- •1.Основные определения и типы моделей
- •2. Понятие комп. Мод. Основные функции.
- •3. Типовые задачи, решаемые средствами компьютерного моделирования.
- •4. Системы имитац. Мод. Исторический путь развития инструментальных средств мод.
- •5. Структурный анализ. Формализованное описание. Построение модели. Проведение эксперимента
- •6. Понятие и сущность корреляционного анализа
- •7. Понятие и сущность регрессионного анализа
- •8. Определение параметров линейного однофакторного ур-я регрессии.
- •9. Оценка величины погрешности линейного однофакторного уравнения
- •10. Проблема автокорреляции остатков. Критерий Дарбина-Уотсона
- •11. Построение уравнения степенной регрессии
- •12. Двухфакторные и многофакторные уравнения регрессии
- •13. Оптимизация. Основные понятия.
- •14. Одномерный поиск оптимума.
- •15. Понятие оптимизац задач и оптимиз моделей
- •16. Оптимизационные задачи с линейной зависимостью между переменными
- •17. Геометрическая интерпретация оптимизационной задачи линейного программирования.
- •18. Симплексный метод решения оптимизационной задачи линейного программирования.
- •19. Пример решения оптимизационной задачи линейного программирования симплексным методом
- •20. Двойственная задача линейного програмирования
- •21. Решение двойственной задачи линейного программирования
- •23. Понятие систем массового обслуживания.
- •24. Одноканальная модель смо с пуассоновским входным потоком и экспоненц распределением длительности обслуживания с отказами.
- •25. Одноканальная модель смо с пуассоновским входным потоком и экспоненциальным распределением длительности обслуживания с ожиданием и ограничением на длину очереди
- •26. Одноканальная модель смо с пуассоновским входным потоком и экспоненц распределением длительности обслуживания с ожиданием без ограничения длины очереди
- •27. Многоканальная модель смо с пуассоновским входным потоком и экспоненц распределением длительности обслуживания с отказами.
- •28. Многоканальная модель смо с пуассоновским входным потоком и экспоненц распределением длительности обслуживания с ожиданием.
- •29. Вероятностные характеристики функционирования в стационарном режиме системы массового обслуживания.
- •30. Параллельное и распределенное моделирование
- •32. Непрерывное моделирование
- •33. Комбинированное непрерывно-дискретное моделирование
- •34. Моделирование по методу Монте-Карло.
- •35. Моделирование систем массового обслуживания с использованием метода Монте-Карло.
- •39. Алгоритм метода потенциалов решения транспортных задач
- •40. Теория принятия решений. Основные понятия.
- •41. Принятие решений в условиях полной определенности. Метод аддитивной оптимизации.
- •42. Принятие решений в условиях риска
7. Понятие и сущность регрессионного анализа
Регрессионный анализ своей целью имеет вывод, определение уравнения регрессии, включая статистическую оценку его параметров. Уравнение регрессии позволяет найти значение зависимой переменной, если величина независимой или независимых переменных известна. Анализируя множество статистических данных, найти линию, по возможности точно отражающую заключенную в этом множестве закономерность, линию регрессии. По числу факторов различают одно-, двух- и многофакторные уравнения регрессии.
По характеру связи однофакторные уравнения регрессии подразделяются: а) на линейные:
, где x независимая переменная, y зависимая, результативная переменная, a , b параметры; б) степенные: , в) показательные: , г) прочие.
8. Определение параметров линейного однофакторного ур-я регрессии.
Пусть у нас имеются данные о доходах (x) и спросе на некоторый товар (y) за ряд лет (n): Предположим, что между x и y существует линейная взаимосвязь, т.е. .Для того, чтобы найти уравнение регрессии, прежде всего нужно исследовать тесноту связи между случайными величинами, т.е. корреляционную зависимость. Пусть x1, x2, ..., xn совокупность значений независимого, факторного признака; y1, y2, ..., yn совокупность соответствующих значений зависимого, результативного признака; n количество наблюдений. Для нахождения уравнения регрессии вычисляются следующие величины: 1. Средние значения
для экзогенной; для эндогенной переменной. 2. Отклонения от средних величин
, . 3. Величины дисперсии и среднего квадратичного отклонения
, ; , . 4. Вычисление корреляционного момента: . Корреляционный момент отражает характер взаимосвязи между x и y . Если K x, y > 0, то взаимосвязь прямая. Если K x, y < 0, то обратная. 5. Коэффициент корреляции вычисляется по формуле
. Доказано, что коэффициент корреляции находится в интервале от минус единицы до плюс единицы (-1>=Rx,y <=1). 6. Вычисления параметров регрессионного уравнения. Коэффициент b находится по формуле . После чего можно легко найти параметр a :
. Коэффициенты a и b находятся методом наименьших квадратов, основная идея которого состоит в том, что за меру суммарной погрешности принимается сумма квадратов разностей (остатков) между фактическими значениями результативного признака yi и его расчетными значениями yi р , полученными при помощи уравнения регрессии
. При этом величины остатков находятся по формуле ,
где yi фактическое значение y; yi р расчетное значение y .
9. Оценка величины погрешности линейного однофакторного уравнения
1. Обозначим разность между фактическим значением результативного признака и его расчетным значением как ui: где y i фактическое значение y ; y i р расчетное значение y ; u i разность между ними.
2. В качестве меры суммарной погрешности выбрана величина
.. 3. Остаточная дисперсия находится по формуле
. 4. Стандартная ошибка уравнения находится по формуле , где D u остаточная дисперсия. 5. Относительная погрешность уравнения регрессии вычисляется как , где стандартная ошибка; среднее значение результативного признака. 6. Стандартная ошибка коэффициента b вычисляется по формуле
. Для вычисления стандартной ошибки коэффициента a используется формула . Стандартные ошибки коэффициентов используются для оценивания параметров уравнения регрессии. Стандартные ошибки коэффициентов используются также для оценки статистической значимости коэффициентов при помощи t -критерия Стьюдента. Далее находятся максимальные и минимальные значения параметров:
Аналогично находятся максимальные и минимальные значения параметр a. Ситуацию можно поправить:
а) увеличить число n; б) увеличить количество факторов; в) изменить форму уравнения.