- •Учебно-методическое пособие
- •11.7. Вопросы для самоконтроля 67
- •Маршрутная карта изучения дисциплины по Модулю 3
- •1. Современные проблемы моделирования систем
- •2. Принципы моделирования
- •3. Классификация моделей
- •3.1. Основные свойства моделей
- •4. Моделирование систем
- •4.1. Моделирование систем на вычислительных машинах
- •5. Математическое моделирование
- •5.1. Математические схемы моделирования систем
- •5.2. Непрерывно-детерминированные модели (d-схемы)
- •5.3. Дискретно-детерминированные модели (f-схемы)
- •5.4. Дискретно-стохастические модели (р-схемы)
- •5.5. Непрерывно-стохастические модели (q-схемы)
- •5.6. Сетевые модели (n-схемы)
- •5.7. Комбинированные модели (а-схемы)
- •6. Анализ результатов машинного моделирования
- •6.1. Корреляционный анализ результатов моделирования
- •6.2. Регрессионный анализ результатов моделирования
- •6.3. Дисперсионный анализ результатов моделирования
- •6.4. Вопросы для самоконтроля
- •7. Методические указания для выполнения практического задания №1. «Построение простейших моделей»
- •Приложение 1. Варианты заданий
- •Методические указания для выполнения практического задания №2. «Построение регрессионной модели» с использованием табличного процессора Microsoft Excel
- •Указание. В таблице 2 в ячейки второго столбца с текстом «Формула 1», «Формула 2» ввести формулы для вычисления коэффициентов «а»,. «b».
- •Приложение 2. Варианты заданий
- •10. Основные понятия теории баз данных
- •10.1. Базы данных и системы управления базами данных. Модели данных
- •10.2. Основы проектирования реляционных баз данных
- •10.3. Этапы проектирования реляционной базы данных
- •1. Анализ предметной области
- •13.4. Вопросы для самоконтроля
- •11. Основы работы с субд Microsoft Access
- •11.1. Объекты базы данных Microsoft Access
- •11.2. Работа с таблицами
- •11.3. Работа с формами
- •11.4. Работа с запросами. Запросы на выборку
- •Имя поля: выражение
- •11.5. Итоговые запросы и запросы на изменение данных
- •Создание запроса на удаление записей таблицы
- •Создание запроса на обновление записей таблицы
- •11.6. Работа с отчетами
- •11.7. Вопросы для самоконтроля
- •12. Методические указания для выполнения практического задания № 3. «Работа с таблицами и формами базы данных Microsoft Access»
- •13. Методические указания дла выполнения практического задания № 4. «Работа с запросами на выборку в базе данных Microsoft Access»
- •14. Методические указания для выполнения практического задания № 5. «Работа с итоговыми запросами и запросами на изменение таблиц, создание отчетов»
- •15. Методические указания для выполнения индивидуального задания №2. «Базы данных»
- •16.Вопросы для подготовки к защите индивидуального задания №2
6.1. Корреляционный анализ результатов моделирования
С помощью корреляционного анализа можно установить, насколько тесна связь между двумя (или более) случайными величинами наблюдаемыми и фиксируемыми при моделировании конкретной системы S. Корреляционный анализ результатов моделирования сводится к оценке разброса значений х относительно среднего значения , т.е. к оценке силы корреляционной связи. Существование этих связей и их тесноту можно выразить при наличии линейной связи между исследуемыми величинами и нормальности их совместного распределения с помощью коэффициента корреляции .
Если то можно сделать вывод, что о взаимной независимости случайных переменных ξ и η, исследуемых при моделировании (рис. 5, а). При имеет место функциональная (т.е. нестохастическая) линейная зависимость вида у=b0+b1x, причем если , то говорят о положительной корреляции, т.е. большие значения одной случайной величины соответствуют большим значениям другой (рис. 5, б). Случай соответствует наличию линейной корреляции с рассеянием (рис. 5, в) либо наличию нелинейной корреляции результатов моделирования (рис. 5, г).
Рис. 5. Различные случаи корреляции переменных х и у.
Таким образом, корреляционный анализ устанавливает связь между исследуемыми случайными переменными машинной модели и оценивает тесноту этой связи.
6.2. Регрессионный анализ результатов моделирования
Регрессионный анализ – раздел математической статистики, объединяющий методы исследования по статистическим данным зависимости среднего значения одной случайной величины от нескольких других величин . Переменные являются контролируемыми, не случайными величинами, значения которых задаются при планировании эксперимента. Тогда модель результатов машинного эксперимента графически может быть представлена в виде прямой линии
(4)
где – коэффициент ошибок;
– коэффициент регрессии.
, (5)
, (6)
где N – число измерений при моделировании системы.
Требуется получить такие значения коэффициентов b0 и b1, при которых сумма квадратов ошибок модели является минимальной. На рисунке ошибка ei, , для каждой экспериментальной точки определяется как расстояние по вертикали от этой точки до линии регрессии = (х).
Обозначим i=b0+b1xi, . Тогда выражение для ошибок будет иметь вид:
ei= i – yi=b0+b1xi – yi, а функция ошибки .
Соотношения для вычисления b0 и b1 требуют минимального объема памяти ЭВМ для обработки результатов моделирования. Обычно мерой ошибки регрессионной модели служит среднее квадратичное отклонение
Для нормально распределенных процессов приблизительно 67 % точек находится в пределах одного отклонения σe от линии регрессии и 95 % – в пределах 2σе (трубки А и B соответственно на рис. 6, б). Для проверки точности оценок b0 и b1, в регрессионной модели могут быть использованы, например, критерии Фишера (F-распределение) и Стьюдента (t-распределение). Аналогично могут быть оценены коэффициенты уравнения регрессии и для случая нелинейной аппроксимации.
Регрессионный анализ дает возможность построить модель, наилучшим образом соответствующую набору данных, полученных в ходе машинного эксперимента с системой S. Под наилучшим соответствием понимается минимизированная функция ошибки, являющаяся разностью между прогнозируемой моделью и данными эксперимента. Такой функцией ошибки при регрессионном анализе служит сумма квадратов ошибок.
Пример: Рассмотрим особенности регрессионного анализа результатов моделирования при построении линейной регрессионной модели. На рис. 6, а показаны точки хi, yi, , полученные в машинном эксперименте с моделью М системы S. Делаем предположение, что модель результатов машинного эксперимента графически может быть представлена в виде прямой линии
=(x)=b0+b1x,
где – величина, предсказываемая регрессионной моделью.
Рис. 6. Построение линейной регрессионной модели.