- •Самарский государственный университет.
- •Глава 5. Анализ временных рядов. 29
- •Глава 6. Дисперсионный анализ. 34
- •Глава 7. Метод главных компонент 47
- •Глава 8. Факторный анализ 53
- •Глава 1. Математические модели.
- •1.1. Классификация моделей.
- •1.2. Этапы построения математических моделей
- •Глава 2. Корреляционный анализ: вид связи и проверка гипотез.
- •2.1.Коэффициент парной корреляции
- •2.2. Коэффициент детерминации
- •2.3. Статистическая оценка значимости коэффициентов корреляции.
- •2.4. Интервальные оценки для значимых парных коэффициентов корреляции.
- •2.5. Коэффициент корреляции рангов.
- •Решение
- •Глава 3. Регрессионный анализ: парная линейная регрессия.
- •3.1. Общие сведения. Парная линейная регрессия.
- •3.1.1. Функция регрессии
- •3.1.2. Последовательность проведения регрессионного анализа
- •3.1.3. Предпосылки к проведению регрессионного анализа
- •3.2. Метод наименьших квадратов
- •3.2.1. Проверка адекватности модели
- •3.2.2. Проверка значимости параметров модели
- •3.3. Описание типового примера. Алгоритм построения регрессионной модели.
- •3.4. Использование оцененной модели для прогнозирования
- •Глава 4. Множественная линейная регрессия
- •4.1. Корреляционно - регрессионный анализ.
- •4.2. Некоторые нелинейные модели, сводящиеся к линейным
- •4.3. Проверка предпосылок регрессионного анализа
- •1. Проверка нормальности закона распределения ошибок
- •3. Проверка на автокорреляцию случайных ошибок
- •Замечание. Если в модели много незначимых коэффициентов - ее надо упростить, т.Е. Уменьшить число искомых величин b. Если модель неадекватна, ее надо усложнить, т.Е. Добавить новые члены.
- •4.4. Пример решения задачи моделирования с использованием метода наименьших квадратов.
- •4.5. Метод наименьших квадратов (мнк) – общий случай
- •Глава 5. Анализ временных рядов.
- •5.1. Проверка законов распределения.
- •1. Проверка подчинения эмпирического распределения нормальному закону распределения
- •2. Проверка подчинения эмпирического распределения закону распределения Пуассона.
- •5.2. Изучение динамики
- •5.2.1. Средние показатели тенденции динамики
- •5.2.2. Выявление типа тенденции динамики тренда
- •5.2.3. Определение оптимального значения тренда
- •Глава 6. Дисперсионный анализ.
- •Однофакторный дисперсионный анализ.
- •6.2. Применение однофакторного анализа.
- •6.3. Проверка гипотезы об отсутствии влияния факторов на параметр
- •Можно показать [5], что, как и в случае однофакторного анализа, разность
- •Трехфакторный дисперсионный анализ.
- •6.5. Отсеивающие эксперименты и дисперсионный анализ
- •6.6. Рандомизация эксперимента
- •6.7. Определение аналитического вида зависимости параметра от факторов.
- •6.7.1. Матрица планирования
- •Глава 7. Метод главных компонент
- •7.1. Математическая модель метода главных компонент.
- •7.2. Алгоритм метода главных компонент
- •7.3. Нахождение коэффициентов характеристического уравнения
- •Глава 8. Факторный анализ
- •8.1. Модель факторного анализа.
- •8.2. Вращение факторов.
- •8.3. Применение факторного анализа.
- •8.4. Некоторые результаты факторного анализа
- •Приложение 1. Статистические таблицы
- •При числе степеней свободы
- •Критические точки распределения критерия g
- •Значения верхнего предела n2 в зависимости от уровня значимости
5.2.1. Средние показатели тенденции динамики
Строится таблица: Таблица 5.2.
-
N
Уровень ряда
Средний уровень интервального ряда динамики
Средний абсолютный прирост
Средний темп изменения
Столбцы:
Номер периода.
Уровень ряда.
Средний уровень интервального ряда динамики: , гдеn– число периодов.
Средний абсолютный прирост:
Средний темп изменения:
5.2.2. Выявление типа тенденции динамики тренда
Выясняем тип динамики тренда графически. Для этого сравниваем исходный (заданный)
график с возможными вариантами тренда:
Линейная форма тренда: формула для рисования кривой: ,
где a– начальное условие (начальное значение ()),b- средний абсолютный прирост(был подсчитан выше)
2) Параболическая форма тренда: , где а – начальное условие (начальное значение ()),b- средний абсолютный прирост, с =,
Экспоненциальная форма , гдеk– средний темп изменения.
Логарифмическая форма тренда ,
Степенная ,
Гиперболическая ,
Логистическая .
5.2.3. Определение оптимального значения тренда
Если тренд не является ни 1), ни 2) ни 3) (линейным, параболическим или экспоненциальным), то просто строим график и пишем название типа тренда, который выбираем на основании графика, построенного по экспериментальным данным.
Если были подобраны пункты 1), 2) или 3), то определяем оптимальное значение тренда:
для линейного тренда подсчитываем новые значения по формуле линейной функции:
(5.2.1),
где ,, здесьt(,).
Значения выводим в таблице и строим график для новых значений y.
б) для параболы второго порядка подсчитываем новые значения по формуле:, где надо найти значенияa,bиc. Для этого решим систему уравнений:
,
, здесьt(,).
результаты представим в виде таблицы, и построим график для новых значений y.
с)для экспоненциального вида тренда подсчитаем новые значенияпо формуле:, здесь значенияaиkаналогичны формуле для линейного тренда:
,, гдеt(,).
Результаты выводим в виде таблицы, строим график для новых значений у.
Глава 6. Дисперсионный анализ.
В практике экспериментальной работы мы часто сталкиваемся с необходимостью установить, влияют ли какие-либо условия проведения эксперимента или технологического процесса (факторы) на величину, характеризующую результат эксперимента или процесса (параметр).
Мощным средством решения этого вопроса служит дисперсионный анализ. Эксперимент для проведения дисперсионного анализа может быть специально спланирован, при этом метод применим и для обработки «пассивного» эксперимента, в котором накоплено достаточное количество данных. Дисперсионный анализ выявляет влияние фактора на фоне «шумов», причем под «шумами» здесь понимается не только погрешность в измерении параметра, но и влияние большого числа неконтролируемых в данном эксперименте технологических, временных, конструктивных и иных факторов.
Различают однофакторный дисперсионный анализ и многофакторный. Суть дисперсионного анализа (как однофакторного, так и многофакторного) состоит в том, что строятся различные оценки дисперсии х, и по критерию Фишера проверяется справедливость гипотезы о том, что это - оценки одной и той же дисперсии, т.е. факторне влияет на параметр. Эти оценки строятся так, чтобы, если влияние фактора есть, то оно бы себя проявило.
Для проведения дисперсионного анализа выбирается небольшое число факторов (один, два, три), влияние которых требуется проверить, все остальные факторы во всей серии экспериментов должны, по возможности, закрепляться на определенном уровне. Многофакторный анализ, в котором одновременно выявляется влияние нескольких факторов на параметр, более выгоден, чем однофакторный, т. к. в случае многофакторного анализа при каждом из уровней фактора может быть сделан лишь один опыт.