- •1. Загальні принципи побудови систем
- •1.1 Поняття системи, її властивості та їх співвідношення. Прості та ієрархічні системи
- •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
- •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 "Сортування каналів"
- •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
4.3 Аналіз моделі множинної регресії
Як видно з отриманого рівняння моделі, вплив оборотних кошті на валовий доход майже в 10 разів більший, ніж обсяг основних фондів, що відображає реалії ринку: «живі гроші дають більший і швидкий доход чим вкладання в розвиток виробництва. Однак не слід забувати, що порівняння можливе лише при однаковій розмірності незалежних змінних (наприклад х1 і х2 виражені в тис. гривень, але не в тисячах і мільйонах гривень). Так само не можна порівнювати ці впливи при різному фізичному змісті змінних. Наприклад, якщо х1 - інтенсивність руху (авт/год.), а х2 - ширина проїзної частини (м), то співвідношення коефіцієнтів а1 і а2 взагалі не може служити мірою порівняння ступеня впливу цих параметрів на у - пропускну здатність автомобільної дороги.
Однак, щоб зробити можливим порівняння коефіцієнтів регресії й оцінити відносний вплив змінних хj на у відносних одиницях, застосовують нормування коефіцієнтів регресії (аj).
Коефіцієнт аj показує величину зміни в значеннях СКО величини у зміні на одне СКО величини хj тобто
Зокрема, для розглянутого прикладу
У такий спосіб відносний вплив х2 на виявився більшим лише в
Для статистичної оцінки тісноти зв'язку застосовуються, як і в рівняннях парної регресії, ті ж самі три показники варіацій і коефіцієнти тісноти зв'язку, що базуються на них.
Основні показники варіації:
1) Загальна дисперсія, що відображає сукупні впливи всіх об'єктивно діючих факторів:
2) Факторна дисперсія, що відображає вплив тільки вивчених незалежних змінних.
де - значення, розраховані по моделі, для кожногоі-го зі сполучень хj (j є т ), що мають місце в даному експерименті.
3) Залишкова дисперсія, що відображає вплив неврахованих змінних (крім хj (j= ));
У цій формулі вираз в дужках показує відхилень експериментальних даних відносно рівняння регресії. Для розглянутого випадку маємо
З огляду на те, що одержимо вираження для залишкової дисперсії
По величині , зокрема, можна оцінювати точність різних моделей регресії.
Відношення
у даному випадку є коефіцієнтом множинної детермінації (для нелінійної регресії - індекс детермінації) і характеризує ступінь впливу обраних незалежних змінних на результативну ознаку у
Для розглянутого прикладу
тобто 53,3% мінливості у обумовлені саме мінливістю х1 і х2.
Тоді коефіцієнт множинної кореляції ( для нелінійної регресії індекс кореляції) визначається як
Для розглянутого приклада R=0,73, що свідчить про досить значний взаємозв'язок між y та х1 і x2
З огляду на те, що можна одержати трохи зручнішу для практичних розрахунків формулу, яка широко використовується при розрахунках моделей із застосуванням ЕОМ.
Неважко показати, що при m=l (тобто при парній регресії у(х)), це вираження збігається з раніше отриманим вираженням коефіцієнта R для лінійної регресії.
Завершуючи розгляд множинної регресії, приведемо ще одну корисну формулу для розрахунку величини R у матричній формі, що буде використовуватись при розрахунках значення R на ЕОМ: