- •Содержание
- •Предисловие
- •Введение
- •1 Исторический обзор применения моделирования
- •2 Основы системного анализа и моделирования
- •2.1 Этапы системного анализа
- •2.2 Существующие подходы анализа системы
- •2.3 Понятие о моделировании. Классификация моделей
- •2.4 Основные этапы и принципы моделирования
- •3 Элементы математической статистики
- •3.1 Понятие о математической статистике
- •3.2 Задачи математической статистики
- •3.2.1 Первый этап – сбор и первичная обработка данных
- •3.2.2 Второй этап – определение точечных оценок распределения
- •3.2.3 Третий этап – определение интервальных оценок, понятие о статистической гипотезе
- •3.2.4 Четвертый этап – аппроксимация выборочного распределения теоретическим законом
- •3.3 Области применения статистических методов обработки данных
- •3.3.1 Статистический контроль прочности бетона
- •3.3.2 Метод множественной корреляции
- •4 Статистическое планирование эксперимента
- •4.1 Понятие о планировании эксперимента. Основные задачи эксперимента
- •4.2 Понятие о полиноме, отклике, факторах и уровнях варьирования, факторном пространстве
- •4.3 Первичная статистическая обработка результатов эксперимента
- •4.4 Математическая модель эксперимента. Метод наименьших квадратов
- •4.5 Получение некоторых эмпирических формул
- •4.6 Метод наименьших квадратов для функции нескольких переменных
- •4.7 Дисперсионная матрица оценок
- •4.8 Критерии оптимального планирования
- •4.9 Планы для построения линейных и неполных квадратичных моделей
- •4.10 Планы для построения полиномиальных моделей второго порядка
- •4.11 Регрессионный анализ модели
- •4.12 Анализ математической модели
- •4.13 Решение оптимизационных задач
- •4.14 Моделирование свойств смесей
- •4.15 Принципы имитационного моделирования
- •4.16 Решение рецептурно-технологических задач на эвм в режиме диалога
- •5 Основные виды задач, решаемых при организации, планировании и управлении строительством
- •5.1 Математические модели некоторых задач в строительстве
- •5.2 Примеры решения некоторых задач
- •5.2.1 Решение транспортной задачи
- •5.2.2 Решение задачи о ресурсах
- •5.2.3 Решение задачи нахождения оптимальной массы фермы
- •5.3 Организационные задачи
- •6 Моделирование в строительстве
- •6.1 Модели линейного программирования
- •6.2 Нелинейные модели
- •6.3 Модели динамического программирования
- •6.4 Оптимизационные модели (постановка задач оптимизации)
- •6.5 Модели управления запасами
- •6.6 Целочисленные модели
- •6.7 Цифровое моделирование (метод перебора)
- •6.8 Вероятностно-статистические модели
- •6.9 Модели теории игр
- •6.10 Модели итеративного агрегирования
- •6.11 Организационно-технологические модели
- •6.12 Графические модели
- •6.13 Сетевые модели
- •7 Организационное моделирование систем управления строительством
- •7.1 Основные направления моделирования систем управления строительством
- •7.2 Аспекты организационно-управленческих систем (моделей)
- •7.3 Деление организационно-управленческих моделей на группы
- •7.4 Виды моделей первой группы
- •7.5 Виды моделей второй группы
- •Список использованных источников
4.5 Получение некоторых эмпирических формул
В том случае, когда в сглаживающую функцию (4.14) искомые параметры входят нелинейно, вначале формулу нужно преобразовать таким образом, чтобы каждый параметр входил линейно, а потом найти его значение методом наименьших квадратов [20].
Пусть вид сглаживающей функции
y = eax (4.32)
Значения х и у даны в таблице 9. Прологарифмируем выражение (4.32) lny = ax. Получим новую функцию
ax (4.33)
где = ln y можно получить из таблицы 9. Параметр а находится из минимизации функции
(4.34)
Используя условие (4.15), найдем
(4.35)
Если сглаживающая функция имеет вид
y = a lnx (4.36)
то представим ее так: y = a где = ln x получим из таблицы 9. Параметр а находится из условия минимума функции
(4.37)
Так что
(4.38)
4.6 Метод наименьших квадратов для функции нескольких переменных
Будем теперь считать, что исследуемая величина у связана некоторым образом с величинами х1, х2, …, хk - входными величинами (факторами), значения каждого из которых могут быть выбраны произвольно из некоторой области.
Пусть связь у с х1, х2, ..., хk характеризуется зависимостью (видом регрессии у на х1, х2, ..., хk).
(4.39)
Функцию называют функцией отклика. Эта функция обычно неизвестна экспериментатору, но, обладая некоторой информацией или интуицией, экспериментатор выбирает вид этой функции. Будем брать эту функцию в виде линейно зависящей от нескольких числовых параметров θ1, θ2, …, θm.
(4.40)
Вид функции fi - известен. Обозначим
(4.41)
В векторных обозначениях выражение (4.40) можно записать:
(4.42)
Чтобы получить математическую модель процесса, нужно определить вектор θ в (4.42) (оценить и оценки найти наилучшие в некотором смысле). Доказано, что наилучшие линейные оценки , полученные для , дает метод наименьших квадратов. В выражении (4.42) вектор входит как раз линейно. Есть и другие способы оценки . Заметим, что эти оценки должны быть состоятельными, несмещенными и обладать наименьшими дисперсиями среди всех оценок . Такие оценки и называются наилучшими линейными оценками.
Предположим, что в точках (n - разных наборов факторов факторного пространства были проведены независимые измерения y1, y2, …, yn с дисперсиями σ21, σ21, …, σ2n. В дальнейшем будем считать, что y1 - это среднее выборочное значение, а среди нет одинаковых.
Нам нужно построить оценку параметров . Известно, что наилучшая линейная оценка минимизирует сумму взвешенных квадратичных отклонений.
(4.43)
где .
Условия минимума для (4.43) имеют вид
. (4.44)
Откуда, решив систему линейных алгебраических уравнений (4.44), найдем - оценки для θ1, θ2, …, θm. Подставляя эти значения в (4.42), найдем аналитическую зависимость у от х1, х2, ..., xk, т. е. математическую модель исследуемого экспериментально процесса.
4.7 Дисперсионная матрица оценок
Распишем систему уравнений (4.44) подробнее:
(4.45)
где j = 1, 2, …, m.
Эту систему после преобразования запишем в виде
(4.46)
где j = 1, 2, …, m.
Пусть (4.47)
Тогда
(4.48)
Обозначим
(4.49)
Так что
(4.50)
Теперь соотношение (4.46) можно записать в виде
(4.51)
А всю систему запишем так:
(4.52)
Решение этой системы в матричной форме имеет вид
(4.53)
где J - информационная матрица Фишера.
(4.54)
Обратная матрица является дисперсионной матрицей оценок
(4.55)
Дисперсионная матрица играет большую роль при выборе наилучших оценок. Оценка предпочтительнее оценки , если дисперсионная матрица меньше дисперсионной матрицы или определитель
(4.56)
Итак, наилучшие линейные оценки для рассматриваемого эксперимента найдены. Но может быть и другой эксперимент с другим n и другим набором факторов. Следует обратить внимание на то, что наилучшей линейной оценкой поверхности отклика является
(4.57)
Дисперсия оценки равна .