Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:

Основы программного моделирования. Практикум. Учебное пособие

.pdf
Скачиваний:
0
Добавлен:
09.08.2026
Размер:
430 Кб
Скачать

Проведем расчет коэффициентов модели bi, исходя из следующего условия:

N

)

2

® min,

S(b) = å( yi - yi )

 

i=1

где N – объем выборки;

yi – экспериментальные выходные значения;

yi - значения выходных параметры, рассчитанные по мо-

дели (1).

Введем обозначения:

X = {xi} – матрица входных параметров или матрица плана эксперимента;

Y = {yi} – матрица выходных параметров.

Тогда матричная форма записи МНК будет иметь вид

 

 

 

FT Fb = FT y ,

(2)

где F = j (x)}- регрессионная матрица:

 

 

 

çæϕ1 (x1 ) ϕ2 (x1 )

L ϕk (x1 )

÷ö

 

ççϕ1 (x2 ) ϕ2 (x2 ) L ϕk (x2 )

÷÷

F =

ç

M

M

M

M

÷ ;

 

çç

ϕ1 (xi )

ϕ2 (xi ) L ϕk (xi )

÷÷

 

èϕ1 (xn ) ϕ2 (xn ) L ϕk (xn )

ø

FT - транспонированная матрица. Операция транспонирования означает, что в матрице F столбцы заменяются на строки;

b - вектор (столбец) коэффициентов модели, b = {bi};

y - вектор (столбец) выходных экспериментальных пара-

метров.

Из формулы (2) получаем, что значения коэффициентов

b определяют по формуле

b = (FT F)−1 × FT y ,

где (FT F)−1 - обратная матрица.

На этом этапе параметрический синтез закончен.

31

Статистический анализ 1. Вычисление остаточной дисперсии, которая определяет

величину разброса выходных параметров y под действием случайных помех:

2

 

1

N

)

2

 

 

 

 

Sост

=

 

å( yi yi )

 

,

N k

 

 

 

i=1

 

 

 

 

 

 

 

 

 

где k – число коэффициентов модели.

2. Вычисление коэффициентов детерминации.

 

 

 

 

 

 

 

R

2 = 1−

åост

=

åрег

,

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

åобщ

åобщ

 

 

N

)

 

 

2

- сумма остаточной дисперсии;

где åост = å

(yi − yi )

 

 

 

 

i=1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

N

 

 

 

 

 

 

 

 

 

 

 

 

åобщ = å(yi

 

 

 

- сумма общей дисперсии;

y)2

 

 

 

i=1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

- среднее экспериментальное;

 

 

 

y

 

 

 

 

N

)

 

 

2

- сумма регрессионной дисперсии;

 

 

 

 

 

 

 

 

åрег = å(yi − y)

 

 

i=1

y - среднее модельное.

3. Проверка эффективности модели.

При проверке эффективности модели выдвигаются две гипотезы:

1)основная Н0: Sрег2 = Sост2 - модель неэффективна;

2)альтернативная На: Sрег2 > Sост2 - модель эффективна.

Проверку проводят с помощью критерия Фишера:

S 2

Fвычэф = рег2 ,

Sост

32

2

 

1

N

)

 

 

2

 

 

 

 

 

где Sрег

=

 

å(yi - y)

 

- регрессионная дисперсия, которая

 

 

 

 

k -1 i=1

 

 

 

 

 

показывает разброс модельных выходных параметров относительно их среднего значения.

По значениям Sрег2 и Sост2 принимается одна из гипотез (Н0

или На). Если модель эффективна, то тогда целесообразно говорить о коэффициенте эффективности. Определяется

Fтабл (a,nч ,nзн ) ,

где α – уровень значимости; νч = k-1 – число степеней свободы числителя для Sрег2 ; nзн = N k – число степеней свободы для

знаменателя Sост2 .

Если Fвычэф > Fтабл , то модель эффективна. Определяется коэффициент эффективности модели:

 

F эф

Kэф =

выч

.

 

 

Fтабл

Если Кэф >>4, то модель эффективна.

4. Оценка значимости коэффициентов модели. Выдвигаются две гипотезы:

1)основная Н0: bi = 0 – коэффициент незначимый;

2)альтернативная На: bi ¹ 0 – коэффициент значимый. Проверку проводят с помощью III критерия Стьюдента:

выч

 

 

bi

 

 

Tз i

=

 

 

 

,

 

 

 

Sост2 ×Сii

 

 

 

 

 

где Сii диагональный элемент обратной матрицы (FT F)−1 . Определяется табличное значение критерия Стьюдента

Ттабл(α/2, n), где α/2 = 0,025; n = N k - число степеней свободы для знаменателя Sост2 .

Если | Tзiвыч | > Ттабл(α/2, n), то i коэффициент значимый.

33

 

 

 

 

 

 

 

 

Пример расчета

 

Рассмотрим модель:

y = b0 + b1x1 + b2 x2 .

 

Матрица входных параметров (матрица плана эксперимента)

 

æ 6

 

2

ö

 

 

 

 

 

ç

 

4

÷

 

 

 

 

 

ç 8

 

÷

 

 

 

 

X = ç10

5

÷ .

 

 

 

 

 

ç

 

6

÷

 

 

 

 

 

ç11

÷

 

 

 

 

 

ç

 

7

÷

 

 

 

 

 

è12

ø

 

 

 

 

Матрица выходных экспериментальных данных

 

æ

6 ö

 

 

 

 

 

 

 

ç

8

÷

 

 

 

 

 

 

 

ç

÷

 

 

 

 

 

 

Y = ç12

÷ .

 

 

 

 

 

 

 

ç

 

÷

 

 

 

 

 

 

 

ç15÷

 

 

 

 

 

 

 

ç

 

÷

 

 

 

 

 

 

 

è17

ø

 

 

 

 

Решение

 

 

 

 

 

 

 

 

 

 

Параметрический синтез

 

1. Исходные данные:

 

 

 

 

æ

6

2 ö

 

 

æ

6

ö

 

ç

 

÷

 

 

ç

 

÷

 

ç

8

4 ÷

 

 

ç

8

÷

 

X := ç 10

5 ÷

 

Y := ç 12 ÷

 

ç

11

6 ÷

 

 

ç

15

÷

 

ç

 

÷

 

 

ç

 

÷

 

è 12

7 ø

 

 

è 17

ø

 

2. Составляем регрессионную матрицу:

 

 

æ 1

6

 

2 ö

 

 

 

 

 

ç 1 8 4

÷

 

 

æ 1 1 1 1 1

ö

 

ç

 

 

 

÷

 

T

ç

÷

Φ := ç 1 10 5

÷

Φ

= ç 6 8 10 11 12

÷

 

ç 1 11 6

÷

 

 

è 2 4 5 6 7 ø

 

ç

12

7

÷

 

 

 

 

 

è 1

ø

 

 

 

 

34

3. Вычисляем ФТФ

:

 

 

æ

5

 

47

24

ö

T

ç

 

 

 

 

 

÷

Φ Φ

= ç

47

465

244

÷

 

è 24

244

130 ø

4. Вычисляем ФТY:

 

 

 

æ

 

58

ö

 

 

T

 

ç

 

 

÷

 

 

Φ

Y = ç

589

÷

 

 

 

 

è

313 ø

 

 

5. Находим коэффициенты регрессии:

æ −7.917 ö B := (ΦT Φ)− 1×(ΦT Y ), B = çç 2.417 ÷÷

è -0.667 ø

6. Вычисляем выходной параметр по модели Y=Ф∙B:

Y1 := Φ ×B,

æ

5.25

ö

 

 

 

 

ç

8.75

÷

 

 

 

 

ç

÷

 

 

 

 

Y1 = ç

12.917 ÷

 

 

 

 

ç

14.667

÷

 

 

 

 

ç

16.417

÷

 

 

 

 

è

ø

 

 

 

 

Статистический анализ

 

1. Вычисляем остаточную дисперсию:

 

i := 0 .. 4, N := 5,

 

k := 3.

 

 

 

 

êéå(Y i - Y1i)2úù

 

 

 

Sost :=

ë i

û

 

35

 

 

 

N - k

 

 

 

 

 

Sost = 1.208

2. Вычисляем коэффициенты детерминации:

 

 

å(Y i - Y1i)2

 

 

1

×çæ åY i ÷ö

R2 := 1 -

i

 

 

Y2i :=

 

 

5

å(Y i - Y2)2

 

 

 

 

 

 

è i

ø

 

 

i

 

 

æ

11.6

ö

 

æ

0.972

ö

 

 

ç

0.972

÷

 

ç

11.6

÷

 

ç

÷

 

ç

÷

 

R2 = ç

0.972

÷

 

Y2 = ç

11.6

÷

 

ç

0.972

÷

 

ç

11.6

÷

 

ç

÷

 

ç

÷

 

è 0.972 ø

 

è

11.6 ø

 

3. Проверяем эффективность модели:

éêå(Y1i - Y2i)2ùú

Sregr := ë i û k - 1

Sregr = 41.392

Fvych := SregrSost

Fvych = 34.255

Ftabl := qF (0.95 , k - 1 , N - k)

Ftabl = 19

КKэф := Fvych

эф Ftabl

36

Kэф = 1.803 Kэф < 2 – модель эффективна

4. Оцениваем значимость коэффициентов модели:

j := 0 .. 2

Z :=

(

T

 

)− 1

 

 

 

 

 

 

Φ Φ

 

 

 

 

 

 

æ

38.083

-10.583

12.833 ö

Z =

ç

-10.583

3.083

-3.833

÷

ç

÷

 

è

12.833

-3.833

4.833

ø

Tvychj :=

 

 

Bj

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Sost×Zj ,j

 

 

 

 

 

 

 

æ -1.167 ö

 

 

 

 

Tvych =

ç

 

 

÷

 

 

 

 

ç 1.252 ÷

 

 

 

 

 

 

 

è -0.276 ø

 

 

 

 

qt(0.975 , N - k) = 4.303

Задание. Исходные данные в прил. 7.

1.Выполнить параметрический синтез модели.

2.Провести статистический анализ полученной модели.

3.Решить задачу с помощью MathCAD.

4.Записать вывод.

37

ПРИЛОЖЕНИЯ

Приложение 1

Пример оформления титульного листа к практической работе

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ

ФЕДЕРАЛНОЕ ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

ВОРОНЕЖСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ИНЖЕНЕРНЫХ ТЕХНОЛОГИЙ

Специальность_____221700 – «Метрология и стандарзизация»_____________

Кафедра Информационных технологий моделирования и управления

ПРАКТИЧЕСКАЯ РАБОТА № __

по дисциплине ОСНОВЫ ПРОГРАММНОГО МОДЕЛИРОВАНИЯ

Тема: ___________________________________________

Выполнил: __________________________________

 

ФИО

подпись

дата

Проверил:

 

.

 

ФИО

подпись

дата

Воронеж 201_

38

Приложение 2

Исходные данные для практической работы «Графическое решение задачи линейного программирования»

Вариант 1

q = -3x1 + 6x2

 

→ min

ì5x - 2x

 

£ 4;

ï

1

 

 

2

 

 

 

ï2x2 - x1 £ 4;

íx

+ x

2

£ 4;

 

ï 1

 

 

 

 

 

 

ïx

³ 0,

 

x

2

³ 0.

î 1

 

 

 

 

 

 

 

Вариант 2

q = -3x1 + 6x2

 

→ max

ì5x - 2x

 

£ 4;

ï

1

 

 

2

 

 

 

ï2x2 - x1 £ 4;

íx + x

2

£ 4;

 

ï 1

 

 

 

 

 

 

ïx

³ 0,

 

x

2

³ 0.

î 1

 

 

 

 

 

 

Вариант 3

q = x1 + x2 → max

ìx + x

 

³1;

ï

1

2

 

ïx2 - 5x1 ³ 0;

íx + x

2

£ 6;

ï

1

 

ïx ³ 0, x ³ 0.

î

1

 

2

Вариант 4

q = x1 + x2 → min

ìx + x

 

³1;

ï

1

2

 

ïx2 - 5x1 ³ 0;

íx + x

2

£ 6;

ï

1

 

ïx ³ 0, x ³ 0.

î

1

 

2

Вариант 5

q = x1 + x2 → max

ì5x - 2x £ 7;

ï

 

1

 

2

ïx2

- x1

£ 5;

íx + x

2

£ 6;

ï

1

 

 

ïx

³ 0,

x ³ 0.

î

1

 

 

2

Вариант 6

q = x1 + x2 → min

ì5x - 2x

 

£ 7;

ï

1

 

2

 

ïx2

- x1 £ 5;

íx + x

2

£ 6;

ï 1

 

 

 

 

ïx

³ 0,

 

x ³ 0.

î 1

 

 

 

 

2

 

Вариант 7

q = x1 + 2x2

 

→ max

ì2x + x

 

 

£ 8;

ï

1

 

2

 

 

ïx1

+ x2 ³ 6;

í

 

 

 

 

 

ï-3x1 + 2x2 ³ 3;

ïx

³ 0,

 

x ³ 0.

î 1

 

 

 

 

2

 

Вариант 8

q = x1 + 2x2

 

→ min

ì2x + x

 

 

£ 8;

ï

1

 

2

 

 

ïx1

+ x2 ³ 6;

í

 

 

 

 

 

ï-3x1 + 2x2 ³ 3;

ïx

³ 0,

 

x ³ 0.

î 1

 

 

 

 

2

39

Вариант 9

q = x2 + 2x1 → max

ì2x + x

 

£ 8;

ï

1

2

 

 

 

ïx1

+ x2 £ 6;

 

í

 

 

 

 

 

ï- 3x1 + 2x2 ³ 3;

ïx

³ 0,

 

x

2

³ 0.

î 1

 

 

 

 

Вариант 10

q = x2 + 2x1 → min

ì2x + x

 

£ 8;

ï

1

2

 

 

 

ïx1

+ x2 £ 6;

 

í

 

 

 

 

 

ï- 3x1 + 2x2 ³ 3;

ïx

³ 0,

 

x

2

³ 0.

î 1

 

 

 

 

Вариант 11

q= 2x1 + 2x2 → max

ì2x2 - 3x1 £ 6;

ïïx1 + x2 ³ 3; íï0 £ x1 £ 3; ïî0 £ x2 £ 5.

Вариант 12

q = 2x1 + 2x2 → min

ì2x2 - 3x1 £ 6;

ïïx1 + x2 ³ 3; íï0 £ x1 £ 3;

ïî0 £ x2 £ 5.

Окончание прил. 2

Вариант 13

q = 3x1 + 3x2 → max

ìx1 + x2 £ 4; ïï3x1 + x2 ³ 4; ïíx1 + 5x2 ³ 4; ïï0 £ x1 £ 3;

ï0 £ x £ 3. î 2

Вариант 14

q = 3x1 + 3x2 → min

ìx1 + x2 £ 4; ïï3x1 + x2 ³ 4; ïíx1 + 5x2 ³ 4; ïï0 £ x1 £ 3;

ï0 £ x £ 3. î 2

Вариант 15 q = x1 - x2 → min

ì3x1 + 2x2 £ 10;

ïí2 £ x1 £ 5; ïî0 £ x2 £ .3

Вариант 16 q = x1 - x2 → max

ì3x1 + 2x2 £ 10;

ïí2 £ x1 £ 5; ïî0 £ x2 £ .3

40

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]