LEC-18 (Материалы к лекциям), страница 6
Описание файла
Файл "LEC-18" внутри архива находится в следующих папках: Материалы к лекциям, Lecturessemestr7. Документ из архива "Материалы к лекциям", который расположен в категории "". Всё это находится в предмете "методы решения задач механики сплошных сред" из 7 семестр, которые можно найти в файловом архиве МАИ. Не смотря на прямую связь этого архива с МАИ, его также можно найти и в других разделах. Архив можно найти в разделе "лекции и семинары", в предмете "методы решения задач механики сплошных сред" в общих файлах.
Онлайн просмотр документа "LEC-18"
Текст 6 страницы из документа "LEC-18"
Если результаты химического анализа не имеют систематических ошибок, то Eyi = 0. Если же такие ошибки имеются, то в первом приближении их можно представить в виде: Eyi = a + bti (a называется постоянной ошибкой, а bti — методической ошибкой) или, что то же самое,
где
Для отыскания оценок a и b достаточно оценить коэффициенты
Условные уравнения в данном случае имеют вид:
поэтому ai1 = 1, ai2 = ti - t (согласно предположению о равноточности наблюдений, все pi = 1). Так как
то система нормальных уравнений записывается особенно просто:
[a1a1] X1 = [Ya1]; [a2a2] X2 = [Ya2],
где
Дисперсии компонент решения этой системы суть
где k — неизвестная дисперсия на единицу веса (в данном случае k — дисперсия любой из величин Yi). Так как в этом примере компоненты решения принимают значения X1 = -0,35 и X2 = -0,00524, то
Dx1 » s12 = 0,00427,
Dx2 » s22 = 0,0000272,
s1 = 0,065, s2 = 0,00522.
Если случайные ошибки наблюдений подчиняются нормальному распределению, то отношения |Xj – xjl/sj (j = 1, 2) распределены по закону Стьюдента. В частности, если результаты наблюдений лишены систематических ошибок, то x1 = x2 = 0 и, значит, закону Стьюдента должны подчиняться отношения |X1|/s1 и |X2|/s2. С помощью таблиц распределения Стьюдента с n – m = 8 степенями свободы можно убедиться, что если действительно x1 = x2 = 0, то с вероятностью 0,999 каждое из этих отношений не должно превосходить 5,04 и с вероятностью 0,95 не должно превосходить 2,31. В данном случае |X1|/s1 = 5,38 > 5,04, поэтому гипотезу отсутствия систематических ошибок целесообразно отвергнуть; в то же время следует признать, что гипотеза об отсутствии методической ошибки (x2 = 0) не противоречит результатам наблюдений, так как |X2|/s2 = 1,004 < 2,31. Т. о., можно заключить, что для определения t по результату наблюдения Т целесообразно пользоваться приближённой формулой t = Т + 0,35.
Во многих практически важных случаях (и в частности, при оценке сложных нелинейных связей) количество неизвестных параметров бывает весьма большим и поэтому реализация Н. к. м. оказывается эффективной лишь при использовании современной вычислительной техники.
Применение регрессионного анализа для обработки результатов наблюдений или вычислений позволяет получить оценку влияния переменных, рассматриваемых в качестве аргументов (независимых переменных) на переменную, которая считается зависимой от первых.
Одной из составляющих 1-ой части курсовой работы 8-го семестра является 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 модели, 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 не делается никаких ограничений
7.2.2 Линейная парная регрессия
Пусть, например, независимой {Y}. положим переменную {X}. Тогда говорят, что переменная Y связана с {X} некоторой зависимостью, которую без ограничения общности можно представить: Y = F(Х), где F - некоторый неизвестный оператор, связывающий множество Х со множеством Y. Для простоты можно считать преобразование взаимно однозначным, т.е. X = F(Y), хотя на практике это выполняется далеко не всегда.
Теперь математически задача сводится к построению явного вида оператора F и затем его уточнению. Методов решения указанной задачи существует достаточно много. Рассмотрим методы линейного регрессионного анализа.
Одним из самых простых операторов F является линейный, определяющий линейную зависимость вида Y = АХ + В. Для начала положим В = 0 и определим связи между переменными Х и Y, вычислив параметр А.
метод выбранных точек
Проведем прямую как можно ближе к нанесенным точкам (рис. 1) и выберем на этой прямой произвольную точку М(Х, Y).
Рис. 1. Множество экспериментальных точек {X} и {Y}, нанесенных на плоскость.
М(X,Y) - выбранная точка для регрессии.
Тогда параметр А определится из отношения А=Y/X. Преимущество этого метода перед всеми состоит в его наглядности. Но заметим, что значения А могут колебаться довольно значительно, так как прямая строится произвольно и в выборе точек, через которые проводится прямая, нет однозначности.
метод средних
Этот метод дает лучшие результаты по сравнению с методом выбранных точек. Если предположим, что зависимость построена, тогда yi = aхi даст приближенные значения yi. Определим параметр a из условия минимума средней ошибки
Перепишем последнее выражение в виде
откуда получаем выражение для .
метод наименьших квадратов
Этот метод дает еще более точные результаты по сравнению с двумя рассмотренными выше. В этом методе параметр а определяется из условия минимальной суммы квадратов отклонений табличных значений уi от полученных уi* : . Условие минимума F, как известно, дает равенство нулю ее первой производной, т.е. . Продифференцировав F по а, получим , откуда находим .
Каждый из приведенных выше методов является более точным (по порядку возрастания). Поэтому рекомендуется сначала воспользоваться методом выбранных точек, а затем - одним из двух оставшихся (для уточнения параметра а).
Посмотрим, как изменятся методы. Общий вид зависимости теперь Yi = АХi + В.
Для уточнения параметров А и В воспользуемся тремя уже рассмотренными ранее методами.
метод выбранных точек. Выберем на построенном графике две произвольные точки М1(х1,у1) и М2(х2,у2). Из аналитической геометрии известно, что уравнение прямой будет
откуда получаем
Тогда выражения для параметров А и В можно определить явно как
метод средних. Согласно этому методу, А и В ищутся такими, чтобы алгебраическая сумма всех уклонений от вычисленных значений была бы равна нулю .
Для определения А и В разобьем все данные на две группы так, чтобы сумма алгебраических уклонений каждой группы от среднего была бы равна нулю. Иными словами среднее для одной группы точек было бы равным (или не очень сильно отличалось) среднему другой группы точек. Тогда для каждой группы запишем
где L - число элементов в I группе. Из последней системы найдем А и В :
Выполнив над последними выражениями элементарные алгебраические преобразования, получим окончательно выражения для коэффициентов А и В (стр. 6).
метод наименьших квадратов. Согласно этому методу, ищем минимум функции . Используя условие экстремума функции F, найдем
От последней системы можно перейти к более простой, выполнив над ней элементарные алгебраические преобразования:
Решая последнюю систему относительно А и В, получим
КОНТРОЛЬНЫЙ ПРИМЕР
Для проверки и тестирования рассмотренных методов далее по данным эксперимента (см. таблицу экспериментальных данных) строится линейная зависимость для случаев 1) В=0; А 0; 2) А 0; В0. Затем уточняются найденные А и В.
Таблица экспериментальных данных
х | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 | 0.6 | 0.7 | 0.8 | 0.9 | 1.0 | 1.1 | 1.2 | 1.3 | 1.4 | 1.5 | 1.6 | 1.7 | 1.8 | 1.9 | 2.0 |
у | 2.59 | 3.40 | 3.07 | 2.81 | 2.51 | 2.16 | 1.80 | 1.60 | 1.18 | 0.13 | 0.69 | 0.47 | 0.01 | -0.13 | -0.46 | -0.79 | -1.16 | -1.45 | -1.95 | -1.75 |
Результаты вычислений с использованием приведенных выше процедур даются ниже:
В=0.
МЕТОД СРЕДНИХ ПРИ В = 0: А= 0.78985.