数学建模-概率模型.ppt

指数分布 9.4 轧钢中的浪费 轧制钢材两道工序 粗轧(热轧) ~ 形成钢材的雏形 精轧(冷轧) ~ 得到钢材规定的长度 粗轧 钢材长度正态分布 均值可以由轧机调整 方差由设备精度确定 粗轧钢材长度大于规定 切掉多余 部分 粗轧钢材长度小于规定 整根报废 随机因素影响 精轧 问题：如何调整粗轧的均值，使精轧的浪费最小 背景 分析 设已知精轧后钢材的规定长度为 l， 粗轧后钢材长度的均方差为 ? 记粗轧时可以调整的均值为 m，则粗轧得到的钢材长度x为正态随机变量，记作 x~N(m, ? 2) 切掉多余部分的概率 整根报废的概率 存在最佳的m使总的浪费最小 l P 0 p(概率密度) m x P′ m P P′ 建模 选择合适的目标函数 切掉多余部分的浪费 整根报废的浪费 总浪费 = + 粗轧一根钢材平均浪费长度 粗轧N根 成品材 PN根 成品材长度l PN 总长度mN 共浪费长度 mN-lPN 选择合适的目标函数 粗轧一根钢材平均浪费长度 得到一根成品材平均浪费长度 更合适的目标函数 优化模型：求m 使J(m) 最小（已知l ,? ） 建模 粗轧N根得成品材 PN根 实际上，J（m）恰好是平均每得到一根成品材所需钢材的长度 * * 主讲人： 侯致武 Email: houzhiwu99@126.com 现实世界的变化受着众多因素的影响，包括确定的和随机的。如果从建模的背景、目的和手段看，主要因素是确定的，随机因素可以忽略，或者随机因素的影响可以简单地以平均值的作用出现，那么就能够建立确定性模型。如果随机因素对研究对象的影响必须考虑，就应建立随机模型。本章讨论如何用随机变量和概率分布描述随机因素的影响，建立随机模型——概率模型。 概率模型 确定性因素和随机性因素 随机因素可以忽略 随机因素影响可以简单地以平均值的作用出现 随机因素影响必须考虑 概率模型 统计回归模型 马氏链模型 随机模型 确定性模型 随机性模型 概率模型 一、概率论基本知识 二、概率模型的典型案例 一、概率论基础知识 1、古典概型 例：现有100个零件，其中95个长度合格，94个直径和格，92个两个尺寸都合格。任取一个，发现长度合格，问直径合格的概率。 设A=‘长度合格’，B=‘直径合格’ 条件概率：在事件B发生的条件下，事件A发生的概率 全概率公式和贝叶斯公式 设B1,B2,…,Bn为样本空间S的一个划分，且有P(Bi)0， i=1,2,…,n,则对E的任一事件A，有: 贝叶斯公式 全概率公式 例：某电子设备制造厂所用的某种晶体管是由三家元件制造厂提供的，根据以往的记录有以下的数据： 元件制造厂 次品率 提供份额 甲厂 0.02 0.15 乙厂 0.01 0.80 丙厂 0.03 0.05 设这三家的产品在仓库中是均匀混合的,且无区别的标志。现在仓库中随机地抽取一只晶体管, (1)求它是次品的概率； (2)若已知取到的是次品,问此次品是哪个厂生产的可能性更大？ 设A=“取到的是一只次品”,Bi=“所取产品由第i厂提供”, 易知B1,B2,B3是样本空间的一个划分。 解 (1)由全概率公式: =0.15×0.02+0.80×0.01+0.05×0.03=0.0125 (2)由贝叶斯公式: 同理 P(B2|A)=0.64, P(B3|A)=0.12 . 以上结果表明，这只次品来自乙厂的可能性最大。 贝努利试验: 设随机试验E只有两种可能的结果:A及 ,且 P(A)=p,（0p1), 将试验E独立地重复进行n次, 简称n重贝努利试验(Bernoulli)。 n重贝努利试验中事件A出现的次数服从二项分布 二项分布 2、随机变量及其分布 泊松分布 n重贝努利试验中小概率事件出现的次数近似地服从泊松分布. 背景:指数分布常用于可靠性统计研究中，如元件的寿命， 动物的寿命，电话问题中的通话时间，服务时间等. 如：同龄人的身高、体重、考试分数、某地区年降水量等。 背景:如果决定试验结果X的是大量随机因素的总和，假设各个因素之间近似独立，并且每个因素的单独作用相对均匀地小，那么X的分布近似正态分布。 正态分布 描述了随机变量的概率取值中心—均值 数学期望 3、数学期望的概念和计算 4、MATLAB中相关的的概率命令 MATLAB工具箱对每一种分布都提供5类函数，其命令字符为： 概率密度：pdf 概率分布：cdf 逆概率分布：inv 均值与方差：stat 随机数生成：rnd 当需要一种分布的某一类函数时，将以上所列的分布命令字符与函数命令字符接起来，并输入自变量（可以是标量、数组或矩阵）和参数即可. 在MATLAB中输入以下命令： x=-6:0.01:6; y=normpdf(x); z=n