- •СОДЕРЖАНИЕ
- •ВВЕДЕНИЕ
- •1 ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ОПЫТНЫХ ДАННЫХ. ОТСЕВ ГРУБЫХ ПОГРЕШНОСТЕЙ
- •2 ПАССИВНЫЙ ЭКСПЕРИМЕНТ. КОРРЕЛЯЦИОННЫЙ И РЕГРЕССИОННЫЙ АНАЛИЗ
- •2.1 Метод наименьших квадратов
- •2.2 Регрессионный анализ
- •2.3 Корреляционный анализ
- •2.4 Дисперсионный анализ
- •2.6 Реализация методов с помощью анализа данных в электронных таблицах Excel
- •2.7 Подбор уравнения регрессии при помощи линий тренда в электронных таблицах Excel
- •3 ПОИСКОВАЯ ОПТИМИЗАЦИЯ
- •3.1 Понятие линейного программирования
- •3.2 Типы задач, решаемые методами линейного программирования
- •3.2.1 Задача о наилучшем использовании ресурсов
- •3.2.2 Задача о выборе оптимальных технологий
- •3.2.3 Задача о смесях
- •3.3 Симплексный метод
- •3.4 Построение двойственных задач и их свойства
- •3.5 Реализация симплексного метода с помощью Поиска решения в электронных таблицах Excel
- •3.6 Алгоритм решения задачи о наилучшем использовании ресурсов
- •4 СТАТИСТИЧЕСКИЙ ДИСПЕРСИОННЫЙ АНАЛИЗ
- •4.1 Реализация дисперсионного анализа с помощью анализа данных в электронных таблицах Excel
- •4.2 Алгоритм реализации однофакторного дисперсионного анализа
- •5 ПЛАНИРОВАНИЕ ЭКСПЕРИМЕНТА
- •5.1 Полный факторный эксперимент (ПФЭ). ПФЭ 2
- •5.2 Построение эксперимента в пакете Statgraphics Plus
- •5.3 Анализ математической модели и результатов эксперимента
- •5.4 Алгоритм реализации ПФЭ 2
- •6 СТАТИСТИЧЕСКИЕ ИГРЫ. КРИТЕРИИ ПРИНЯТИЯ РЕШЕНИЯ
- •7 ТРАНСПОРТНАЯ ЗАДАЧА
- •7.1 Постановка транспортной задачи по критерию стоимости
- •7.2 Построение начального опорного плана
- •7.3 Метод потенциалов
- •7.4 Условия оптимальности
- •7.5 Открытая модель транспортной задачи
- •8 Вопросы по дисциплине «Применение ЭВМ в отрасли»
- •Список литературы
- •Приложение А
- •Приложение Б
- •Приложение В
- •Приложение Г
- •Приложение Д
- •Приложение Е
|
|
|
|
|
Y=f(X) |
|
|
|
|
|
|
Y=f(X) |
|
|
|
|
|
|
|
|
|
|
|
|
Y |
|
|
20 |
|
|
|
|
|
|
|
|
|
|
30 |
|
|
10 |
|
|
|
|
|
|
|
|
|
|
25 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
20 |
|
|
|
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
r = 0 |
|
|
|
-10 |
15 |
|
y = 2,8214x + 1,8571 |
||||||||||
Y |
|
|
|
|
|
|
|
|
|
|
|
r = 0,917 |
|
-20 |
|
|
|
|
|
|
|
|
|
|
10 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
-30 |
|
|
|
|
|
|
|
|
|
|
5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
-40 |
|
|
|
|
|
|
|
|
|
|
0 |
|
X |
|
|
|
|
|
|
|
|
|
|
|
|
||
-50 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
5 |
10 |
|
|
|
|
|
|
X |
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
в) |
|
|
|
|
|
|
г) |
Рисунок 1
Чем ближе коэффициент корреляции к единице, тем теснее линейная зависимость между случайными переменными X и Y. Коэффициент корреляции определяется по формуле:
r = |
|
|
n × å xi × yi |
- å xi × å yi |
|
|
|||
|
|
|
|
|
|
(15) |
|||
n × å xi |
2 - (å xi )2 |
× n × å yi |
2 - (å yi )2 |
||||||
|
|
2.4 Дисперсионный анализ
Для проверки соответствия линейной регрессионной модели экспериментальным данным используют метод однофакторного дисперсионного анализа.
Для этого рассчитывается:
1 полную сумму квадратов (общую дисперсию):
a = å( yi - y)2 |
(16) |
2 сумму квадратов регрессии:
b = å( yрасч - y)2 |
(17) |
3 остаточную сумму квадратов
c = å( yi - yрасч )2 |
(18) |
Проверяется a=b+c.
Проверяется гипотезу линейности , т.е. нулевую гипотезу вида H0: r=0 против альтернативной гипотезы H1: r1<>0.
Для удобства вычислений составляется таблица дисперсионного анализа:
11
Таблица 3
Источник |
Суммы |
Число |
Средние |
Fнабл |
изменчивости |
квадратов |
степеней |
квадраты |
|
|
|
свободы |
|
|
Линейная |
b |
1 |
М1 = b |
|
регрессия |
|
|
|
=М1/М2 |
Остаток |
c |
n-2 |
М2 = c/(n-2) |
|
Полная |
a |
n-1 |
|
|
изменчивость |
|
|
|
|
Если нулевая гипотеза верна, то выборочная статистика F имеет распределение Фишера с υ1=1 и υ2=n-2 степенями свободы.
Гипотеза отсутствия линейной связи между переменными X и Y отвергается на
основании этой статистики, если вычисленное значение Fнабл> Fα,1,n-2.
Fα,1,n-2 – это квантиль F-распределения с υ1=1 и υ2=n-2 степенями свободы. В противном случае гипотеза отсутствия линейной связи между переменными X
иY считается согласующейся с данными эксперимента.
2.5Алгоритм регрессионно-корреляционного анализа
1.Строится корреляционное поле.
2.Найти коэффициенты уравнения регрессии методом наименьших
квадратов.
3.Найти несмещенную дисперсию и среднеквадратичные ошибки Sb0 и Sb1.
4.Построить 95 %-ый доверительный интервал для коэффициентов уравнения регрессии.
5.Найти коэффициент корреляции.
6.Вычислить статистику tнабл.
7.Определить коэффициент детерминации R2.
8.Провести дисперсионный анализ.
2.6Реализация методов с помощью анализа данных в электронных таблицах Excel
Анализ данных электронных таблиц Excel позволяет автоматически
осуществить поиск коэффициентов уравнения регрессии и определение коэффициентов корреляции, детерминации, доверительных интервалов и т.д.
Для этого необходимо выполнить последовательно следующие действия:
1Выбирается меню Сервис, команда Анализ данных.
2В открывшемся окне Анализ данных выбирается команда Регрессия.
3В окне Регрессия в строке Входной интервал Y указывается диапазон, где размещаются исходные значения Y в электронной таблице.
4В строке Входной интервал X указывается диапазон размещения исходных значений X в электронной таблице.
5В Параметрах вывода в окне Регрессия указывается, где Вы хотите расположить результат: на этом же листе, на новом листе или в новой книге.
12
После выбора места расположения указывается диапазон, в котором будут располагаться результаты вычислений.
6 В команде Остатки указывается, какие остатки необходимо вывести после вычислений, например вывод Стандартизированных остатков и Остатков. Для этого напротив этих команд устанавливаются галочки.
7 В команде Нормальная вероятность установить галочку напротив команды График нормальной вероятности и график подбора.
2.7 Подбор уравнения регрессии при помощи линий тренда в электронных таблицах Excel
Для построения линий тренда необходимо:
1 Выделить точку на корреляционном поле и вызвать контекстное меню, в котором выбирается команда Добавить линию тренда;
2 В открывшемся диалоговом окне Линия тренда представлены шесть видов линий тренда. Выбирается линия тренда наиболее соответствующая расположению точек на корреляционном поле;
3 Во вкладке Параметры диалогового окна Линия тренда устанавливаются
флажки напротив команд Показать уравнение на диаграмме и Поместить на диаграмму величину достоверности аппроксимации R2. Величина достоверности аппроксимации – это коэффициент детерминации. Нажимается кнопка ОК. После чего на графике отображается уравнение регрессии и значение коэффициента детерминации.
Наиболее соответствует экспериментальным данным та линия тренда, коэффициент детерминации которой наибольший и наиболее близок к единице. При этом коэффициент детерминации должен быть больше 0,7.
2.8 Реализация метода наименьших квадратов средствами
MathCAD
Линейная регрессия является самым простым и в то же время наиболее часто используемым типом регрессии. Классическим алгоритмом линейной регрессии является метод наименьших квадратов, идея которого сводится к поиску таких коэффициентов для уравнения прямой, чтобы сумма квадратов абсолютных ошибок (b-axi-yi) была минимальна.
В MathCAD этот метод основной. Рассчитать линейную регрессию в MathCAD по методу наименьших квадратов можно с помощью двух альтернативных способов.
Первый, более простой, использует специальную функцию line(x,y), где x и y – соответствующие вектора экспериментальных данных. Результатом работы этой функции является вектор, первый элемент которого отвечает коэффициенту b, второй – коэффициенту a уравнения, наиболее хорошо усредняющей выборку прямой (функция прямой имеет общий вид f(x)=аx+b).
Недостатком функции line – результат она выдает в виде одного вектора, что не всегда удобно.
13
В MathCAD существуют функции, позволяющие вычислить коэффициенты уравнения линейной регрессии по отдельности:
Intercept(x,y). Определяет значение коэффициента b (что соответствует первой строке результата функции line);
Slope (x,y) – находит величину коэффициента a (равняется второму элементу ответа функции line.
Алгоритм реализации метода наименьших квадратов в MathCAD: 1 Ввести значения x и y в векторной форме.
Для этого записывается выражение x:=.
После чего на панели инструментов Math выбираем кнопку с изображением матрицы. В появившемся диалоговом окне в строке количество строк указываем число, соответствующее количеству значений х, а строке количество столбцов значение 1.
На экране отобразится столбцовая матрица, которую необходимо заполнить значениями х.
Аналогичным образом заполняем и матрицу y.
Матрицы такого вида в MathCAD называются векторами.
2 Ниже располагаем функцию line(x,y). Блок вычислений этой функции должен выглядеть следующим образом:
R := line(x, y) |
R = |
æ 81.945ö |
|
|
è −0.71 ø |
4Строим график получившейся функции. Для этого записываем уравнение в следующем виде:
r(z) := z×R1 + R0
После чего выбирается панель инструментов Graph. На которой выбирается кнопка с требуемым типом диаграммы. После этого отображается пустая координатная плоскость выбранной диаграммы и в нее вносятся названия осей. На рисунке 2 представлен результат построения линии регрессии.
89.047 |
90 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
y |
85 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
80 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
r(z) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
70.5 |
75 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
70 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
10 |
|
5 |
0 |
5 |
10 |
15 |
20 |
|||||||||||||
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
− 10 |
|
|
|
x, z |
|
|
|
|
17.6 |
Рисунок 2 Задания по регрессионно-корреляционному анализу в приложении А.
14