- •Раздел 3. Построение математических моделей по экспериментальным данным
- •Оценивание параметров распределения
- •Свойства оценок
- •Методы оценивания
- •Метод сравнения (метод моментов)
- •Пример
- •Пример
- •Метод максимального правдоподобия
- •Пример
- •Байесовский метод
- •Процесс уточнения априорной информации
- •Априорное и апостериорное распределения
- •Априорное и апостериорное распределения
- •Лекция 8. Обработка результатов имитационного эксперимента
- •Обработка массива данных
- •Расчет статистических параметров: распределения
- •Влияние асимметрии и эксцесса
- •Подбор теоретического распределения и его параметров
- •Подбор вида распределения
- •Подбор вида распределения и его параметров
- •Критерии согласия
- •Регрессионные модели
- •Таблица эксперимента
- •Метод наименьших квадратов
- •Пример
- •Проверка адекватности модели
- •Проверка адекватности модели
- •Проверка адекватности модели
- •Проверка адекватности модели
- •Проверка адекватности модели
- •Лекция 9. Планирование экспериментов
- •Определение коэффициентов модели при ортогональных планах
- •Планирование активных экспериментов
- •Построение плана
- •Свойство ортогональности
- •Дробные факторные планы
Критерии согласия
Критерий согласия Колмогорова
~
D max Fx x Fx x
x
Критерий согласия Пирсона
сравниваются между собой
теоретические и эмпирические числа |
|||
попаданий в интервалы |
|||
k |
n j np j 2 |
2 |
|
|
|
1 p k L |
|
np j |
|||
j 1 |
|
Регрессионные модели
Показатель свойства, для которого
нужно построить модель, называют выходным (наблюдаемым) параметром или откликом.
Параметры, от которых зависит этот
отклик, называются факторами.
Задача состоит в определении |
|||||
зависимости выходного параметра от |
|||||
y f x ,x |
2 |
,..., x |
n |
|
|
факторов: |
1 |
|
|
Предполагается, что модельn |
имеет |
|||
y b0 b1 f 1 |
( xi ) b2 |
f2 |
( xi ) ....,bn fn ( xi ) bj f j ( xi ) , |
|
вид: |
|
|
j 0 |
|
Таблица эксперимента
Опы |
Факторы |
Функции fj |
y |
т |
x1 x2 … xn |
f1 f2 … fn |
|
|
|
1 |
x11 |
x12 |
x1n |
2 |
x21 |
x22 |
x2n |
3 |
x31 |
x32 |
x3n |
. |
|
|
. |
. |
|
|
. |
. |
|
|
. |
N |
xN1 |
xN2 |
xNn |
Характер зависимостей
f11 f21 f31
fN1
fj(xi)
f12 |
f1n |
y1 |
f22 |
f2n |
y2 |
f32 |
f3n |
y3 |
fN2 |
fNn yN |
может быть |
известен, |
например: f1(x1)=sin(ax1), f2(x2)=ex2, f3(x3)=ln(x3) и т.д.
Метод наименьших квадратов
Коэффициенты bj должны быть
такими, чтобы модельные значения y (вычисляемые по модели) мало отличались от наблюдаемых.
Наиболее часто для определения |
||||||||
коэффициентов b |
|
используют |
||||||
|
|
|
j |
|
|
|
|
2 |
N |
n |
|
|
|
|
|||
|
оценки |
|
||||||
|
|
|
|
|
|
|
|
|
критерий минимума суммы |
||||||||
|
y |
|
b |
f |
|
|
min |
|
R |
|
ij |
||||||
квадратов невязок:i j |
|
|
|
|||||
i 1 |
|
j 0 |
|
|
|
|
||
|
|
|
|
|
|
|||
|
|
невязка |
|
|
|
|
|
BF T F 1 F T Y
вектор искомых коэффициентов:
Пример
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Требуется определить |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
|
коэффициенты модели при |
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||
|
|
|
следующих результатах наблюдений |
|
|||||||||||||||||||||||||||||||||||||||
|
|
|
x |
|
|
|
|
f0 |
|
|
|
|
f1 |
|
|
|
y |
|
|
1 |
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
1 |
|
|
0 |
|
|
|
1 |
|
|
|
|
|
|
|
|
|
1 |
1 1 1 |
|
|
|
|
|
4 2 |
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 0 |
|
F |
T |
|
|
|
F |
T |
F |
|
|
||||||||||||||||||
|
|
|
0 |
|
|
|
|
1 |
|
|
0 |
|
|
|
2 |
|
F |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
2 2 |
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 1 |
|
|
|
|
|
|
0 1 1 |
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
1 |
|
|
|
|
1 |
|
|
1 |
|
|
|
3 |
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
1 |
|
|
|
|
1 |
|
|
1 |
|
|
|
4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
1 |
|
|
a11 |
|
a12 |
1 |
|
2 |
2 |
|
|
1 |
2 |
|
|
|
1 |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
T |
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
F |
|
F |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
T |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
F |
F |
|
|
|
|
|
|
4 |
|
2 4 |
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
a21 |
|
a22 |
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
1 |
1 |
1 |
1 |
|
2 |
|
10 |
|
|
|
|
|
|
2 |
|
|
2 |
10 |
1,5 |
|
|
|
|||||||||||||||||
|
T |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
F |
Y |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
B |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
0 |
|
|
|
|
|
|
|
|
3 |
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
1 |
|
|
|
7 |
|
|
2 |
|
|
|
|||||
|
|
|
|
0 1 1 |
|
|
7 |
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y 1,5 2x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Проверка адекватности модели
Адекватность модели можно проверить по отклонениям модельных значений от реальных, причем проверить модель необходимо и в других точках измерений при других значениях факторов
Проверка адекватности модели
Наиболее адекватной является модель, проходящая через математические ожидания, т.е. регрессионная модель
Проверка адекватности модели
Вопрос: есть ли основание утверждать, что модель не проходит через математические ожидания выходной величины в точках измерений?
Если оснований нет, то модель считается достаточно адекватной.
На поставленный вопрос можно получить ответ при известных дисперсиях выходного параметра относительно математических ожиданий в точках измерений и относительно модели
Проблема: дисперсии не известны, а по опытным данным можно
Проверка адекватности модели
Вопрос свелся к следующему: есть ли основание по известным оценкам дисперсий, утверждать, что дисперсии не совпадают?
Решение:
выдвигается гипотеза о том, что дисперсии совпадают;
рассматривается статистика, равная отношению оценок дисперсий и строится для него плотность распределения;
задается уровень значимости α – вероятность того, что гипотеза, при ее верности, ошибочно отвергается.
по значению отношения оценок
Проверка адекватности модели
Оценка дисперсии относительно |
||||
математических ожиданий - |
||||
дисперсия2 воспроизво1 |
димости: |
|||
|
|
N mi |
|
2 |
S вос |
|
yij yi |
||
|
|
|||
|
fвос i 1 j 1 |
|
|
Оценка дисперсии относительно |
||||
модели -остаточнаяm |
дисперсия: |
|||
|
1 |
N i |
|
|
Sост |
yij yмi 2 |
|||
|
||||
|
fост i 1 j 1 |
|
по значению отношения оценок
дисперсий гипотеза принимается или |
|||||||
S |
2 |
ост F |
( f |
|
, f ) |
||
|
|
||||||
отвергается |
1 |
|
ост |
вос |
|||
S |
2 |
вoc |
|
||||
|
|
|
|
||||
|
|
|
|
|
|