- •1. Загальні принципи побудови систем
- •1.1 Поняття системи, її властивості та їх співвідношення. Прості та ієрархічні системи
- •Закономірності формування ієрархічних систем
- •1.3. Класифікації систем
- •Відкриті і закриті системи.
- •Цілеспрямовані системи.
- •Класифікації систем по складності.
- •1.4 Визначення й основні принципи системного підходу
- •1. Принцип пріоритету глобальної мети і послідовного просування
- •2. Принцип модульності систем
- •3. Принцип узгодження зв'язків
- •4. Усталеність систем
- •5. Принцип відсутності конфліктів між цілями окремих елементів чи підсистем і цілями всієї системи
- •1.5 Порівняльна характеристика класичного та системного підходів до формування системи
- •1.6 Основні задачі створення і дослідження систем
- •1.7. Основні етапи розробки систем
- •2. Термінологія і класифікація моделей об'єктів та систем
- •2.1 Закон і модель, їх співвідношення. Види моделей.
- •2.2 Побудова і аналіз статистичних моделей
- •2.2.1. Проведення експерименту відсіювання (вибір значущих факторів)
- •2.2.2. Вибір форми функціональної залежності
- •2.2.3. Визначення коефіцієнтів (параметрів) моделі
- •2.2.3.1 Метод найменших квадратів (мнк)
- •3. Регресійні моделі з однією змінною
- •3.1. Оцінка надійності коефіцієнтів моделі лінійної регресії
- •3.2 Приклад побудови моделі лінійної регресії
- •4. Моделі множинної лінійної регресії
- •4.1 Матрична форма моделі множинної регресії
- •4.2 Приклад побудови рівняння множинної регресії
- •4.3 Аналіз моделі множинної регресії
- •4.4 Визначення довірчих інтервалів коефіцієнтів множинної регресії
- •5. Композиція і декомпозиція складних об'єктів і систем
- •5.1 Еквівалентні перетворення моделей систем
- •1.Модель без додаткових зв’язків
- •2. Послідовне підключення моделей підсистем
- •П аралельне підключення моделей (рис.5.5).
- •7. Синтез оптимальних систем на основі динамічного
- •7.1 Визначення методу дп
- •7.2 Знаходження най коротшої відстані між двома вузлами на мережі доріг
- •7.3 Задачі розподілу ресурсів
- •Рішення
- •Рішення
- •9. Аналіз і синтез систем на основі імітаційного моделювання
- •9.1 Загальні питання імітаційного моделювання
- •9.2. Метод Монте-Карло
- •9.3 Види випадкових потоків
- •9.5 Імітаційне моделювання транспортних систем масового обслуговування
- •9.6 Алгоритм імітаційного моделювання смо
- •Підпрограма "Моделювання вхідного потоку"
- •Підпрограма "Моделювання вихідного потоку"
- •Підпрограма " Побудова діаграми №2 розподілу часових інтервалів вихідного потоку"
- •9.7. Приклад застосування програми імітаційного моделювання
- •10. Управління в організаційних системах. Принцип зворотного зв'язку
- •10.1 Основні принципи управління
- •10.1.1. Принцип управління по збуренню
- •10.1.2. Принцип управління по відхиленню (принцип зворотного зв'язку)
- •10.1.3. Принцип комбінованого управління
- •10.2 Приклад аналізу систем управління об'єктами економічного характеру
4. Моделі множинної лінійної регресії
Подібні моделі застосовуються у випадку, коли необхідно встановити кількісне співвідношення між результативною ознакою (відгуком) у та певною кількістю незалежних змінних хj (j= ), що впливають на значення у.
У загальному випадку модель множинної лінійної регресії має вид:
(4.1)
Щоб краще зрозуміти одержання коефіцієнтів рівняння регресії, розглянемо спочатку просту модель множинної регресії при m=2, тобто
Для пошуку оптимальних значень а0; а1; а2, скористаємося, як і для парної лінійної регресії, методом найменшого квадрата відхилень (МНК), тобто таким вибором цих коефіцієнтів, що забезпечує мінімум Функціонала:
де N - кількість експериментальних значень кожного аргументу xj.
Диференціюючи вказаний функціонал по параметрах моделі зажадаємо, як і раніш, щоб
(4.2)
Після введення центрованих значень змінних:
і виконання операції диференціювання з урахуванням формули (одержимо систему 3х рівнянь (тут і далі піде сумування по і від 1 до N):
(4.3)
де:
(4.4)
Після розрахунку центрованих значень, що входять до формул (4.4), вони використовуються як коефіцієнти системи алгебраїчних рівнянь (4.3). Рішення ж цієї системи відносно невідомих змінних а0; а1; а2, (наприклад за правилом Крамера, або методом Гаусса) дозволяє визначити чисельне значення цих коефіцієнтів регресійної моделі.
Дня зручності та спрощення розрахунків рекомендується звести експериментальні і розрахункові величини в одну таблицю 4.1.
Таблиця 4.1 Таблиця для розрахунку коефіцієнтів рівняння множинної регресії.
№ даних |
yi |
x1i |
x2i |
|
|
x1i∙ x2i |
x1i∙ yi |
x2i∙ yi |
1 |
y1 |
x11 |
x21 |
|
|
x11∙ x21 |
x11∙ y1 |
x21∙ y1 |
2 |
y2 |
x12 |
x22 |
|
|
x12∙ x22 |
x12∙ y2 |
x22∙ y2 |
…… |
……. |
……. |
……. |
……. |
……. |
……. |
……. |
……. |
N |
yN |
x1N |
x2N |
|
|
x1N∙ x2N |
x1N∙ yN |
x2N∙ yN |
Суми |
|
|
|
|
|
|
|
|
Сер.знач. |
|
|
|
……. |
……. |
……. |
……. |
……. |
|
……. |
……. |
……. |
|
|
|
|
|
К-ти рівн. (4.3) |
|
|
|
|
|
|
|
|
Спочатку розраховуються суми стовпчиків, потім для перших трьох стовпчиків розраховуються середні значення шляхом розподілу на N відповідних сум (третій з низу рядок). Отримані середні значення ; ; - використовуються в рядку розрахункових значень (другий з низу рядок). Потім з отриманих у четвертому з низу рядку сум віднімаються відповідні розрахункові значення. Отримані різниці заносяться в останній рядок таблиці 4.1 і використовуються як коефіцієнти системи алгебраїчних рівнянь (4.3).
Відзначимо, що коефіцієнти а1 і а2 у рівнянні лінійної множинної регресії називаються частковими (іноді чистими) коефіцієнтами регресії по x1 і по х2, які відображають вплив тільки відповідної змінної. Якщо ми досліджуємо тільки вплив x1 на у за допомогою рівняння y=a0+a1 x1і зневажаючи впливом х2, то коефіцієнт а1 у цьому рівнянні називається - повним коефіцієнтом регресії у по х1 і чисельно не дорівнює частковому коефіцієнтові аі у рівнянні лінійної множинної регресії, тому що враховує також і непрямий вплив неврахованої змінної х2.
У випадку побудови моделі з трьома і більш незалежними змінними можливе, в принципі, використання допоміжних таблиць, аналогічних
таблиці 4.1 , з відповідним збільшенням числа стовпців. Однак в даний час при т≥ 3 ручний метод підрахунку практично не використовується через значне зростання обсягу обчислень. Набагато простіше доручити цю роботу ЕОМ, що має у своєму програмному забезпеченні комплекси стандартних програм кореляційного та регресійного аналізу даних експерименту.
Розглянемо найбільш загальний випадок множинної лінійної регресії з т незалежними перемінними хj (j = ), що має наступний вигляд:
(4.5)
Нехай необхідно визначити значення коефіцієнтів регресійного рівняння. Для цього проведемо заміну натуральних зміни (уі та хij (j = ); i = ) на нормовані змінні:
(4.6)
Очевидно, що для нормованих змінних .
Виходячи з того, що
Рівняння (4.5) можна представити у вигляді:
(4.7)
Враховуючи , для варіацій у відносно в нормованих змінних матимемо:
(4.8)
При цьому вільний член нормованого рівняння множинної регресії а0=0
Коефіцієнти рівняння (4.8) знаходимо, як завжди, з умови мінімізації середньої квадратичної похибки, тобто із застосуванням методу найменших квадратів (МНК):
де - розрахункове значення нормованої змінної.
Взявши відповідні похідні та прирівнявши їх до нуля:
і враховуючи, що
(4.9)
де є нормований коефіцієнт кореляції між хj та хк,
отримаємо систему т рівнянь , аналогічну системі (4.3), яка була записана лише для двох незалежних змінних а1 та а2:
(4.10)
де ( ) - нормований коефіцієнт кореляції між у та xj;
rjk (k = ) - нормований коефіцієнт кореляції між xj та хk з числа решти змінних, що залишилися.
Розв'язання системи (4.10) відносно aj ( ) проведемо, наприклад, за допомогою правила Крамера:
де
- головний визначник системи, - визначник Крамера, який отриманий з головного визначника шляхом заміни j-го стовпчика на стовпчик . Відмітимо, що значення та rjk легко знаходяться з експериментальних даних за допомогою (4.6; 4.9).
Після визначення аj знаходимо по (4.8)
Потім, після визначення аj, знаходимо а0:
Таким чином знайдено коефіцієнти множинної регресії, які входять до формули (4.5).