Академический Документы
Профессиональный Документы
Культура Документы
ru/
Оглавление
Введение
Теоретические сведения
Ход выполнения работы
Заключение
Список литературы
Размещено на http://www.allbest.ru/
Введение
N
∑ ( y i−ϕ (x i ))2=min,
i=0
N
∑ [ y i −ϕ( x i ; a1 ; a 2 ;.. . as )]=min
i=0 (1)
Ряд Тейлора:
y=a0x0+a1x1+a2x2+…+asxs
N
∑ ( y i−( a0+ a1 x ))2=min
i =0
(2)
σy
y=m y +r yx ( x−m x )=a 0 +a1 x
σx
k yx
r yx =
σx σ y
N
1
k xy = ∑ ( y −m y )( xi −mx )
N−1 i=0 i
значение интерпретаци
я
0-0.2 очень слабая
0.2-0.5 слабая
0.5-0.7 средняя
0.7-0.9 высокая
0.9-1 очень высокая
σ yi
ηxy= σ y
SSf
R2= SS
метод наименьший квадрат mathcad
Ход выполнения работы
200 0.1139
185 0.1139
185 0
175 0.3010
175 0.3010
x y
160 0.2553
150 0.2788
135 0.3010
135 0.4150
125 0.3979
b 2
a 1
c 3
9 2
f ( a b c) i i i
y a b x c x 2
i 0
Given
a
0.249
b 4.436 10 3
c 2.677 10 5
2
y7( x) a b x c x
0
0 0.066
1 0.154
2 0.154
3 0.206
y7( x) 4 0.206
5 0.274
6 0.312
7 0.36
8 0.36
9 0.386
a
b Minimizef
( a b c)
c
1000 c 1000
1000 b 1000
1000 a 1000
0.8
y 0.6
y7 ( x)0.4
0.2
0
120 140 160 180 200
x
Размещено на http://www.allbest.ru/
Далее рассчитываю
1. факторную сумму квадратов отклонений средних значений у в
каждом опыте от общего среднего значения у. Эта сумма характеризует
рассеяние групповых средних значений во всех опытах;
y7(x)i 0.24778
2
SSf
i0
SSf 0.103
yi 0.24778
2
SS
i0
SS 0.157
yi y7(x)i
2
SSr
i 0
SSr 0.054
SSf
R2
R2 0.658 SS
0.1139 200
0.0569 185
0.3010 175
y 0.2553 x 160
0.2788 150
0.358 135
0.3979 125
a
0.987
b 5.073 10
3
c 3.123 10 6
a 1
c 3
b 1
6 2
f ( a b c) i i i
y a b x c x 2
i 0
Given
1000000 a 1000000
1000000 b 1000000
1000000 c 1000000
a
b Minimizef
( a b c)
c
Размещено на http://www.allbest.ru/
0.8
y 0.6
y5 ( x)0.4
0.2
0
120 140 160 180 200
x
0.098
0.156
0.195
y5( x) 0.256
0.297
0.359
0.402
2
y5( x) a b x c x
0.8
y 0.6
y5 ( x)0.4
0.2
0
120 140 160 180 200
x
0.098
0.156
0.195
y5( x) 0.256
0.297
0.359
0.402
SSf 0.072
SSr 0.022
SS 0.093
Размещено на http://www.allbest.ru/
6
y5(x)i 0.2517
2
SSf
i0
yi y5(x)i
2
SSr
i 0
yi 0.2517
2
SS
i0
SSf
R2
SS
R2 0.78
200
0.1139
185
185 0.1139
175 0
0.3010
175
x 0.3010
160 y 0.2553
150 0.2788
135 0.3010
135 0.4150
125 0.3979
b 2
c 1
a 1
9
Given
1000 a 1000
1000000 b 1000000
a Minimizef
( a b )
b
Размещено на http://www.allbest.ru/
a 0.151
b 2.029
y7(x) 2.4a cos ( b x)
0
0 0.312
1 0.019
2 0.019
3 0.362
y7 ( x) 4 0.362
5 0.178
6 0.337
7 0.3
8 0.3
9 0.241
0.8
y 0.6
y7 ( x)0.4
0.2
0
120 140 160 180 200
x
yi 0.24778
2
SS
i0
SS 0.157
yi y7(x)i
2
SSr
i 0
SSr 0.103
y7(x)i 0.24778
2
SSf
i0
SSf 0.153
SSf
R2
SS
R2 0.97
Размещено на http://www.allbest.ru/
Величина коэффициента детерминации служит важным критерием
оценки качества линейных и нелинейных моделей. В моей работе
коэффициент детерминации равен 0.97, это значит что модель регрессии
хорошо аппроксимирует исходные данные и такой регрессионной моделью
можно воспользоваться для прогноза значений результативного показателя.
Размещено на http://www.allbest.ru/
Заключение