
- •3. Лекція 3. Градієнтні методи мінімізації 29
- •3.1 Постановка задачі. 29
- •5. Лекція 5. Елементи математичної статистики. 58
- •6. Лекція 6. Статистична перевірка гіпотез 67
- •1. Лекція 1. Чисельна інтеграція. Обчислення визначеного інтеграла. Оцінка похибки за правилом рунге. Уточнене по річардсону наближене значення. План лекції
- •1.2 Метод прямокутників.
- •1.3 Метод трапецій.
- •1.4 Метод Симпсона.
- •1.5 Правило Рунге для обчислення наближеного значення погрішності.
- •1.6 Уточнене по Річардсону наближене значення.
- •Застосування правила Рунге для оцінки наближеного значення визначеного інтеграла.
- •Питання для самоперевірки
- •Література, що використовується
- •Лекція 2. Наближені методи одновимірної
- •План лекції
- •2.2 Метод відділення відрізків унімодальності.
- •Алгоритм методу
- •2.3 Метод дихотомії .
- •2.4 Метод «золотого перетину».
- •3.2 Метод найшвидшого градієнтного спуска.
- •Алгоритм методу.
- •3.3 Метод градієнтного спуску з дробленням кроку.
- •Алгоритм методу.
- •3. 4 Метод градієнтного спуску з постійним кроком.
- •Алгоритм методу
- •Метод по координатного спуску.
- •Питання для самоперевірки
- •Використовувана література
- •4. Лекція 4. Виведення формул чисельного диференціювання. Наближені методи рішення диференціних рівнянь першого порядку. Оцінка погрішності за правилом рунге. План лекції
- •4.1 Виведення формул чисельного диференціювання.
- •4.2 Постановка задачі для наближеного вирішення диференційних рівнянь першого порядку.
- •4.3 Метод Ейлера.
- •4.4 Погрішність наближеного рішення диференційних рівнянь, отриманих методом Ейлера.
- •Метод «предиктор- коректор».
- •Вдосконалений метод Ейлера.
- •Метод Рунге - Кутта
- •Правило Рунге для оцінки погрішності наближеного рішення диференційних рівнянь .
- •Питання для самоперевірки
- •Література, що використовується
- •5.2 Найбільш важливі розподіли, застосовувані в математичній статистиці.
- •5.2.1 Нормальний розподіл.
- •Мал. 5.1 Графік функції щільності нормованої нормально розподіленої випадкової величини
- •5.2.2 Розподіл Пирсона (х2 розподіл).
- •5.2.3 Розподіл Ст’юдєнта.
- •5.2.4 Розподіл Фішера.
- •Полігон і діаграма частот.
- •Питання для самоперевірки
- •Література, що використовується
- •6.1 Статистична гіпотеза. Статистичний критерій. Помилки, що виникають при перевірці гіпотез.
- •6.2 Перевірка гіпотези про нормальний розподіл помилок експерименту.
- •6.3. Перевірка гіпотези про погодженість думок експертів (апріорне ранжирування змінних).
- •Питання для самоперевірки
- •Література, що використовується
- •7. Лекція 7. Повний факторний експеримент
- •7.1 Задачі попереднього експерименту. Факторний простір.
- •7.2 Формулювання мети експерименту й вибір відгуків.
- •7.3 Вибір і кодування фактів.
- •7.4 Перевірка відтворюваності результатів експерименту.
- •7.5 Матриця планування
- •7.6 Розрахунок коефіцієнтів лінійної моделі й моделі з урахуванням взаємодії факторів.
- •7.7 Перевірка значимості коефіцієнтів моделі
- •7.8 Перевірка адекватності моделі об'єкту
- •7.9 Прийняття рішень за результатами планування пфе
- •8. Додатки.
- •8.1 Додаток 1.
- •8.2 Додаток 2.
- •8.3 Додаток 3.
- •9. Список літератури
- •2 Семестр.
3. 4 Метод градієнтного спуску з постійним кроком.
Напрямок
спуска задається вектором
Початковий крок спуска
де
На
відміну від попередніх методів, у яких
градієнт визначається на кожнім кроці,
у
даному методі рух у знайденому напрямку
продовжується однаковими кроками
у даному методі рух у знайденому напрямку
продовжується однаковими кроками
.
Якщо на якомусь кроці значення функції
зросло, то рух у даному напрямку
припиняється, останній крок знімається
й обчислюється новий градієнт, а отже,
і новий напрямок руху. Точки, у яких
обчислюється новий градієнт, утворять
послідовність:
Якщо
перехід від точки
до точки
на першому кроці не приводить до зменшення
значення функції, то зменшується в два
рази і процедура побудови точки
повторюється. Дроблення
продовжується доти , поки не буде отримана
точка з меншим значенням функції. Ця
точка і вибирається рівної
.
Процедура спуска завершується, коли
величина градієнта
стане
менше
.
Початковий крок вибирається малим, але в кілька разів більше .
Алгоритм методу
1.
Покладемо
.
Виберемо початковий крок
і початкову точку спуска
Обчислимо
.
2.
Обчислимо градієнт
і його довжину
.
Якщо величина градієнта менше
,
таким чином
,
те процес обчислень завершується.
Думаємо
;
.
У противному випадку думаємо
,
.
3
.
Обчислимо
,
.
4.
Якщо
,
те зменшуємо
у два рази і повертаємося до пункту 3. У
противному випадку переходимо до пункту
5.
5.
Обчислимо
і порівняємо з
.
Якщо
,
те думаємо
і переходимо до пункту 2. У противному
випадку думаємо
,
і повторюємо пункт 5.
Приклад 3.2.
Методом
градієнтного спуска з постійним кроком
знайти точку мінімуму з точністю
=0.05
і мінімальне значення функції
1.
Виберемо
початкову точку спуска
і початковий крок
=0,2.
Обчислимо
.
2. Обчислимо градієнт
.
Довжина
градієнта
3.
Оскільки
,
тоді думаємо
;
;
.
4. Обчислимо координати крапки спуска
,
5.
Оскільки
,
тоді обчислюємо
6.
,
тому наступна точка в даному напрямку
7. Обчислюємо
8.
Оскільки
,
тоді
9.
Обчислимо
10.
Оскільки
,
тоді точка
є останньою в даному напрямку;
.
11. Обчислюємо градієнт
Довжина
градієнта
,
отже, продовжуємо спуск у напрямку
.
12. Обчислимо координати першої точки спуска в новому напрямку:
13.
Оскільки
тоді спускаємося далі в тім же напрямку.
Знаходимо
14.
Оскільки
,
тоді наступною точкою спуска стає точка
15.
Знаходимо
16.
Одержимо,
що
Виходить, спуск у даному напрямку
припинений і точка
остання точка спуска в цьому напрямку;
.
17.
Обчислимо градієнт
Довжина
градієнта
.
На цьому обчислення закінчуються
.
Точка наближеного мінімуму:
;
Мінімальне
значення функції
Основні обчислення мінімуму функції зведемо в таблицю 3.2
Таблиця 3.2.
|
|
|
|
0 |
(0.0) |
0 |
1,414 |
1 |
(-0.6 ; -0.6) |
-0.756 |
0.225 |
2 |
(-0.644 ; -0.644) |
-0.7697 |
0.00976 |