←предыдущая следующая→
1 2 3 4 5
МОСКОВСКИЙ ИНСТИТУТ СТАЛИ И СПЛАВОВ
кафедра инновационного проектирования
В . М . КЛЕМПЕРТ
Методические указания
по выполнению курсовой работы в
курсе "Математическое моделирование"
Москва 1998
СОДЕРЖАНИЕ
1. Тематика курсовой работы 3
2. Задание на выполнение курсовой работы 17
3. Состав, объем и содержание курсовой работы 18
4. Оформление курсовой работы 18
5. Защита курсовой работы 19
1. ТЕМАТИКА КУРСОВОЙ РАБОТЫ
ВВЕДЕНИЕ
Различают четыре типа зависимостей между переменными:
1)Зависимость между неслучайными переменными, не требующую для своего изучения применения статистических методов;
2) 1)Зависимость случайной переменной y от неслучайных переменных, исследуемую методами регрессионного анализа;
3) 1)Зависимость между случайными переменными y и xi, изучаемую методами корре-ляционного анализа;
4) 1)Зависимость между неслучайными переменными, когда все они содержат ошибки измерения, требующую для своего изучения применения конфлюэнтного анализа.
Применение регрессионного анализа для обработки результатов наблюдений позволяет получить оценку влияния переменных, рассматриваемых в качестве аргументов (независимых переменных) на переменную, которая считается зависимой от первых.
Курсовая работа направлена на освоение методов регрессионного анализа в процессе разработки математического описания исследуемого процесса или явления. Курсовая работа предусматривает обработку экспериментальных данных и поиск наиболее удовлетворительной гипотезы взаимосвязи между функцией и аргументами.
В качестве таких гипотез рассматриваются линейная и нелинейная регрессионные мо-дели, каждая из которых может быть парной (только две переменных - функция и аргумент) или множественной (одна функция и несколько аргументов).
Относительно закона изменения независимых переменных x i не делается никаких огра-ничений -
ЛИНЕЙНАЯ ПАРНАЯ РЕГРЕССИЯ
Для нахождения теоретической линии регрессии по данным производственных замеров или специально поставленных экспериментов применяется метод наименьших квадратов, с помощью которого путем определенных вычислений находится уравнение y = f(x), соответ-ствующее взаимосвязи рассматриваемых параметров. А именно, отыскивается теоретическая линия регрессии у по х, занимающая в корреляционном поле такое положение, при котором вы-полняется требование, чтобы сумма квадратов расстояний от этой линии до каждой точки в корреляционном поле являлась минимальной.
При изображении корреляционного поля на графике по оси у откладывают значения функции, а по оси х — значения аргумента . Теоретическая линия регрессии у по х должна быть внесена в корреляционное поле таким образом, чтобы соблюдался принцип наименьших квадратов:
m
S2 = yj2 = ( yj y' j)2 ( 1 )
j = 1
где j— порядковый номер точки в исходном числовом материале:
у j—измеренное значение функции для определенного значения аргумента (х);
y'/--расчетное значение функции при заданной величине аргумента (х) в соответствии с тео-ретической их взаимосвязью. В случае линейной зависимости
y'j = a + b x j. (2)
Задача сводится к отысканию коэффициентов регрессии а и b уравнения (2), т. е. зара-нее установлено, что рассматриваемые параметры у и х связаны линейной зависимостью по уравнению (2).
Величина yj представляющая собой расстояние от каждой точки корреляционного по-ля до теоретической линии регрессии, определяется из уравнения
yj = yj ( a + b x j ) (3)
где x j— параметр х, соответствующий измеренному значению у j.
Для определения численных значений коэффициентов регрессии a и b, исходя из принципа наименьших квадратов отклонений, нужно приравнять нулю частные производные функции S 2 по a и b:
S 2/ a = ( yj ) 2 / a = 0, ( 4 )
S 2/ b = ( yj ) 2 / b = 0 ( 5 )
Выполнив необходимые преобразования, получим систему двух уравнений с двумя неизвестными для определения a и b:
y = m a + b x
yx = a x + b x 2 . ( 6 )
Решая систему уравнений относительно a и b, находим численные знаяения коэффициентов регрессии. Величины y, x, yx, x2 находятся непосредственно по данным производственных измерений, которые заданы в курсовой работе.
Величина свободного члена уравнения регрессии (2), или коэффициента а равна функции у при x = 0.
Коэффициент b в уравнении регрессии характеризует изменение функции у при изменении аргумента х на единицу. и графически отражает угол наклона линии уравнения регрессии
При решении практических задач регрессионного анализа возникает вопрос об оценке тес-ноты исследуемой взаимосвязи, т. е. насколько полученные на основе обработки производст-венных или лабораторных данных уравнения регрессии достоверны. В случае парной линейной корреляции в качестве оценки тесноты связи используют обычно коэффициент корреляции, ко-торый рассчитывается по формуле:
r = ( XY X * Y ) / ( x * y ). ( 7 )
Числитель выражения для коэффициента корреляции r представляет собой разность между средним значением произведения XY и произведением средних значений X * Y измерен-ных значений параметров x и y исходной информации. Знаменатель равен произведению средних квадратических отклонений значений параметров у и х от своих средних. Средние квадратические отклонения (стандартные отклонения) рассчитываются по формулам:
x = { [ ( x j X ) 2 ] / m }1/2 ( 8 )
y = { [ ( y j Y ) 2 ] / m }1/2 . ( 9 )
Квадраты средних квадратических отклонений y и х ( x 2 и y 2 ) называются диспер-сиями
D x = [ ( x j X ) 2 ] / m ( 10 )
Dy = [ ( y j Y ) 2 ] / m ( 11 )
и являются важными статистическими оценками рассеяния значений какой-либо величины около ее среднего значения.
Величина коэффициента корреляции r может изменяться от 0 при полном отсутствии связи до ±1 при наличии линейной функциональной связи х с у. Если r > 0, между х и у име-ет место положительная корреляционная связь, т. е. с ростом параметра х увеличивается пара-метр у, если r < 0, между х и у имеет место отрицательная связь. С коэффициентом рег-рессии b в уравнении (2) коэффициент корреляции связан соотношением
r = b x / y . ( 12 )
Угловой коэффициент регрессии b представляет собой тангенс угла наклона линии рег-рессии к оси абсцисс . Следовательно, чем больше наклон линии регрессии к оси абсцисс, тем больше значение коэффициента корреляции, т. е. тем значительнее будет изменение функции у при изменении на единицу аргумента х.
Малая величина коэффициента корреляции указывает на отсутствие линейной связи, однако криволинейная связь между рассматриваемыми параметрами при этом может быть дос-таточно тесной. Коэффициент корреляции отражает не только величину приращения у при из-менении х, но и тесноту связи функции и аргумента. Чем больше разброс точек относительно линии регрессии, тем меньше коэффициент корреляции. Это свойство коэффициента корреля-ции отражено в его формуле в виде соотношения стандартных отклонений.
Для оценки надежности полученного результата используют иногда критерий надеж-ности ,
←предыдущая следующая→
1 2 3 4 5
|
|