数学建模算法与应用 数理统计

这篇具有很好参考价值的文章主要介绍了数学建模算法与应用 数理统计。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

习题

习题7.1

  从一批灯泡中随机地取5只作寿命试验,测得寿命(单位:h)为 [ 1050 , 1100 , 1120 , 1250 , 1280 ] [1050,1100,1120,1250,1280] [1050,1100,1120,1250,1280],设灯泡寿命服从正态分布。求灯泡寿命平均值的置信水平为0.90的置信区间

算法设计

  • 这个地方关于python的实现我还没有找到,但是在探索的过程中发现MATLAB与python的std()函数得到的结果不一样,是因为MATLAB默认求解样本标准差,而np.std()默认求解总体标准差,所以需要添加参数np.std(x,ddof = 1)才能切换为样本标准差
clc,clear
x = [1050,1100,1120,1250,1280];
n = length(x);
alpha = 0.10;
% 计算alpha/2分位数
Ta = tinv(1-alpha/2,n-1)
% 拟合正态分布参数(mu,sigma)
pd = fitdist(x,'Normal')
% ci第一列为均值置信区间,第二列为标准差置信区间
ci = paramci(pd,'Alpha',alpha)

习题7.2

  某车间生产滚珠,随机地抽出了50粒,测得它们的直径为(单位:mm):
15.0    15.8    15.2    15.1    15.9    14.7    14.8    15.5    15.6    15.3 15.1    15.3    15.0    15.6    15.7    14.8    14.5    14.2    14.9    14.9 15.2    15.0    15.3    15.6    15.1    14.9    14.2    14.6    15.8    15.2 15.9    15.2    15.0    14.9    14.8    14.5    15.1    15.5    15.5    15.1 15.1    15.0    15.3    14.7    14.5    15.5    15.0    14.7    14.6    14.2 15.0\ \ 15.8\ \ 15.2\ \ 15.1\ \ 15.9\ \ 14.7\ \ 14.8\ \ 15.5\ \ 15.6\ \ 15.3\\ 15.1\ \ 15.3\ \ 15.0\ \ 15.6\ \ 15.7\ \ 14.8\ \ 14.5\ \ 14.2\ \ 14.9\ \ 14.9\\ 15.2\ \ 15.0\ \ 15.3\ \ 15.6\ \ 15.1\ \ 14.9\ \ 14.2\ \ 14.6\ \ 15.8\ \ 15.2\\ 15.9\ \ 15.2\ \ 15.0\ \ 14.9\ \ 14.8\ \ 14.5\ \ 15.1\ \ 15.5\ \ 15.5\ \ 15.1\\ 15.1\ \ 15.0\ \ 15.3\ \ 14.7\ \ 14.5\ \ 15.5\ \ 15.0\ \ 14.7\ \ 14.6\ \ 14.2\\ 15.0  15.8  15.2  15.1  15.9  14.7  14.8  15.5  15.6  15.315.1  15.3  15.0  15.6  15.7  14.8  14.5  14.2  14.9  14.915.2  15.0  15.3  15.6  15.1  14.9  14.2  14.6  15.8  15.215.9  15.2  15.0  14.9  14.8  14.5  15.1  15.5  15.5  15.115.1  15.0  15.3  14.7  14.5  15.5  15.0  14.7  14.6  14.2

算法设计

  • 检验假设 H 0 H_0 H0:滚珠直径 X ∼ N ( 15.0780 , 0.432 5 2 ) X \sim N(15.0780,0.4325^2) XN(15.0780,0.43252)
clc,clear
a = readmatrix('data7_2.txt');
x = a(:);
pd = fitdist(x,'Normal');
[h,p1,st] = chi2gof(xm,'cdf',pd,'Nparam',2)
ed = st.edges;
ed(1) = -inf;
end(end) = inf;
% 计算各个区间的概率
p2 = diff(cdf(pd,ed))
% 计算上alpha分位数
k2 = chi2inv(0.95,st.df)

习题7.3

  按分位数法求灯泡寿命平均值的置信水平为0.90的Bootstrap置信区间。

算法设计

clc,clear
% 固定随机数种子
x = [1050,1100,1120,1250,1280]';
% 计算均值的置信区间
mu = bootci(10000,{@(x)mean(x),x},'alpha',0.1)

习题7.4

  设有如表所列的3个组5年保险理赔的观测数据。试用方差分析法检验3个组的理赔额均值是否有显著差异(取显著性水平$ \alpha = 0.05 , 已 知 ,已知 F_{0.05}(2,12) = 3.8853$)

t = 1 t = 1 t=1 t = 2 t = 2 t=2 t = 3 t = 3 t=3 t = 4 t = 4 t=4 t = 5 t = 5 t=5
j = 1 j = 1 j=1 98 93 103 92 110
j = 2 j = 2 j=2 100 108 118 99 111
j = 3 j = 3 j=3 129 140 108 105 115

算法设计

  • X j t X_{jt} Xjt表示第 j j j组第 t t t年的理赔额,其中 j = 1 , 2 , 3 , t = 1 , 2 , ⋯   , 5 j = 1,2,3,t = 1,2,\cdots,5 j=1,2,3,t=1,2,,5。假设所有的 X j t X_{jt} Xjt相互独立且服从 N ( μ j , σ 2 ) N(\mu_{j},\sigma^2) N(μj,σ2)分布,即对应于每组均值 m j m_{j} mj可能不相等,但是方差 σ 2 > 0 \sigma^2 > 0 σ2>0是相同的
  • 提出原假设 H 0 : μ 1 = μ 2 = μ 3 , H 1 : μ 1 , μ 2 , μ 3 H_{0}:\mu_1 = \mu_2 = \mu_3,H_1:\mu_1,\mu_2,\mu_3 H0:μ1=μ2=μ3,H1:μ1,μ2,μ3不全相等
clc,clear
a = readmatrix('data7_4.txt')
[p,t,st] = anoval(a')

习题7.5

  某种半成品在生产过程中的废品率 y y y与它所含的某种化学成分 x x x有关,现将试验所得的8组数据记录如表。试求回归方程 y = a 1 x + a 2 + a 3 x + a 4 x 2 y = \frac{a_1}{x} + a_2 +a_3x + a_4x^2 y=xa1+a2+a3x+a4x2

序号 1 2 3 4 5 6 7 8
x x x 1 2 4 5 7 8 9 10
y y y 1.3 1 0.9 0.81 0.7 0.6 0.55 0.4

算法设计

  • 利用python中scipy包求解
from scipy.optimize import curve_fit
def fx(x,a1,a2,a3,a4):
    return a1/x + a2 + a3 * x + a4 * x ** 2
x = [1,2,4,5,7,8,9,10]
y = [1.3,1,0.9,0.81,0.7,0.6,0.55,0.4]
popt, pcov = curve_fit(fx, x, y)
popt

输出

array([ 0.64983455,  0.59007412,  0.06658214, -0.00912294])

习题7.6

  人的身高与腿长有密切关系,现测得13名成年男子身高 y y y与腿长 x x x数据见表。试建立人的升高 y y y和腿长 x x x之间的一元线性回归模型。

x x x 92 95 96 96.5 97 98 101 103.5 104 105 106 107 109
y y y 163 165 167 168 171 170 172 174 176 176 177 177 181

算法设计

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 导入数据
a = np.loadtxt('C:/Users/lenovo/Desktop/data7_6.txt')
x = a[0,:]
y = a[1,:]
# 构建线性回归模型对象
lin_reg = LinearRegression()
# 训练
lin_reg.fit(x[:,np.newaxis],y[:,np.newaxis])
# 打印系数
print(lin_reg.coef_,lin_reg.intercept_)
print('R方:',lin_reg.score(x[:,np.newaxis],y[:,np.newaxis]))
print('RMSE:',np.sqrt(mean_squared_error(y[:,np.newaxis],lin_reg.predict(x[:,np.newaxis]))))
# 绘制图形
plt.figure(dpi = 600)
plt.plot(np.arange(1,x.shape[0]+1,1),y[:,np.newaxis] - lin_reg.predict(x[:,np.newaxis]),'+')
plt.axhline(y=0.0, c='r')  # 垂直于y轴的参考线

输出

[[0.98081454]] [73.2409963]
R方: 0.9616734761736716
RMSE: 1.0054868502483365

数学建模算法与应用 数理统计文章来源地址https://www.toymoban.com/news/detail-466006.html

到了这里,关于数学建模算法与应用 数理统计的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包