ADII/3.py - master - beeval/repository

ADII/3.py
90 строк4 KB
beeval
update ADII/3.py
06 окт 2025, 21:44
06 окт 2025, 21:441fb1116
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import expon

# Задание начальных параметров
days_in_week = 7
hours_per_day = 24
num_simulations = 1000
temperature_range = (20, 35)  # Температура от 20 до 35 °C


# Экспоненциальное распределение с настройкой диапазона
def generate_exponential_temperature(days, hours_per_day, temp_range):
    """Генерирует массив почасовых температур за указанный период."""
    scale_param = temp_range[1] - temp_range[0]
    shift_param = temp_range[0]

    return expon.rvs(scale=scale_param, loc=shift_param, size=(days, hours_per_day))


# Функция расчета средненедельной температуры
def calculate_weekly_avg(temp_data):
    daily_means = np.mean(temp_data, axis=1)  # Средние за каждый день
    weekly_mean = np.mean(daily_means)  # Общая неделя
    return weekly_mean


# Генерация данных и расчет средних
weekly_averages = []
for _ in range(num_simulations):
    temps = generate_exponential_temperature(days_in_week, hours_per_day, temperature_range)
    avg_temp = calculate_weekly_avg(temps)
    weekly_averages.append(avg_temp)

# Гистограмма результатов
plt.hist(weekly_averages, bins=30, density=True, color='skyblue', edgecolor='black')
plt.title('Гистограмма средненедельных температур')
plt.xlabel('Средняя температура за неделю')
plt.ylabel('Частота')
plt.show()

# Центральная предельная теорема проверяется визуально на форме графика
# Далее проведём оценку вероятности жарких дней

# Расчёт вероятности жарких дней (задача 3)
hot_threshold = 30  # Пусть жарким считается день с температурой >= 30 °C

# Оценка вероятности для еженедельного наблюдения
probs_hot_days_weekly = []
for _ in range(num_simulations):
    temps = generate_exponential_temperature(days_in_week, hours_per_day, temperature_range)
    hot_days_count = np.sum(np.max(temps, axis=1) >= hot_threshold)  # Жарких дней за неделю
    probs_hot_days_weekly.append(hot_days_count / days_in_week)

# Гистограмма вероятности жарких дней
plt.hist(probs_hot_days_weekly, bins=30, density=True, color='pink', edgecolor='black')
plt.title('Гистограмма вероятности жарких дней (еженедельно)')
plt.xlabel('Доля жарких дней за неделю')
plt.ylabel('Частота')
plt.show()

# Теперь оценим зависимость от размера выборки (7 vs 30 дней)
days_in_month = 30

monthly_averages = []
for _ in range(num_simulations):
    temps = generate_exponential_temperature(days_in_month, hours_per_day, temperature_range)
    avg_temp = calculate_weekly_avg(temps.reshape(-1, hours_per_day))  # Средний за месяц
    monthly_averages.append(avg_temp)

# Гистограмма месячных средних
plt.hist(monthly_averages, bins=30, density=True, color='lightgreen', edgecolor='black')
plt.title('Гистограмма среднемесячных температур')
plt.xlabel('Средняя температура за месяц')
plt.ylabel('Частота')
plt.show()

# Оценка вероятности жарких дней для месячного наблюдения
probs_hot_days_monthly = []
for _ in range(num_simulations):
    temps = generate_exponential_temperature(days_in_month, hours_per_day, temperature_range)
    hot_days_count = np.sum(np.max(temps, axis=1) >= hot_threshold)  # Жарких дней за месяц
    probs_hot_days_monthly.append(hot_days_count / days_in_month)

# Гистограмма вероятности жарких дней
plt.hist(probs_hot_days_monthly, bins=30, density=True, color='yellow', edgecolor='black')
plt.title('Гистограмма вероятности жарких дней (ежемесячно)')
plt.xlabel('Доля жарких дней за месяц')
plt.ylabel('Частота')
plt.show()