- •Учебно-методическое пособие
- •Маршрутная карта изучения дисциплины по Модулю 3
- •1. Современное состояние проблемы моделирования систем
- •2. Принципы моделирования
- •3. Классификация моделей
- •4. Моделирование систем
- •5. Математическое моделирование
- •5.1. Математические схемы моделирования систем
- •5.2. Непрерывно-детерминированные модели (d-схемы)
- •5.3. Дискретно-детерминированные модели (f-схемы)
- •5.4. Дискретно-стохастические модели (р-схемы)
- •5.5. Непрерывно-стохастические модели (q-схемы)
- •5.6. Сетевые модели (n-схемы)
- •5.7. Комбинированные модели (а-схемы)
- •6. Анализ результатов машинного моделирования
- •6.1. Корреляционный анализ результатов моделирования
- •6.2. Регрессионный анализ результатов моделирования
- •6.3. Дисперсионный анализ результатов моделирования
- •6.4. Вопросы для самоконтроля
- •7. Методические указания для выполнения практического задания №1. «Построение простейших моделей»
- •Пример выполнения задания
- •Приложение 1. Варианты заданий
- •8. Методические указания для выполнения практического задания №2. «Построение регрессионной модели» с использованием табличного процессора Microsoft Excel
- •9. Методические указания для выполнения индивидуального задания №1. «Построение регрессионной модели» средствами языка программированияTurbo Pascal
- •Приложение 2. Варианты заданий
- •10. Основные понятия теории баз данных
- •10.1. Базы данных и системы управления базами данных. Модели данных
- •10.2. Основы проектирования реляционных баз данных
- •10.3. Этапы проектирования реляционной базы данных
- •1. Анализ предметной области
- •10.4. Вопросы для самоконтроля
- •11. Основы работы с субд Microsoft Access
- •11.1. Объекты базы данных Microsoft Access
- •11.2. Работа с таблицами
- •11.3. Работа с формами
- •11.4. Работа с запросами. Запросы на выборку
- •Имя поля: выражение
- •11.5. Итоговые запросы и запросы на изменение данных
- •Создание запроса на удаление записей таблицы
- •Создание запроса на обновление записей таблицы
- •Создание запроса на создание новой таблицы
- •11.6. Работа с отчетами
- •11.7. Вопросы для самоконтроля
- •12. Методические указания для выполнения практического задания №3. «Работа с таблицами и формами базы данных Microsoft Access»
- •13. Методические указания для выполнения практического задания №4. «Работа с запросами на выборку в базе данных Microsoft Access»
- •14. Методические указания для выполнения практического задания №5. «Работа с итоговыми запросами и запросами на изменение таблиц в базе данных Microsoft Access. Создание отчетов»
- •15. Методические указания для выполнения индивидуального задания №2. «Базы данных»
- •16. Вопросы для подготовки к защите индивидуального задания №2
- •Вариант 1
- •Вариант 2
- •Вариант 3
- •Вариант 4
- •Вариант 5
- •Вариант 6
- •Вариант 7
- •Вариант 8
- •Вариант 9
- •Вариант 10
- •Вариант 11
- •Вариант 12
- •Вариант 13
- •Вариант 14
- •Вариант 15
- •Вариант 16
- •Вариант 17
- •Вариант 18
- •Вариант 19
- •Вариант 20
- •Вариант 21
- •Вариант 22
- •Вариант 23
- •Вариант 24
- •Вариант 25
- •Вариант 26
- •Вариант 27
- •Вариант 28
- •Вариант 29
- •Вариант 30
6.1. Корреляционный анализ результатов моделирования
С помощью корреляционного анализаможно установить, насколько тесна связь между двумя (или более) случайными величинами наблюдаемыми и фиксируемыми при моделировании конкретной системы S. Корреляционный анализ результатов моделирования сводится к оценке разброса значенийотносительно среднего значения, т.е. к оценке силы корреляционной связи. Существование этих связей и их тесноту можно выразить при наличии линейной связи между исследуемыми величинами и нормальности их совместного распределения с помощью коэффициента корреляции.
Если то можно сделать вывод, что о взаимной независимости случайных переменных ξ и η, исследуемых при моделировании (рис. 5,а). Приимеет место функциональная (т.е. нестохастическая) линейная зависимость видау=b0+b1x, причем если, то говорят о положительной корреляции, т.е. большие значения одной случайной величины соответствуют большим значениям другой (рис. 5,б). Случайсоответствует наличию линейной корреляции с рассеянием (рис. 5,в) либо наличию нелинейной корреляции результатов моделирования (рис. 5,г).
Рис. 5. Различные случаи корреляции переменных х и у.
Таким образом, корреляционный анализ устанавливает связь между исследуемыми случайными переменными машинной модели и оценивает тесноту этой связи.
6.2. Регрессионный анализ результатов моделирования
Регрессионный анализ – раздел математической статистики, объединяющий методы исследования по статистическим данным зависимости среднего значения одной случайной величины от нескольких других величин. Переменныеявляются контролируемыми, не случайными величинами, значения которых задаются при планировании эксперимента. Тогда модель результатов машинного эксперимента графически может быть представлена в виде прямой линии
(4)
где – коэффициент ошибок;
– коэффициент регрессии.
, (5)
, (6)
где N – число измерений при моделировании системы.
Требуется получить такие значения коэффициентов b0иb1, при которых сумма квадратов ошибок модели является минимальной. На рисунке ошибкаei,, для каждой экспериментальной точки определяется как расстояние по вертикали от этой точки до линии регрессии=(х).
Обозначим i=b0+b1xi,. Тогда выражение для ошибок будет иметь вид:
ei= i – yi=b0+b1xi – yi, а функция ошибки.
Соотношения для вычисления b0 иb1требуют минимального объема памяти ЭВМ для обработки результатов моделирования. Обычно мерой ошибки регрессионной модели служит среднее квадратичное отклонение
Для нормально распределенных процессов приблизительно 67 % точек находится в пределах одного отклонения σeот линии регрессии и 95 % – в пределах 2σе(трубки А и B соответственно на рис. 6,б). Для проверки точности оценокb0иb1, в регрессионной модели могут быть использованы, например, критерии Фишера (F-распределение) и Стьюдента (t-распределение). Аналогично могут быть оценены коэффициенты уравнения регрессии и для случая нелинейной аппроксимации.
Регрессионный анализдает возможность построить модель, наилучшим образом соответствующую набору данных, полученных в ходе машинного эксперимента с системойS. Под наилучшим соответствием понимается минимизированная функция ошибки, являющаяся разностью между прогнозируемой моделью и данными эксперимента. Такой функцией ошибки при регрессионном анализе служит сумма квадратов ошибок.
Пример:Рассмотрим особенности регрессионного анализа результатов моделирования при построении линейной регрессионной модели. На рис. 6,апоказаны точкихi, yi,, полученные в машинном эксперименте с модельюМсистемыS. Делаем предположение, что модель результатов машинного эксперимента графически может быть представлена в виде прямой линии
=(x)=b0+b1x,
где – величина, предсказываемая регрессионной моделью.
Рис. 6. Построение линейной регрессионной модели.