Инженерные методы.Слайды - часть 2
.pdf«Инженерные методы обработки результатов эксперимента»
Кафедра ТЭС ИГЭУ
Задачи регрессионного анализа
x1 |
|
|
|
y1 |
Параметры xi – факторы |
|
|
||||
x2 |
|
Объект |
|
y2 |
Функции yj – функции отклика |
|
|
«черный |
|
|
Для одного фактора и одной |
|
|
|
|||
|
|
ящик» |
|
|
функции отклика: |
xn |
|
ym |
|||
|
|
|
y = ϕ (x) |
||
|
|
|
|
|
При интерпретации полученных в опытах xi и yi необходимо ответить на следующие вопросы (с помощью регрессионного анализа):
1. Можно ли с заданной вероятностью утверждать, что существует связь между величинами x и y?
2.Если связь существует, то какой вид функции описывает результаты эксперимента?
3.Какие численные значения коэффициентов a, b, c, ... функции ϕ(x) обеспечивают наилучшее согласование экспериментальных и расчетных данных?
4.Согласуется ли с результатами эксперимента (адекватно ли математическое описание результатов) выбранный вид функции ϕ (x)?
5.В каком диапазоне с заданной вероятностью находится математическое
ожидание величины y(x)?
|
Инженерные методы обработки |
2 |
результатов эксперимента |
Метод наименьших квадратов (МНК)
МНК является составной частью регрессионного анализа и по существу является вычислительным приемом, обеспечивающим выбор числовых параметров функции таким образом, чтобы сумма квадратов отклонений расчетных и экспериментальных данных была минимальной.
Известно, что через любые n точек с координатами (xi,yi) всегда можно провести кривую, выражаемую аналитически полиномом степени n-1. Почему это решение, как правило, не устраивает?
y |
1. Расположение точек на плоскости x0y |
|
|
определяется как наличием или отсутствием |
|
|
связи, так и случайными ошибками. |
|
|
2. Вид функции будет зависеть от количества |
|
x |
проведенных опытов. Каждый новый опыт |
|
0 |
будет менять вид зависимости, что лишено |
|
здравого смысла. |
||
0 |
3. Аппроксимация результатов эксперимента полиномом высокой степени может привести к тому, что при полном совпадении экспериментальных и расчетных значений функции в узлах сетки при x=xi для промежуточных значений х функция у будет иметь значения, существенно отличающиеся от экспериментальных.
3
Метод наименьших квадратов (МНК)
Типичная задача обработки экспериментальных данных – найти такой вид функции , которая по возможности точно отражает общую тенденцию зависимости y от x и, вместе с тем, сглаживает отклонения, связанные с влиянием случайных неконтролируемых факторов.
y = ϕ (x) - уравнение регрессии
Вид зависимости ϕ (x) должен быть предварительно выбран или задан. Задачей МНК является только подбор значений коэффициентов регрессии,
обеспечивающих наилучшее согласование расчетных и экспериментальных данных.
Основания для выбора вида регрессионной зависимости:
-физическая сущность процесса;
-расположение точек в координатах x0y;
-граничные условия (например, известно, что график должен проходить через определенные точки)
|
Инженерные методы обработки |
4 |
результатов эксперимента |
Обоснование метода наименьших квадратов
Если отклонение экспериментальных точек от истинной кривой обусловлено только лишь случайными ошибками, то в этом случае отклонения должны подчиняться нормальному закону распределения.
|
|
1 |
|
|
|
éy -ϕ(x )ù2 |
||
f ( yi ) = |
|
|
e |
- |
ë i |
i û |
||
|
|
|
2σ 2 |
|||||
|
|
|
|
|||||
|
|
|
|
|
|
|||
|
σ |
|
|
|
|
|
|
|
|
|
2π |
|
|
|
|
|
Будем считать, что в опытах случайная величина Y принимала значения, обладающие наибольшей вероятностью, т.е. при фиксированных значениях
x1, x2, …, xn наиболее вероятными являются наблюдаемые значения y1, y2, ..., yn.
Это так называемый принцип максимального правдоподобия.
Задача: подобрать математические ожидания ϕ(x1), ϕ (x2), ϕ (xn) таким образом, чтобы вероятность события, что при x1, x2, …, xn появились именно значения y1, y2, ..., yn, была максимальной.
|
Инженерные методы обработки |
5 |
результатов эксперимента |
Обоснование метода наименьших квадратов
|
|
|
|
|
1 |
|
|
|
éy -ϕ(x )ù2 |
|
||
Будем пользоваться не вероятностями |
f ( yi )dyi |
= |
|
|
|
e |
- ë i |
i û |
dyi |
|||
|
|
|
|
|
2σ 2 |
|||||||
событий, а элементами вероятностей |
|
|
|
|
|
|
|
|
||||
σ |
|
2π |
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
Найдем вероятность того, что система случайных величин Y1, Y2, ..., Yn приняла значения y1, y2, ..., yn.
|
|
|
|
1 |
|
|
|
éy -ϕ(x )ù |
2 |
|
|
1 |
|
|
|
|||
|
|
|
|
|
|
- |
ë i |
|
i û |
|
|
- |
|
éy -ϕ(x )ù2 |
|
|||
|
|
|
|
|
|
|
|
2 |
|
|
|
2 |
|
|||||
1 P( f ( yi )dyi |
) = |
|
|
|
Pe |
|
|
2σ |
|
dyi = Ke |
|
2σ |
åë i i û |
P dyi |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
σ |
|
2π |
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n
U = å( yi - yˆi )2 Þ min ,
2
i=1
yˆi = ϕ (xi )
3
6
ì |
¶U |
= 0 |
, |
ï |
¶a |
||
ï |
¶U |
|
|
ï |
= 0 |
, |
|
ï |
¶b |
||
í |
|
|
|
ï |
¶U |
= 0 |
, |
ï |
¶c |
||
ï |
|
|
|
ï |
|
|
|
î ............. |
|
Инженерные методы обработки результатов эксперимента
Определение коэффициентов регрессии по МНК
Наиболее часто в качестве уравнения регрессии используются алгебраические многочлены вида:
yˆ = b0 + b1x + b2 x2 +K+ bm xm
b0, b1, …, bm – коэффициенты регрессии
y = β |
|
+ β x + ε |
n→∞ |
+ β1x |
0 |
M ( y) = β0 |
|||
|
1 |
|
|
Уравнение регрессии, описывающее поведение математического ожидания функции отклика, можно представить в виде:
yˆ = b0 + b1x
|
Инженерные методы обработки |
7 |
результатов эксперимента |
Определение коэффициентов регрессии по МНК
ì |
¶U |
= 0 |
, |
|
ï |
¶a |
|||
ï |
¶U |
|
|
|
ï |
= 0 |
, |
||
ï |
|
|||
¶b |
||||
í |
|
|
||
ï |
¶U |
= 0 |
, |
|
ï |
¶c |
|||
ï |
|
|
||
ï |
|
|
|
|
î ............. |
|
ì |
|
¶ å é y - (b + b x )ù2 = 0 , |
||||||
|
|
|
|
n |
ë i |
|
|
û |
ï |
|
|
|
|
0 |
1 i |
||
|
|
|
|
|||||
ï¶b0 i=1 |
|
|
|
|
||||
í |
|
¶ |
|
n |
|
- (b0 |
|
)ù2 = 0 . |
ï |
|
é yi |
+ b1xi |
|||||
|
å |
|||||||
|
|
|||||||
ï |
|
¶b |
|
i=1 |
ë |
|
|
û |
î |
|
1 |
|
|
|
|
|
|
ì |
|
|
n |
( y |
- b - b x ) = 0 , |
|||
-2å |
||||||||
ï |
|
|
i=1 |
i |
0 |
1 i |
|
|
|
|
|
|
|
|
|||
í |
|
|
n |
|
|
|
|
|
ï-2å( y - b - b x ) x = 0 . |
||||||||
î |
|
i=1 |
i |
0 |
1 i |
i |
||
|
|
|
|
|
ìb0n + b1 å xi = å yi
íîb0 å xi + b1 å xi2 = å yi xi
|
D |
b |
|
å y |
å x |
2 |
- å x |
å y x |
b1 = |
Db |
= |
nå y x - å x |
å y |
. |
|||
|
|
|
|
1 |
i i |
i |
|
i |
|||||||||
b = |
|
0 |
= |
i |
i |
i |
i i |
. |
D |
nå xi2 - (å xi ) |
2 |
||||||
D |
nå x2 |
|
|
||||||||||||||
0 |
|
- (å x )2 |
|
|
|
|
|||||||||||
|
|
|
|
|
i |
|
i |
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Инженерные методы обработки |
8 |
результатов эксперимента |
Точность уравнения регрессии
Суммарной характеристикой отклонения всех точек от среднего значения является общая дисперсия
|
|
2 |
|
å(yi − y)2 |
|
å yi2 − |
1 |
(å yi )2 |
|
|
= |
= |
n |
||||||
Sy |
|
|
|
||||||
n −1 |
n −1 |
||||||||
|
|
|
|
|
(yi − y)= (yˆi − y)+ (yi − yˆi )
å(yi − y)2 = å(yˆi − y)2 + 2å(yˆi − y)(yi − yˆi )+ å(yi − yˆi )2
å(yˆ − y)(y − yˆ )= å(b + b x − b − b x)[y − y − (y − y)]=
=b1 å(xi − x)[yi − y − b1(xi − x)]= b1 å[(xi − x)(yi − y)− b1(xi − x)2 ]
å(yi − y)2 = å(yˆi − y)2 + å(yi − yˆi )2i 0 i01 ii 1 ii
|
Инженерные методы обработки |
9 |
результатов эксперимента |
Точность уравнения регрессии
å(yi − y)2 = å(yˆi − y)2 + å(yi − yˆi )2
|
|
|
|
|
|
|
|
|
2 |
сумму квадратов отклонений результатов измерений |
SSyy = å(yi − y) |
относительно среднего значения |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
SSyˆy |
= |
|
ˆ |
- |
y ) |
2 |
|
|||
|
|
|||||||||
|
сумма квадратов, обусловленная регрессией |
|||||||||
|
å( yi |
|
|
|||||||
|
= |
å( y |
- |
ˆ |
) |
|
|
|
|
|
SSyyˆ |
2 |
= ei |
сумма квадратов остатков называется суммой |
|||||||
|
|
yi |
|
квадратов относительно регрессии |
SSyy = SSyˆy + SSyyˆ
|
Инженерные методы обработки |
10 |
результатов эксперимента |