- •Курсовая работа
- •Информатика
- •Пояснительная записка
- •Курсовая работа
- •Информатика
- •Задание
- •4 Рисунка, 2 блок-схемы, 1 таблица
- •30 Ноября 2011 года
- •Аннотация
- •Оглавление
- •Введение
- •Зависимость момента нагрузки м [кг·м] исполнительного органа угольного комбайна от толщины среза h [см].
- •Решение в ms Excel Аппроксимация эмпирических данных линейной зависимостью
- •Аппроксимация эмпирических данных квадратичной зависимостью
- •Элементы теории корреляции
- •Решение задачи в Mathcad Аппроксимация линейной функцей
- •Аппроксимация квадратичной функции
- •Вычисление коэффициента детерминированности.
- •Решение задачи в среде Turbo Pascal
- •Описание программы
- •Решение слау методом Гаусса
- •Библиографический список
- •Приложение 1
- •Приложение 2
- •Приложение 3
- •Приложение 4
- •Приложение 5
Элементы теории корреляции
Коэффициент корреляции является мерой линейной связи между зависимыми величинами. Он показывает, насколько хорошо, в среднем, может быть представлена (вычислена) одна из величин в виде линейной функции от другой.
Коэффициент корреляции вычисляется по формуле:
(3)
где — средние арифметические значения случайных величин h и M .
Коэффициент корреляции по абсолютной величине не превосходит 1. Чем ближе к 1, тем теснее линейная связь между h и M, и тем более справедлива аппроксимация таблично заданной функции линейной зависимостью.
Особо подчеркнем, что если коэффициент корреляции существенно меньше 1, это не означает отсутствие зависимости между параметрами h и M. Это означает только, что не применима линейная аппроксимация, но можно искать аппроксимирующую зависимость среди степенных, экспоненциальных, квадратичных и других классов функций.
Расчет коэффициента корреляции r в Mathcad, выдал результат: r=0.964846<1.Исходя из этого можно сделать вывод, что применима линейная аппроксимация между случайными величинами h и M. Следовательно, выбор линейной функции для аппроксимации был сделан верно.
Решение задачи в Mathcad Аппроксимация линейной функцей
Уравнение аппроксимируемой линии первой степени будет иметь вид:
(4)
Согласно методу наименьших квадратов наилучшими коэффициентами , считаются те, для которых сумма квадратов отклонения теоретической функции от заданных эмпирических значений будет минимальной. Следовательно, задача состоит в определении коэффициентов , таким образом, чтобы сумма квадратов отклонений была наименьшей.
Находим коэффициенты (пересечение графика с осью ОУ) и (значение наклона), (т.к. любую прямую можно задать ее наклоном и У-пересечением) решая систему линейных уравнений, к которой нас приводит метод наименьших квадратов:
, (5)
где — коэффициенты аппроксимации.
Матрицу A составляем из коэффициентов левой части уравнения системы, а вектор из правой. Для нахождения коэффициентов используем метод:
где матрица обратная матрице , - вектор свободных членов. Тогда полученные составляющие вектора будут искомыми коэффициентами
Рассчитаем обратную матрицу с помощью функции INVERSE в MathCAD
Получим:
Рассчитаем неизвестные коэффициенты:
Подставим эти коэффициенты в линейную функцию:
Строим график который показывает, как полученная теоретическая функция описывает взаимосвязь между эмпирическими данными:
Рис. 5 График эмпирических данных и теоретической линейной функции.
Из графика видно, что уравнение линейной функции не достаточно хорошо отображает зависимость экспериментальных данных n и Q.
Аппроксимация квадратичной функции
Для случая квадратичной зависимости , неизвестные коэффициенты мы находим, решая систему линейных алгебраических уравнений вида:
(6)
где k = 25, - коэффициенты аппроксимации, hi - i-ые значения толщины среза, Mi - i-ые значения момента нагрузки исполнительного органа угольного комбайна.
Матрицу A составляем из коэффициентов левой части уравнения системы, а вектор из правой. Для нахождения коэффициентов используем метод:
где матрица обратная матрице , - вектор свободных членов. Тогда полученные составляющие вектора будут искомыми коэффициентами
Рассчитаем обратную матрицу с помощью функции INVERSE в MathCAD
Рассчитаем неизвестные коэффициенты:
Подставим эти коэффициенты в квадратичную функцию:
Строим график, который показывает, как полученная теоретическая функция описывает взаимосвязь между эмпирическими данными:
Рис. 6 График эмпирических данных и теоретической полиноминальной функции второй степени.
Из графика видно, что уравнение квадратичной функции лучше, чем уравнение линейной функции отображает зависимость экспериментальных данных M и h.