公交车到站人数数学模型分析.docx

已知30分钟T内的上车人数N为40（长期统计得到的均值），那么每间隔x分钟(x30)的上车人数m是多少？解题思路：寻找上车人数和间隔时间的对应关系，直接寻找或者依据某种分布规律，确定大概率值发生时的到站人次数，求出m。最直接的规律？感觉上认为m=N*x/T。（定为m1，方便后续比较）此处不管概率分布函数，直接寻找上车人数和间隔时间的函数关系，已知了间隔时间为T时，上车人数为N，同时有间隔时间为0时，上车人数也为0，因此依据两点做线，直接认为函数关系为：m=kx (k= N/T)这种处理和概率论上的均匀分布无关。说为上车人数沿间隔时间均匀分布，更多侧重的是一种形象描述。解释：此规律假设了单次到站一定发生的最短时间间隔，而且认为更长间隔时间内发生到站事件次数为最短间隔时间的累加。也可理解为一次到站事件发生需要的时间为N/T，那么x时间内可以发生多少次事件肯定为N/T的x倍。还可以理解为每隔x分钟的到站人数是固定的，T/x个x分钟的到站人数为N，那么也可反求出m。单次到站服从二点分布？X01Pp1-p如果是否有人到站，和丢一次硬币一样，那么p＝0.5。解释：人到站和丢一次硬币一样，都要一定的耗时。忽略这个耗时，认为时刻点和次数有比较好的对应关系，事件发生一次刚好在某个时刻点。但时刻点无法用来计算，只能取时间段。定义最小时间间隔为单位时间，取为1秒。一次事件和一个单位时间对应。到站人数服从超几何分布？依据单次到站服从二点分布的模型，我们可以重新描述题目为：T*60次事件中，有N次事件成功了，那么随机抽取x*60次事件检查，发现其中有m次事件是成功的概率是多少？我们知道该概率服从超几何分布，公式为：（N=T*60,M=N,n=x*60）依据大概率值一般不小于0.8的参考，可以确定P=0.8时对应的m值即为所求（定为m2，方便后续比较）。解释：可能出现所有的P都小于0.8的情况，那么可以取最大的P值来处理。超几何分布的最大概率值在m=N*x/T时取得，该结果和直觉一致。数学上不难证明，N趋于无穷时，为二项分布，在实际应用时，只要N≥10n，可用二项分布近似描述。到站人数服从二项分布？依据单次到站服从二点分布，可以认为到站人数服从二项分布。那么x分钟可以变成x*60个单位时间，依据单位时间对应一次事件，x分钟变成x*60次事件，题目所求变为x*60次事件中到站事件发生m次的概率与m之间的关系。即符合二项分布：（k=m, n= x*60, p=0.5）依据大概率值一般不小于0.8的参考，可以确定P=0.8时对应的k值即为所求m值（定为m3，方便后续比较）。解释：我们没有用样本数据就求出了m值，总觉得有点过于理想化，相当于无论高低峰，无论冬夏，无论世界上哪个地区，隔一定的秒数，我们就一定可以推算出相同的到站人数。这和现实情况不一致。我们理想化的地方有三个：一次事件和一个单位时间的对应，单次到站事件发生概率取0.5，大概率值取为0.8。这三条都是无法被推导和证明的。但是单次到站事件发生的概率可以不取0.5，而取一种与间隔时间的函数关系【1】，当然简便的方式是取为样本均值N/(T*60)，依据概率论中的大数定律，该改变是适合的。大概率值取为0.8，不一定恰当，有可能最大概率值小于0.8，那么我们取最大概率值对应点的k值，而最大概率值发生在np点。即m= N*x/30，和直觉结果一致。暂且搁置最大概率值不论，此时n比较大，p比较小，用二项分布不便计算，可以用泊松分布近似。到站人数服从泊松分布？泊松分布为描述和分析小概率事件的发生规律，以时间段内的事件发生次数的大数据量统计样本来计算等长时间段内事件发生指定次数的概率（时间段也可以换成空间段，或者一次操作，或者其它指标）。时间段内的事件发生次数均值λ是泊松分布所依赖的唯一参数。所有概率值有泊松分布表可查。泊松分布公式：n比较大，p比较小的二项分布也可以用泊松分布近似，此时λ=n*p= (x*60) * (N/(T*60))= N*x/T依据大概率值一般不小于0.8的参考，可以确定P=0.8时对应的k值即为所求m值（定为m4，方便后续比较）。解释：此处n比较大，p比较小为模糊性语言，这影响二项分布近似为泊松分布的误差大小。同时，泊松分布对λ处于0.1到10之间的概率是比较常用的，其它情况下泊松分布的准确性难以保证。这使得我们用该公式，必须要求N,x满足一定的条件。还有，泊松分布是对小概率事件，由泊松分布表，我们可以看到所有概率值都是比较小的，要使得概率值比较大，要求λ0.6。我们此处取0.8可以说已经超出了该模型的适用范围。我们可以不取0.8的概率值，而取泊松分布中的最大概率值点对应的发生次数。我们关键是要找到发生概率和次数之间的关系，依据切比雪夫不等式，样本均值对应的概率最高，但也不一定为很高的值，反而