- •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
2.2.3. Визначення коефіцієнтів (параметрів) моделі
Після вибору форми функціональної залежності рівняння регресії переходять до визначення коефіцієнтів (параметрів) моделі. Для визначення найбільше застосування знайшов метод найменших квадра (МНК). Тому розглянемо цей метод докладніше.
2.2.3.1 Метод найменших квадратів (мнк)
Сутність методу полягає у виборі таких значень параметрів моделі коефіцієнтів), при яких сума квадратів відхилення експериментальних значень залежної змінної уі(хji) від відповідних розрахункових значень , де m - число незалежних факторів, що включені в модель (хj); N - число експериментальних значень кожного з цих фактор що беруть участь у побудові регресійної моделі.
Іншими словами, метод найменших квадратів забезпечує вибір так параметрів моделі, у(хj); (j =;), при яких забезпечується мінімум наступного функціоналу:
(2.11)
В цьому випадку дисперсія похибки моделі визначається величиною:
(2.12)
і служить статистичною оцінкою точності отриманої моделі.
Особливістю регресійних моделей є те, що дослідник включає до розгляду лише найбільш значущі фактори. Фактори, що мають незначний вплив на величину функції відгуку (у) взагалі не розглядаються ( тобто їхнім впливом зневажають).
Тому загальну дисперсію коливань відгуку у відносно його середнього значення
(2.13)
розглядають як суму двох дисперсій:
факторної дисперсії D , що викликана впливом факторів, включених до моделі. Ця дисперсія зазвичай визначається за допомогою формули:
(2.14)
що оцінює розсіювання розрахункових значень відносно;
- залишкової дисперсії Dε, що оцінює розсіювання експериментальних даних відносно розрахункових даних моделі , яка характеризує, по суті, статистичну похибку моделі
(2.15)
З урахуванням сказаного можна записати:
(2.16)
Відношення
(2.17)
що характеризує долю дисперсії у, обумовлену впливом лише врахованих факторів, у загальній дисперсії , називаєтьсякоефіцієнтом детермінації (для нелінійних моделей - індексом детермінації).
Поділивши (2.16) на отримаємо вираз дляKD у вигляді:
(2.18)
Величина
(2.19)
носить назву коефіцієнта кореляції (для нелінійних моделей – індекса кореляції). Ця величина характеризує щільність зв'язку між відгуком у і незалежними факторами, що включені до моделі. Практично приймається, що якщо R≥0,7, то така модель достатньо повно відображає вплив цих факторів (оскільки kd = R2≥0,49, що свідчить про те, що більше 49% змінності у обумовлено саме включеними у модель змінними xj.
При R<0,7 можна стверджувати, що модель є неповною недостатньо характеризує вплив збурень хj(j=1..к), що мають місце, на відгук у. Це означає, що деякі важливі і значущі фактори не включені до моделі).
Визначення тісноти зв'язку в регресійному аналізі можливо також із застосуванням так званого критерію Фішера, який визначається за допомогою формули [16]:
(2.20)
де n - кількість даних, що використовується при одержанні рівняння регресії;
m - кількість статистичних характеристик даних експерименту, що застосовуються при визначенні рівняння регресії; а - характеристик рівня неістотності кореляційного зв'язку (зазвичай приймають а =0,05).
Після розрахунку Fе воно порівнюється з критичним значенням наводиться в таблицях значень F-критерію вбудь-якій літературі по статистиці (наприклад в [16]). Якщо , то вважається, що кореляційний зв'язок між змінними в рівнянні регресії є істотним.