- •Оглавление
- •1) Исследователь вносит гипотезу о структуре ящика
- •2) Определение неизвестных коэффициентов a0 и a1 модели
- •3) Проверка
- •Линейная множественная модель
- •Звено первого порядка
- •Звено второго порядка (колебательное звено)
- •1. Линейный коэффициент корреляции
- •3. Коэффициент корреляции двух динамических рядов
- •4. Корреляция внутри динамического ряда
- •5. Поиск периодичности ряда
- •7. Связь двух признаков
- •Аналитический способ решения задачи 1
- •Численный способ решения задачи 1
- •Формально-математический способ
- •Методы Рунге-Кутты третьего и четвертого порядков
- •Метод Эйлера с итерациями
- •Метод Милна
- •Уравнение диффузии
- •Уравнение тепломассопереноса
- •Задача анализа (прямая задача)
- •Задача синтеза (обратная задача)
- •Тренажеры
- •Метод Монте-Карло
- •Моделирование случайного события
- •Моделирование полной группы несовместных событий
- •Метод ступенчатой аппроксимации
- •Метод усечения
- •Метод взятия обратной функции
- •Свойства нормального распределения
- •Табличный метод генерации нормально распределенных чисел
- •Метод генерации нормально распределенных чисел, использующий центральную предельную теорему
- •Метод Мюллера
- •Биномиальное распределение
- •Нормальное распределение
- •Распределение Пуассона
- •Пуассоновский поток
- •Моделирование неординарных потоков событий
- •Моделирование нестационарных потоков событий
- •Анализ временной диаграммы
- •Синтез смо
- •Принцип Δt
- •Особенности реализации принципа Δt
- •Принцип особых состояний
- •Принцип последовательной проводки заявок
- •Объектный принцип моделирования
- •Марковский процесс с дискретным временем
- •Марковские случайные процессы с непрерывным временем
- •Вычисление средних
- •Вычисление геометрии распределения
- •Оценка (по Колмогорову) совпадения эмпирического закона распределения с теоретическим
- •Оценка точности статических характеристик
- •Голосование
- •Ранжирование
- •Точность и доверие к результатам экспертизы. Оценка экспертов
- •Практика № 01. Регрессионные модели
- •1Решение задачи регрессионного анализа
Практика № 01. Регрессионные модели
Решим на конкретном примере задачу регрессионного анализа, то есть, опираясь на имеющиеся экспериментальные данные, построим модель (определим функцию черного ящика), по которой вход преобразуется в выход (см. рис. П-01.1).
|
||
Рис. П-01.1. Схема одномерной регрессионной модели |
1Решение задачи регрессионного анализа
1) Пусть в результате проведения экспериментальных измерений мы получили набор из n = 8 экспериментальных точек. Отобразим их на рис. П-01.2.
|
||
Рис. П-01.2. График экспериментальных данных |
Занесем полученные данные в табл. П-01.1.
Таблица П-01.1. Экспериментальные данные |
|||||||||||||||||||||||||||
|
2) Рассматривая экспериментальные данные, предположим, что они подчиняются линейному закону; выдвигаем гипотезу: Y = aX + b.
3) Запишем уравнение ошибки и суммарной ошибки:
Ei = (YiЭксп. – YiТеор.), i = 1, …, n;
Ei = Yi – b – aXi, i = 1, …, n.
4) Для нахождения экстремума приравняем частные производные функции F по переменным b и a к нулю (условие экстремума):
После раскрытия скобок получим систему из двух линейных уравнений:
Для удобства вычислений составим табл. П-01.2.
Таблица П-01.2. Таблица промежуточных вычислений |
||||||||||||||||||||||||||||||||||||||||||||||||||
|
Для нахождения коэффициентов b и a методом Крамера представим систему в матричной форме:
Подставляя конкретные значения из табл. П-01.2, получим:
Находим значения b и a:
Итак, найденные значения b = 4960/1359 = 3.65 и a = 1055/1359 = 0.78 обеспечивают прохождение графика Y = aX + b как можно ближе одновременно ко всем экспериментальным точкам.
Таким образом, мы получили следующее линейное уравнение: Y = 0.78X + 3.65.
5) Теперь необходимо проверить, имеем ли мы право принять полученную гипотезу Y = 0.78X + 3.65 как верную, или же она должна быть отклонена. Для этого необходимо рассчитать ошибку Ei между точками заданной экспериментальной и полученной теоретической зависимости (см. табл. П-01.3), суммарную ошибку F и значение σ по формулам:
Ei = Yi – b – aXi, i = 1, …, n
Таблица П-01.3. Вычисление ошибок между точками заданной экспериментальной и полученной теоретической зависимости |
|||||||||||||||||||||||||||||||||||||||||||||
|
Суммарная ошибка составляет:
F = 0.4225 + 0.6241 + 0.5929 + 0.0121 + 5.4289 + 2.1025 + 0.0001 + 0.3249 = 9.5080.
Значение σ = sqrt(9.5080/8) = 1.09. Найдем значение S = σ/cos(arctg(a)) = 1.09/cos(arctg(0.78)) = 1.38.
Если в полосу, ограниченную линиями Y = 0.78X + 3.65 – 1.38 и Y = 0.78X + 3.65 + 1.38 попадет 68.26% или более из всех экспериментальных точек, то можно сделать вывод о том, что наша гипотеза о линейности верна.
Окончательные рассчеты (см. табл. П-01.4) показывают, что 6 точек из 8 (то есть 75%) попадают в полосу, ограниченную линиями Y = 0.78X + 3.65 – 1.38 и Y = 0.78X + 3.65 + 1.38, из чего заключаем: зависимость между входом и выходом модели линейная, то есть выдвинутая нами гипотеза верна.
Таблица П-01.4. Проверка попадания точек внутрь заданного интервала |
||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Наконец, дадим графическую иллюстрацию нашим расчетам (рис. П-01.3).
|
||
Рис. П-01.3. Найденная линейная зависимость с обозначенным интервалом [–S; +S] |
В заключение отметим, что разобранный выше пример — учебный. Поэтому мы ограничились очень небольшим числом экспериментальных точек. В реальных условиях для обеспечения достоверности результатов исследования нужно брать гораздо большее число экспериментальных точек.
Обратно к лекции 02