- •Ю.В.Захаров Математическое моделирование
- •Введение
- •1. Основные сведения из теории вероятностей и
- •1.1. Случайные величины. Выборка
- •1.2. Законы распределения случайных величин
- •Экспоненциальный закон распределения
- •Hормальный закон распределения (hзр)
- •1.3. Числовые характеристики случайных величин Характеристики положения
- •Характеристики рассеяния
- •1.4. Статистическая проверка гипотез
- •Гипотеза о равенстве дисперсий
- •Гипотеза об однородности дисперсий
- •Гипотеза о равенстве средних
- •Гипотеза о законе распределения случайной величины
- •1.5. Ошибки измерения физических величин и методы
- •Случайные, систематические и грубые ошибки
- •Методы исключения резко выделяющихся результатов эксперимента
- •Табличные значения критерия Романовского
- •2. Выбор наиболее существенных факторов объекта
- •2.1. Метод экспертных оценок
- •Матрица рангов параметров
- •Сумма рангов и коэффициент весомости
- •Сводные результаты экспертизы
- •2.2. Метод начальных моментов
- •2.3. Дисперсионный анализ
- •Общая постановка и решение задачи да
- •Однофакторный да
- •3. Математическое моделирование в технологии
- •3.1. Методы математического моделирования
- •3.2. Пассивный эксперимент для мм
- •3.2.1. Регрессионный анализ.
- •Примеры.
- •3.2.2. Метод экспоненциального сглаживания
- •3.2.3. Корреляционный анализ.
- •3.2.4 Оценка адекватности мм.
- •3.3. Активный эксперимент для мм
- •3.3.1. Вид и алгоритм построения математической модели
- •3.3.2. Полный факторный эксперимент типа 2k.
- •Проверка воспроизводимости эксперимента
- •Вычисление коэффициентов модели.
- •Примеры вычислений коэффициентов пфэ 22
- •Проверка значимости коэффициентов модели.
- •Проверка адекватности модели.
- •Анализ и синтез тп по полученной модели.
- •Получение математической модели с учетом взаимодействий факторов.
- •3.3.3. Дробный факторный эксперимент.
- •В записи плана дфэ 2k-p p означает количество взаимодействий факторов приравненным независимым переменным. Дфэ 23-1 – половина пфэ 23, т.Е. Полуреплика от пфэ 23.
- •3.3.4. Математические модели второго порядка.
- •Контрольные вопросы
- •Заключение
- •Содержание введение
- •Заключение
- •Литература
3.2. Пассивный эксперимент для мм
3.2.1. Регрессионный анализ.
Пусть имеется только один фактор, определяющий y.
х - не случайная величина (СВ);
y - СВ, принимающая значения в некотором интервале.
y = f(х).
Эта зависимость ищется в виде y = β0 + β1 x .
Реально модель имеет вид (8) , которая показывает как в среднем изменяется величина y при изменении величины х в заданном диапазоне. Здесь b0 и b1 являются оценками теоретических коэффициентов β0 и β1.
Уравнение (8) - уравнение регрессии y по х. Графическое изображение (8)-кривая регрессии.
Коэффициенты уравнения b0 и b1 находятся по экспериментальным данным методом наименьших квадратов (МНК). МНК позволяет получить несмещенные, состоятельные и эффективные оценки.
Имеем экспериментальные данные:
Х |
х1 |
х2 |
........... |
хi |
........... |
хn |
Y |
у1 |
у2 |
........... |
уi |
........... |
уn |
Суть МНК: минимизируется сумма квадратов отклонений измеренных значений yi от значений вычисленных по уравнению регрессии (рис. 2).
y,
уn
у3
у2
у1
x1 x2 x3 xn x
Рис. 2. Линейное уравнение регрессии
min
МНК: ;
. (9)
Выполнение условия (9) обеспечивается так:
по коэффициентам уравнения (8) b0 и b1 определяются частные производные функции U и приравниваются к нулю. В результате образуется система нормальных уравнений, число которых равно числу неизвестных коэффициентов.
Для (9) имеем:
1) ;
2)
Получили систему
Решив ее, найдем b0 и b1.
На основе регрессионного анализа можно получить уравнение регрессии вида
.
В этом случае система нормальных уравнений имеет вид:
Решается на ЭВМ с использованием стандартной программы.
Мы рассмотрели построение линейных относительно х уравнений регрессии. Но на практике приходится иметь дело и с нелинейными зависимостями y=f(xн,а,b). При определении коэффициентов таких функций иногда удается путем замены переменных привести ее к виду =b0+b1x, т.е. линейному виду. Такая процедура называется выравниванием эмпирической формулы. Далее b0 и b1 находятся МНК, а затем производится их пересчет к а и b.
Примеры.
Степенная функция y = a xнb .Применяется логарифмическое преобразование:
lg y = lg a + b lg xн . Замена переменных:
lg y = ; lg xн = x. Получим = b0 + b1x, где b0 = lg a, b1 = b.
2. Показательная функция y = . Логарифмическое преобразование:
lg y = lg a + b xн lg e . Замена переменных:
lg y = ; xн = x. Получим = b0 + b1x, где b0 = lg a, b1 = b lg е.
3. Функция вида . Преобразование:
Замена переменных:
Получим = b0 + b1x, где b0 = b, b1 = a.
Более подробно о регрессионном анализе см. в [9]