eta» است، لو r- مرزهای فاصله مورد علاقه.

بیایید پارامترهای توزیع بتا نهایی را محاسبه کنیم. برای این کار از فرمول های (13) و (14) استفاده می کنیم. ما گرفتیم:

p = 13.83; q = 4.61.

مرزهای توزیع بتا با فرمول (10) و (11) تعیین می شود. خواهد داشت:

نتایج مطالعه در جدول 2 آورده شده است. بدون از دست دادن کلیت، اجازه دهید تعداد اجراهای مدل را برابر با 10000 انتخاب کنیم. در ستون "آمار"، احتمال به دست آمده بر اساس داده های آماری محاسبه می شود. ستون "Normal" احتمال محاسبه شده بر اساس قانون توزیع نرمال را نشان می دهد که اکنون برای حل مسئله استفاده می شود. ستون بتا حاوی مقدار احتمال محاسبه شده از توزیع بتا است.

جدول 2 - نتایج برآوردهای احتمالی

با توجه به نتایج ارائه شده در جدول 2 و همچنین نتایج مشابه به دست آمده در روند مدل سازی فرآیند اجرای پروژه های دیگر، می توان نتیجه گرفت که برآوردهای به دست آمده از تقریب مجموع متغیرهای تصادفی (2) توسط بتا توزیع این امکان را فراهم می کند تا راه حلی برای این مشکل با دقت بیشتری نسبت به همتایان موجود بدست آوریم.

هدف این کار یافتن چنین تقریبی از قانون توزیع مجموع مقادیر بتا بود که در کمترین خطا در مقایسه با سایر آنالوگ‌ها متفاوت بود. نتایج زیر بدست آمده اند.

1. به طور تجربی، فرضیه ای در مورد امکان تقریبی مجموع مقادیر بتا با استفاده از توزیع بتا مطرح شد.

2. یک ابزار نرم افزاری توسعه داده شده است که به شخص اجازه می دهد تا مقدار عددی خطا ناشی از تقریب چگالی مورد نظر را توسط قانون توزیع نرمال و قانون بتا بدست آورد. این برنامه بر اساس یک الگوریتم بازگشتی است که به شما امکان می دهد چگالی مجموع مقادیر بتا را با چگالی معین به صورت عددی تعیین کنید که در جزئیات بیشتر توضیح داده شده است.

3. یک آزمایش محاسباتی راه اندازی شد که هدف آن تعیین بهترین تقریب با تجزیه و تحلیل مقایسه ای خطاها در شرایط مختلف بود. نتایج تجربی امکان استفاده از توزیع بتا را به عنوان بهترین تقریب از چگالی توزیع مجموع مقادیر بتا نشان داد.

4. مثالی ارائه می شود که در آن نتایج به دست آمده از اهمیت عملی برخوردار است. اینها وظایف مدیریت پروژه با زمان اجرای تصادفی برای مشاغل فردی هستند. یک مشکل مهم برای چنین وظایفی، ارزیابی خطرات مرتبط با تکمیل دیرهنگام پروژه است. نتایج به‌دست‌آمده امکان دستیابی به برآوردهای دقیق‌تر از احتمالات مورد نظر و در نتیجه کاهش احتمال خطا در برنامه‌ریزی را ممکن می‌سازد.

کتابشناسی - فهرست کتب

.

تو برده نیستی!
دوره آموزشی تعطیل برای کودکان نخبگان: "آرایش واقعی جهان".
http://noslave.org

از ویکیپدیا، دانشنامه آزاد

توزیع بتا
چگالی احتمالی
تابع چگالی احتمال برای توزیع بتا
تابع توزیع
تابع توزیع تجمعی برای توزیع بتا
تعیین textvcپیدا نشد؛ برای راهنمایی راه‌اندازی به ریاضی / README مراجعه کنید.: \ متن (Be) (\ آلفا، \ بتا)
مولفه های قادر به تجزیه عبارت (Executable textvcپیدا نشد؛ ریاضی / README - مرجع تنظیم را ببینید.): \ Alpha> 0
قادر به تجزیه عبارت (Executable textvcپیدا نشد؛ برای کمک به پیکربندی به ریاضی / README مراجعه کنید: \ Beta> 0
حامل قادر به تجزیه عبارت (Executable textvcپیدا نشد؛ برای راهنمایی پیکربندی به ریاضی / README مراجعه کنید.: X \ in
چگالی احتمالی قادر به تجزیه عبارت (Executable textvcپیدا نشد؛ برای راهنمایی راه‌اندازی به ریاضی / README مراجعه کنید.: \ Frac (x ^ (\ alpha-1) (1-x) ^ (\ beta-1)) (\ mathrm (B) (\ alpha, \ beta))
تابع توزیع قادر به تجزیه عبارت (Executable textvcپیدا نشد؛ برای راهنمایی پیکربندی به ریاضی / README مراجعه کنید.: I_x (\ آلفا، \ بتا)
ارزش مورد انتظار قادر به تجزیه عبارت (Executable textvcپیدا نشد؛ برای کمک به تنظیم به ریاضی / README مراجعه کنید.: \ Frac (\ آلفا) (\ آلفا + \ بتا)
میانه
روش قادر به تجزیه عبارت (Executable textvcپیدا نشد؛ برای راهنمایی تنظیم به ریاضی / README مراجعه کنید.: \ Frac (\ alpha-1) (\ alpha + \ beta-2)برای قادر به تجزیه عبارت (Executable textvcپیدا نشد؛ برای کمک به تنظیم به ریاضی / README مراجعه کنید: \ Alpha> 1، \ beta> 1
پراکندگی قادر به تجزیه عبارت (Executable textvcپیدا نشد؛ برای راهنمایی راه‌اندازی به ریاضی / README مراجعه کنید.: \ Frac (\ آلفا \ بتا) ((\ آلفا + \ بتا) ^ 2 (\ آلفا + \ بتا + 1))
ضریب عدم تقارن قادر به تجزیه عبارت (Executable textvcپیدا نشد؛ برای راهنمایی راه‌اندازی به ریاضی / README مراجعه کنید.: \ Frac (2 \, (\ beta- \ alpha) \ sqrt (\ alpha + \ beta + 1)) ((\ alpha + \ beta + 2) \ sqrt (\ alpha \ بتا))
ضریب کورتوز قادر به تجزیه عبارت (Executable textvcپیدا نشد؛ برای راهنمایی راه‌اندازی به ریاضی / README مراجعه کنید.: 6 \, \ frac (\ آلفا ^ 3- \ آلفا ^ 2 (2 \ بتا-1) + \ بتا ^ 2 (\ بتا + 1) -2 \ آلفا \ بتا ( \ بتا + 2)) (\ آلفا \ بتا (\ آلفا + \ بتا + 2) (\ آلفا + \ بتا + 3))
آنتروپی دیفرانسیل
عملکرد تولید لحظه ها قادر به تجزیه عبارت (Executable textvcپیدا نشد؛ برای راهنمایی راه‌اندازی به ریاضی / README مراجعه کنید.): 1 + \ sum_ (k = 1) ^ (\ infty) \ چپ (\ prod_ (r = 0) ^ (k-1) \ frac (\ alpha + r) (\ آلفا + \ بتا + r) \ راست) \ frac (t ^ k) (k !}
عملکرد مشخصه قادر به تجزیه عبارت (Executable textvcپیدا نشد؛ برای راهنمایی راه‌اندازی به ریاضی / README مراجعه کنید.): () _1F_1 (\ آلفا؛ \ آلفا + \ بتا؛ i \, t)

توزیع بتادر تئوری احتمال و آمار، یک خانواده دو پارامتری از توزیع های کاملاً پیوسته. برای توصیف متغیرهای تصادفی که مقادیر آنها به یک بازه محدود محدود می شود استفاده می شود.

تعریف

90 پیکسل توزیع های احتمال
یک بعدی چند بعدی
گسسته: برنولی | دو جمله ای | هندسی | فرا هندسی | لگاریتمی | دو جمله ای منفی | پواسون | یونیفرم گسسته چند جمله ای
کاملا مستمر: بتا| ویبولا | گاما | فرانمایی | توزیع گومپرتز | کولموگروف | کوشی | لاپلاس | Lognormal | | | کوپلا

گزیده ای که توزیع بتا را توصیف می کند

اشک در چشمانم می درخشید... و من اصلاً از آن خجالت نمی کشیدم. من برای دیدار با یکی از آنها زنده خیلی چیزها را می دهم!.. به خصوص ماگدالنا. چه جادوی شگفت انگیز و باستانی در روح این زن شگفت انگیز هنگام ایجاد پادشاهی جادویی خود سوخت؟! پادشاهی که دانش و درک در آن حکومت می کرد و ستون فقرات آن عشق بود. فقط نه عشقی که کلیسای «مقدس» درباره‌اش فریاد زد و این کلمه شگفت‌انگیز را فرسوده کرد تا جایی که دیگر نمی‌خواستم آن را بشنوم، بلکه آن عشق زیبا و خالص، واقعی و شجاع، تنها عشق شگفت‌انگیزی که با آن نام قدرت هایی را که متولد شدند ... و با نام آنها جنگجویان باستانی به جنگ شتافتند ... با نام آنها زندگی جدیدی متولد شد ... به نام آنها جهان ما تغییر کرد و بهتر شد ... این عشق توسط مریم طلایی. و من می خواهم به این مریم تعظیم کنم ... برای هر آنچه او حمل می کرد، برای زندگی پاک و روشن او، برای شجاعت و شجاعت او، و برای عشق.
اما، متأسفانه، انجام این کار غیرممکن بود ... او قرن ها پیش زندگی می کرد. و من نمی توانستم کسی باشم که او را بشناسد. غم و اندوه بسیار عمیق و سبکی ناگهان سرم را فرا گرفت و اشک تلخی سرازیر شد...
-خب چی هستی دوست من!.. غصه های دیگه در انتظارت! - سور با تعجب فریاد زد. - لطفا آرام باش ...
به آرامی دستم را لمس کرد و اندوه کم کم از بین رفت. فقط تلخی باقی مانده بود، انگار چیزی سبک و گران از دست داده بودم...
- شما نمی توانید آرام باشید ... جنگ در انتظار شما است، ایزیدورا.
- به من بگو، سور، آیا تعلیم کاتارها به خاطر مجدلیه، تعلیم عشق نامیده شد؟
- در اینجا حق با شما نیست، ایزیدورا. ناآگاهان او را تعلیم عشق می نامیدند. برای کسانی که می فهمیدند، معنای کاملاً متفاوتی داشت. به صدای کلمات گوش کن، ایزیدورا: عشق در صداهای فرانسوی - amor - اینطور نیست؟ و اکنون، این کلمه را بردارید و حرف "الف" را از آن جدا کنید ... معلوم می شود a'mor (یک "مرگ) - بدون مرگ ... این معنای واقعی آموزه های مجدلیه است - تعلیم جاودانه ها. همانطور که قبلاً به شما گفتم - همه چیز به سادگی، ایسیدورا، اگر فقط به درستی نگاه کنید و گوش دهید ... خوب، و برای کسانی که نمی شنوند - بگذارید آموزش عشق بماند ... این هم زیبا است.
من کاملا مات و مبهوت ایستادم. تعلیم جاودانه ها! .. داریا ... پس، آموزش رادومیر و مجدلیه چه بود! .. شمال بارها مرا شگفت زده کرد، اما قبلاً هرگز اینقدر شوکه نشده بودم! .. آموزش کاتارها مرا جذب کرد. قدرت جادویی و قدرتمند آن، و من نمی‌توانستم خودم را ببخشم که قبلاً در این مورد با شمال صحبت نکرده بودم.
- به من بگو سیور، چیزی از رکوردهای قطر باقی مانده است؟ چیزی باید زنده مانده باشد، درست است؟ حتی اگر خود افراد کامل نباشند، حداقل شاگردان باشند؟ منظورم چیزی در مورد زندگی واقعی و تدریس آنهاست؟
- متأسفانه - نه، ایزیدورا. تفتیش عقاید همه چیز و همه جا را نابود کرد. دست نشاندگان او، به دستور پاپ، حتی به کشورهای دیگر فرستاده شدند تا هر نسخه خطی، هر تکه باقی مانده از پوست درخت غان را که می توانستند پیدا کنند، نابود کنند... ما حداقل به دنبال چیزی بودیم، اما نتوانستیم چیزی را نجات دهیم.
- خوب، خود مردم چطور؟ آیا چیزی برای مردمی باقی نمی ماند که آن را در طول قرن ها حفظ کنند؟
- نمی دانم، ایسیدورا... فکر می کنم، حتی اگر کسی نوعی ضبط داشته باشد، با گذشت زمان تغییر کرده است. به هر حال، طبیعی است که انسان همه چیز را به روش خودش تغییر دهد... و به خصوص بدون درک. بنابراین بعید است که چیزی همانطور که بوده باقی بماند. حیف است... درست است، ما خاطرات رادومیر و مجدلیه را حفظ کرده ایم، اما این قبل از ایجاد کاتار بود. اگرچه، من فکر می کنم، آموزش تغییر نکرده است.
- متاسفم، برای افکار و سوالات گیج من، Sever. می بینم که بدون آمدن به تو خیلی چیزها را از دست داده ام. اما هنوز، من هنوز زنده ام. و در حالی که نفس می کشم، هنوز می توانم از شما بپرسم، نمی توانم؟ می توانید به من بگویید که زندگی Svetodar چگونه به پایان رسید؟ ببخشید که قطع می کنم.
سِور صمیمانه لبخند زد. او از بی حوصلگی و تشنگی من برای «وقت داشتن» برای فهمیدن این موضوع خوشش می آمد. و با خوشحالی ادامه داد.
پس از بازگشت، سوتودار تنها دو سال در اکسیتانیا، ایزیدورا، زندگی و تدریس کرد. اما این سال ها تبدیل به گران ترین و شادترین سال های زندگی سرگردان او شد. روزهای او که با خنده های شاد بلویار روشن شده بود، در مونتسگور محبوبش سپری شد، در محاصره افراد کامل، که سوتودار صادقانه و صمیمانه سعی کرد آنچه را که سرگردان دور سال ها به او آموخته بود، به او منتقل کند.

- فرمول برنولی

خودش توزیع
نامیده می شوند دو جمله ای

پارامترهای توزیع دو جمله ای احتمال موفقیت p (q = 1 - p) و تعداد آزمایشات n است. توزیع دو جمله ای برای توصیف توزیع رویدادهای دو جمله ای مانند تعداد مردان و زنان در انتخاب تصادفی مفید است. شرکت ها استفاده از توزیع دو جمله ای در مسائل بازی از اهمیت ویژه ای برخوردار است.

فرمول دقیق احتمال m موفقیت در n آزمایش به صورت زیر نوشته شده است:

که در آن p احتمال موفقیت است. q 1-p است، q> = 0، p + q = 1 است. n - تعداد تست ها، m = 0.1 ... m

ویژگی های اصلی توزیع دو جمله ای:

6. فرمول پواسون و توزیع پواسون.

بگذارید تعداد آزمایش‌ها n بزرگ، احتمال p کوچک باشد و
np کوچک است. سپس احتمال موفقیت m در n آزمایش را می توان تقریباً توسط فرمول پواسون:

.

یک متغیر تصادفی با سری توزیع m،
توزیع پواسون دارد. هر چه n بیشتر باشد، فرمول پواسون دقیق تر است. برای محاسبات تقریبی، از فرمول برای n = 10 استفاده می شود،
0 - 2، برای n = 100
0 - 3. در محاسبات مهندسی، فرمول زمانی اعمال می شود که n = 20،
0 - 3، n = 100،
0 - 7. برای محاسبات دقیق، فرمول زمانی اعمال می شود که n = 100،
0 - 7، n = 1000،
0 – 15.

اجازه دهید انتظارات ریاضی و واریانس یک متغیر تصادفی را با توزیع پواسون محاسبه کنیم.

ویژگی های اصلی یک متغیر تصادفی پواسون:

طرح توزیع پواسون:

7. توزیع هندسی.

طرح برنولی را در نظر بگیرید. بیایید X را تعیین کنیم - تعداد آزمایشات قبل از اولین موفقیت، اگر احتمال موفقیت در یک آزمایش p باشد. اگر تست اول موفقیت آمیز باشد، X = 0. بنابراین،
... اگر X = 1، به عنوان مثال. آزمون اول ناموفق است، و دومی موفق است، سپس با قضیه ضرب
... به طور مشابه، اگر X = n، تمام تست‌ها تا آزمون n ناموفق هستند و
... بیایید یک سری توزیع از یک متغیر تصادفی X بسازیم

یک متغیر تصادفی با چنین سری توزیعی دارد توزیع هندسی

اجازه دهید شرایط عادی سازی را بررسی کنیم:

8. توزیع فرا هندسی.

این یک توزیع احتمال گسسته از یک متغیر تصادفی X است که مقادیر صحیح m = 0، 1،2، ...، n را با احتمالات دریافت می کند:

که در آن N، M و n اعداد صحیح غیر منفی هستند و M< N, n < N.

انتظارات ریاضی توزیع فراهندسی به N بستگی ندارد و با انتظار ریاضی μ = np توزیع دوجمله ای مربوطه منطبق است.

پراکندگی توزیع فوق هندسی از واریانس توزیع دوجمله ای npq تجاوز نمی کند. نمونه هایی از هر مرتبه از توزیع ابر هندسی به مقادیر متناظر لحظه های توزیع دوجمله ای تمایل دارند.

9. توزیع بتا.

توزیع بتا دارای چگالی به شکل زیر است:

توزیع استاندارد بتا در محدوده 0 تا 1 متمرکز شده است. با استفاده از تبدیل های خطی، می توان مقدار بتا را به گونه ای تبدیل کرد که مقادیری را در هر محدوده ای دریافت کند.

ویژگی های عددی اصلی یک کمیت با توزیع بتا:

اسم.، تعداد مترادف ها: 1 توزیع (62) فرهنگ لغت مترادف ASIS. V.N. تریشین. 2013 ... فرهنگ لغت مترادف

توزیع بتا- 1.45. توزیع بتا توزیع احتمال یک متغیر تصادفی پیوسته X، که می تواند هر مقدار را از 0 تا 1 بگیرد، از جمله مرزها، و چگالی توزیع آن 0 £ x £ 1 و پارامترهای m1> 0، m2> 0، که در آن Г .. .... فرهنگ لغت - کتاب مرجع شرایط اسناد هنجاری و فنی

توزیع بتا- توزیع احتمال یک متغیر تصادفی پیوسته مقادیری را بر روی یک قطعه می گیرد که چگالی آن با فرمول، که در آن، a, b> 0 و تابع گاما است به دست می آید. توجه داشته باشید. موارد خاص آن بسیار مورد استفاده قرار می گیرد ... ... فرهنگ لغت آمار جامعه شناسی

مشاهده طرح ... فرهنگ لغت مترادف

در تئوری احتمالات و آمار ریاضی، توزیع دیریکله (به نام یوهان پیتر گوستاو لژون دیریکله) اغلب به عنوان Dir (α) نشان داده می شود، خانواده ای از توزیع های احتمال چند متغیره پیوسته است که با بردار α پارامتر می شود ... ... ویکی پدیا

بتا: ویکی‌واژه دارای ورودی «بتا» است بتا (حرف) (β) دومین حرف الفبای یونانی است. تست بتا ضریب بتا تابع بتا (ریاضیات) توزیع بتا (نظریه احتمال ... ویکی پدیا

چگالی احتمال ... ویکی پدیا

توزیع احتمال قانونی است که محدوده مقادیر یک متغیر تصادفی و احتمال پذیرش آنها را توصیف می کند. مطالب 1 تعریف 2 راه برای تعریف توزیع ... ویکی پدیا

توزیع. توزیع پیرسون چگالی احتمال ... ویکی پدیا

کتاب ها

  • مقایسه پذیرش در برنامه های آموزشی در دانشگاه بر اساس نتایج المپیادها و نمرات USE، O. V. Poldin. در این مقاله، برای مقایسه کیفیت پذیرش در دانشگاه‌ها برای رشته‌های مختلف آموزشی، پیشنهاد می‌شود از منحنی‌های تقاضای تعدیل‌شده به‌دست‌آمده از نتایج استفاده از افراد ثبت‌نام شده در ...