Моделирование систем
X ОБЪЕКТ
ОБЪЕКТ Y
УПРАВЛЕНИЯ
УПРАВЛЕНИЯ
СИСТЕМА
СИСТЕМА
УПРАВЛЕНИЯ
УПРАВЛЕНИЯ
1) постановка задачи;
2) анализ характеристик объекта управления;
3) формализация и классификация переменных;
4) составление гипотезы моделирования;
5) выбор математического аппарата моделирования;
6) разработка уравнений модели;
7) параметрическая идентификация математической модели;
8) численное решение и проверка адекватности модели;
9) формализация и решение задач управления;
10) разработка алгоритмов системы управления;
11) разработка структуры БД и программного обеспечения;
12) оценка эффективности работы системы.
𝑓(𝑥1 , … 𝑥𝑛 ) → max(min)
𝑥1 ,…𝑥𝑚
Параметры:
масса,
ускорение свободного падения,
начальная высота,
начальная скорость.
2) функцией выхода
𝑦(𝑡) = 𝜓(𝑡, 𝑢(𝑡)), (2)
где пара (𝑡, 𝑢) называется фазой или событием системы, а множество
пар {(𝑡, 𝑢)} ∈ 𝑇 × 𝑈 – фазовым пространством или пространством событий
системы.
Таким образом, система – это шестерка объектов:
∑=< 𝑇, 𝑋, 𝑈, 𝑌, 𝜑, 𝜓 > (3)
Математическое моделирование. Ч1. Л.1.4 7
3. Классификация систем
1) система стационарна, если ее реакция на входное воздействие не
зависит от того, в каком промежутке времени это воздействие имело место
(при условии, что система находится в заданном состоянии):
𝑢(𝑡) = 𝜑(𝑡0 , 𝑢0 , 𝑥 (𝑡)), 𝑦(𝑡) = 𝜓(𝑢(𝑡)) .
2) система дискретна, если 𝑇 – множество целых чисел; система
непрерывна, если 𝑇 – множество действительных чисел (континуум).
3) система конечномерна, если ее множество состояний является
конечномерным линейным пространством.
4) система линейна, если 𝑈, 𝑋, 𝑌 – линейные векторные пространства,
а 𝜑, 𝜓 линейные преобразования.
2
𝐿2∗ 2
𝑆=𝐿 , 𝑆∗ 𝑠 = 𝐿2∗ 𝑙2 , 𝑠 = 𝑙 = ∆1 𝑙2
𝑆∗
Скорость – производная координаты по времени:
𝑑𝑋 𝑋∗ 𝑑𝑥 𝑋∗ 𝑑𝑥 𝑑𝑥
𝑉= , 𝑉∗ 𝑣 = , 𝑣= = ∆2
𝑑𝑇 𝑇∗ 𝑑𝑡 𝑇∗ 𝑉∗ 𝑑𝑡 𝑑𝑡
Ускорение – производная скорости по времени:
𝑑𝑉 𝑉∗ 𝑑𝑣 𝑉∗ 𝑑𝑣 𝑑𝑣
𝐴= , 𝐴∗ 𝑎 = , 𝑎= = ∆3
𝑑𝑇 𝑇∗ 𝑑𝑡 𝑇∗ 𝐴∗ 𝑑𝑡 𝑑𝑡
Сила – произведение массы на ускорение:
𝑀∗ 𝐴∗
𝐹 = 𝑀𝐴, 𝐹∗ 𝑓 = 𝑀∗ 𝐴∗ 𝑚𝑎, 𝑓= 𝑚𝑎 = ∆4 𝑚𝑎
𝐹∗
𝑇 = 𝑇∗ 𝑡, 𝑋1 = 𝑋1 ∗ 𝑥1 , … , 𝐴1 = 𝐴∗ 𝑎1 , … , 𝐵1 = 𝐵∗ 𝑏1 , …
𝑋1 ∗ 𝑑𝑥1
= 𝐹1 (𝑋1 ∗ 𝑥1 , 𝑋2 ∗ 𝑥2 , … , 𝑇∗ 𝑡, 𝐴∗ 𝑎1 , 𝐴∗ 𝑎2 , … , 𝐵∗ 𝑏1 , 𝐵∗ 𝑏2 , … )
𝑇∗ 𝑑𝑡
𝑋2 ∗ 𝑑𝑥2 (1.2)
= 𝐹2 (𝑋1 ∗ 𝑥1 , 𝑋2 ∗ 𝑥2 , … , 𝑇∗ 𝑡, 𝐴∗ 𝑎1 , 𝐴∗ 𝑎2 , … , 𝐵∗ 𝑏1 , 𝐵∗ 𝑏2 , … )
𝑇∗ 𝑑𝑡
…
𝑋1 ∗ 𝑑𝑥1
= 𝑓1 (𝑥1 , 𝑥2 , … , 𝑡, Δ1 , Δ2 , … )
𝑇∗ 𝐹1 ∗ 𝑑𝑡
𝑋2 ∗ 𝑑𝑥2 (1.3)
= 𝑓2 (𝑥1 , 𝑥2 , … , 𝑡, Δ1 , Δ2 , … )
𝑇∗ 𝐹2 ∗ 𝑑𝑡
…
𝑇1 𝑑𝑥1
= 𝑓1 (𝑥1 , 𝑥2 , … , 𝑡, Δ1 , Δ2 , … )
𝑇∗ 𝑑𝑡
𝑇2 𝑑𝑥2 (1.3)
= 𝑓2 (𝑥1 , 𝑥2 , … , 𝑡, Δ1 , Δ2 , … )
𝑇∗ 𝑑𝑡
…
|𝐴𝑖 | ≪ |𝐴𝑗 |, 𝑖 ≠ 𝑗
𝜌(𝜇, 𝐷) = 𝑠𝑢𝑝 ∑[𝑥𝑖 (𝑡, 𝜇) − 𝑥𝑖 (𝑡, 0)]2 = 𝑠𝑢𝑝 ∑[𝑥̃𝑖 (𝑡) − 𝑥̅𝑖 (𝑡)]2 (10)
𝑡∈𝐷 𝑡∈𝐷
𝑖 𝑖
{𝑥 | 𝜇𝐴 (𝑥)}, ∀𝑥 ∈ 𝑈 (1.1)
𝑥 ∈ 𝑆𝐴 ⇔ 𝜇𝐴 (𝑥 ) > 0
𝐴𝛼 = {𝑥 ∈ 𝑈 | 𝜇𝐴 (𝑥 ) ≥ 𝛼 }, 𝛼 ∈ [0, 1]
𝑑 (𝐴, 𝐵) = ∫ | 𝜇𝐴 (𝑥 ) − 𝜇𝐵 (𝑥 )| 𝑑𝑥 (4.5)
−∞
6) Евклидово расстояние:
∞
𝑑 (𝐴, 𝐵) 𝑒(𝐴, 𝐵)
𝛿 (𝐴, 𝐵) = , 𝜀(𝐴, 𝐵) =
𝑏−𝑎 √𝑏 − 𝑎
a и b – соответственно левая и правая граница интервала.
𝑑 = {𝑑1 , … , 𝑑 𝑠 }, 𝑎 = {𝑎 1 , … , 𝑎 𝑟 }
ЕСЛИ «𝑑 = 𝑑 𝑖 » ТО «𝑎 = 𝑎 𝑗 »
Пример:
«ЕСЛИ давление пара очень высокое, ТО открыть клапан сильно»
𝑐 𝑖 = 𝑧 𝑖 ⋅ 𝐹𝑖 (3.1)
1. Система и ее свойства
2. Моделирование систем
3. Идентификация систем
2. По виду эксперимента:
- методы активного эксперимента, если возможно целенаправленно
формировать входные воздействия для исследуемого объекта;
- методы пассивного эксперимента, если можно только наблюдать и
обрабатывать входные и выходные сигналы объекта, но нельзя вмешаться
в его функционирование.
Объект
η(t)
Вектор yоб(t)
параметров b
x(t)
Модель
1. Постановка задачи
2. Метод Эйлера
3. Метод Рунге-Кутта
4. Формулы Рунге-Кутта
5. Метод Рунге-Кутта для системы дифференциальных уравнений
1. Постановка задачи
𝑦 ′ = 𝑓(𝑥, 𝑦) (1.1)
𝑦(𝑥0 ) = 𝑦0 (1.2)
𝑑𝑦 𝑦(𝑥 + ∆𝑥 ) − 𝑦(𝑥)
= 𝑙𝑖𝑚
𝑑𝑥 ∆𝑥→0 ∆𝑥
Выберем ∆𝑥 = ℎ – достаточно малый шаг, ℎ > 0. В соответствии с (1.1)
𝑦 (𝑥 + ℎ ) − 𝑦 (𝑥 )
≈ 𝑓(𝑥, 𝑦)
ℎ
𝑦(𝑥 + ℎ) = 𝑦(𝑥 ) + ℎ𝑓 (𝑥, 𝑦) (2.1)
1
𝑦𝑛+1 = 𝑦𝑛 + (𝐾1 + 𝐾2 )
2
(2.3)
𝐾1 = ℎ𝑓 (𝑥𝑛 , 𝑦𝑛 )
𝐾2 = ℎ𝑓 (𝑥𝑛 + ℎ, 𝑦𝑛 + 𝐾1 )
′
(𝑥 − 𝑥0 )2 𝑦0 ′′ (𝑥 − 𝑥0 )𝑠 𝑦0 (𝑠)
𝑦(𝑥 ) = 𝑦0 + (𝑥 − 𝑥0 )𝑦0 + + ⋯+ + 𝑜(|𝑥 − 𝑥0 |𝑠+1 )
2! 𝑠!
Пусть решение ищется в точке 𝑥 = 𝑥0 + ℎ, ℎ > 0
Обозначив ℎ = 𝑥 − 𝑥0 и отбросив 𝑜(|𝑥 − 𝑥0 |𝑠+1 ), получим
ℎ2 ′′
′
ℎ 𝑠 (𝑠)
𝑦(𝑥0 + ℎ) ≅ 𝑦0 + ℎ𝑦0 + 𝑦0 + ⋯ + 𝑦0 (3.1)
2! 𝑠!
𝑞 ≥ 1, 𝑖 = ̅̅̅̅̅
1, 𝑞,
𝛼𝑖 , 𝛽𝑖𝑗 – некоторые постоянные (𝛼1 = 0, 𝛽11 = 0)
Математическое моделирование. Ч1. Л.1.6 6
Таким образом, функции (3.3) имеют вид:
𝐾1 = ℎ𝑓(𝑥0 , 𝑦0 )
𝐾2 = ℎ𝑓(𝑥0 + 𝛼2 ℎ, 𝑦0 + 𝛽21 𝐾1 )
𝐾3 = ℎ𝑓(𝑥0 + 𝛼3 ℎ, 𝑦0 + 𝛽31 𝐾1 + 𝛽32 𝐾2 ) (3.4)
…
𝐾𝑞 = ℎ𝑓(𝑥0 + 𝛼𝑞 ℎ, 𝑦0 + 𝛽𝑞1 𝐾1 + ⋯ + 𝛽𝑞,𝑞−1 𝐾𝑞−1 )
𝜑 (𝑠+1) (0) ≠ 0
̅̅̅̅̅
Выбор коэффициентов 𝛼𝑖 , 𝛽𝑖𝑗 (𝑖 = 2, 𝑞, 𝑗 = ̅̅̅̅̅̅̅̅̅̅
1, 𝑞 − 1 ) и 𝑃𝑖 (𝑖 = ̅̅̅̅̅
1, 𝑞 ) в (3.2),
(3.4) подчиняется условию максимума 𝑠.
Математическое моделирование. Ч1. Л.1.6 8
При выполнении условий (4.2) величина 𝑠 задает порядок точности
формулы, а погрешность пропорциональна 𝑂(ℎ 𝑠+1 ).
Замечание. Выполнение равенств (4.2) для всех значений 𝑞 из
формулы (3.2) одновременно обеспечить невозможно, поэтому будем
получать различные формулы разной точности, полагая 𝑞 = 1,2 …
1) 𝑞 = 1: 𝑦(𝑥0 + ℎ) = 𝑦0 + 𝑃1 𝐾1 (ℎ) = 𝑦0 + 𝑃1 ℎ 𝑓(𝑥0 , 𝑦0 )
𝜑 ′ (0) = 0 при 𝑃1 = 1
𝜑 ′ (0) = 0 ⟹ 𝑃1 + 𝑃2 = 1
1 1
𝜑 ′′ (0) = 0 ⟹ 𝛼2 𝑃2 = , 𝛽21 𝑃2 =
2 2
𝜑 (3) (0) ≠ 0 ⟹ погрешность − 𝑂(ℎ3 )
1-й вариант:
1
𝛼2 = 𝛽21 = 1, 𝑃1 = 𝑃2 =
2
1
𝑦(𝑥0 + ℎ) = 𝑦0 + (𝐾1 + 𝐾2 )
2
(4.5)
𝐾1 = ℎ𝑓 (𝑥0 , 𝑦0 )
𝐾2 = ℎ𝑓 (𝑥0 + ℎ, 𝑦0 + 𝐾1 )
1
𝑦(𝑥0 + ℎ) = 𝑦0 + (𝐾1 + 4𝐾2 + 𝐾3 )
6
(
𝐾1 = ℎ𝑓 𝑥0 , 𝑦0 )
(4.7)
1 1
𝐾2 = ℎ𝑓 (𝑥0 + ℎ, 𝑦0 + 𝐾1 )
2 2
𝐾3 = ℎ𝑓 (𝑥0 + ℎ, 𝑦0 − 𝐾1 + 2𝐾2 )
1
𝑦(𝑥0 + ℎ) = 𝑦0 + (𝐾1 + 2𝐾2 + 2𝐾3 + 𝐾4 )
6
𝐾1 = ℎ𝑓 (𝑥0 , 𝑦0 )
1 1
𝐾2 = ℎ𝑓 (𝑥0 + ℎ, 𝑦0 + 𝐾1 ) (4.8)
2 2
1 1
𝐾3 = ℎ𝑓 (𝑥0 + ℎ, 𝑦0 + 𝐾2 )
2 2
𝐾4 = ℎ𝑓 𝑥0 + ℎ, 𝑦0 + 𝐾3 )
(
𝑦 ′ = 𝑓 (𝑥, 𝑦, 𝑧)
{ ′ (5.1)
𝑧 = 𝑔(𝑥, 𝑦, 𝑧)
𝑦(𝑥0 ) = 𝑦0
{ (5.2)
𝑧(𝑥0 ) = 𝑧0
(𝑥 − 𝑥0 )2 𝑦0 ′′ (𝑥 − 𝑥0 )𝑠 𝑦0 (𝑠)
𝑦(𝑥 ) = 𝑦0 + (𝑥 − 𝑥0 )𝑦0 ′ + + ⋯+ + 𝑜(|𝑥 − 𝑥0 |𝑠+1 )
2! 𝑠!
′
(𝑥 − 𝑥0 )2 𝑧0 ′′ (𝑥 − 𝑥0 )𝑠 𝑧0 (𝑠)
𝑧(𝑥 ) = 𝑧0 + (𝑥 − 𝑥0 )𝑧0 + + ⋯+ + 𝑜(|𝑥 − 𝑥0 |𝑠+1 )
2! 𝑠!
′
ℎ2 ′′ ℎ 𝑠 (𝑠)
𝑦(𝑥0 + ℎ) ≅ 𝑦0 + ℎ𝑦0 + 𝑦0 + ⋯ + 𝑦0
2! 𝑠!
′
ℎ2 ′′ ℎ 𝑠 (𝑠)
𝑧(𝑥0 + ℎ) ≅ 𝑧0 + ℎ𝑧0 + 𝑧0 + ⋯ + 𝑧0
2! 𝑠!
𝑞
𝑦(𝑥0 + ℎ) = 𝑦0 + ∑ 𝑃𝑖 𝐾𝑖 (ℎ)
𝑖=1
𝑧(𝑥0 + ℎ) = 𝑧0 + ∑ 𝑅𝑖 𝐿𝑖 (ℎ)
𝑖=1
1
𝑦(𝑥0 + ℎ) = 𝑦0 + (𝐾1 + 2𝐾2 + 2𝐾3 + 𝐾4 )
6
1
𝑧(𝑥0 + ℎ) = 𝑧0 + (𝐿1 + 2𝐿2 + 2𝐿3 + 𝐿4 )
6
𝐾1 = ℎ𝑓(𝑥0 , 𝑦0 , 𝑧0 )
𝐿1 = ℎ𝑔(𝑥0 , 𝑦0 , 𝑧0 )
1 1 1
𝐾2 = ℎ𝑓 (𝑥0 + ℎ, 𝑦0 + 𝐾1 , 𝑧0 + 𝐿1 )
2 2 2
(5.3)
1 1 1
𝐿2 = ℎ𝑔 (𝑥0 + ℎ, 𝑦0 + 𝐾1 , 𝑧0 + 𝐿1 )
2 2 2
1 1 1
𝐾3 = ℎ𝑓 (𝑥0 + ℎ, 𝑦0 + 𝐾2 , 𝑧0 + 𝐿2 )
2 2 2
1 1 1
𝐿3 = ℎ𝑔 (𝑥0 + ℎ, 𝑦0 + 𝐾2 , 𝑧0 + 𝐿2 )
2 2 2
𝐾4 = ℎ𝑓 (𝑥0 + ℎ, 𝑦0 + 𝐾3 , 𝑧0 + 𝐿3 )
𝐿4 = ℎ𝑔(𝑥0 + ℎ, 𝑦0 + 𝐾3 , 𝑧0 + 𝐿3 )
𝑥1 … 𝑥𝑖 … 𝑥𝑛
𝑦1 𝑝(𝑥1 , 𝑦1 ) 𝑝(𝑥𝑖 , 𝑦1 ) 𝑝(𝑥𝑛 , 𝑦1 )
…
𝑦𝑗 𝑝(𝑥1 , 𝑦𝑗 ) 𝑝(𝑥𝑖 , 𝑦𝑗 ) 𝑝(𝑥𝑛 , 𝑦𝑗 )
…
𝑦𝑚 𝑝(𝑥1 , 𝑦𝑚 ) 𝑝(𝑥𝑖 , 𝑦𝑚 ) 𝑝(𝑥𝑛 , 𝑦𝑚 )
𝜕 2 𝐹 (𝑥, 𝑦)
𝑓(𝑥, 𝑦) =
𝜕𝑥𝜕𝑦
𝑿 𝒀
13 18 24 16 17 15 20 23
15 13 15 12 11 13 16 18
18 15 19 12 12 17 14 16
20 9 7 11 13 12 10 8
23 10 12 11 14 9 13 15
26 5 9 7 6 7 12 10
31 10 6 3 2 2 4 8
Х 13 15 18 20 23 26 31
Среднее значение Y 19 14 15 10 12 8 5
16
(18; 15)
14
(15; 14)
12 (23; 12)
10
Y
(20; 10)
8
(26; 8)
6
(31; 5)
4
0
0 5 10 15 20 25 30 35
Х
Номер столбца
Величина Сумма Средняя
1 2 3 4 5 6 7
х 13 15 18 20 23 26 31 146 𝑥̅ = 20,86
y 19 14 15 10 12 8 5 83 𝑦̅ = 11,86
x2 169 225 324 400 529 676 961 3284 ̅̅̅2 = 469,14
𝑥
y2 361 196 225 100 144 64 25 1115 ̅̅̅
𝑦 2 = 159,29
xy 247 210 270 200 276 208 155 1566 ̅̅̅ = 223,71
𝑥𝑦
𝑦̂𝑥 = 𝜃0 + 𝜃1 𝑥 (3.1)
С учетом такой зависимости значения 𝑦𝑖 величины 𝑌 можно
выразить в виде 𝑦𝑖 ≈ 𝑦̂(𝑥𝑖 ), а пары значений – (𝑥𝑖 , 𝑦̂(𝑥𝑖 )).
1
∑ 𝑥𝑖 𝑦𝑖 − ∑ 𝑥𝑖 ∑ 𝑦𝑖
𝜃̂1 = 𝑛 (3.4)
1
∑ 𝑥𝑖 2 − (∑ 𝑥𝑖 )2
𝑛
𝑛 𝑛
1 𝜃1
𝜃̂0 = ∑ 𝑦𝑖 − ∑ 𝑥𝑖 (3.5)
𝑛 𝑛
𝑖=1 𝑖=1
Иначе,
̅̅̅̅̅̅
𝑥 ∙ 𝑦 − 𝑥̅ ∙ 𝑦̅
𝜃̂1 = (3.6)
𝐷в (𝑋)
18
16
14
12
10
Y
6
y = -0,6914x + 26,3
4 R² = 0,8725
0
0 5 10 15 20 25 30 35
Х
𝑦̂(𝑥) = 𝜃0 + 𝜃1 𝑥 (1.1)
̅̅̅̅̅
𝑦(𝑥𝑖 ) = 𝜃0 + 𝜃1 𝑥𝑖 + 𝜉𝑖 , 𝑖 = 1, 𝑛 (1.2)
𝑦(𝑥1 ) = 𝜃0 + 𝜃1 𝑥1 + 𝜉1
𝑦(𝑥2 ) = 𝜃0 + 𝜃1 𝑥2 + 𝜉2
…
𝑦(𝑥𝑛 ) = 𝜃0 + 𝜃1 𝑥𝑛 + 𝜉𝑛
или 𝑦 = 𝐶𝜃 + 𝜉 (1.3)
1 𝑥1
𝐶 = (… … ) – матрица измерений
1 𝑥𝑛
𝐶 𝑇 𝑦 = 𝐶 𝑇 𝐶𝜃 (1.5)
𝜃 = (𝐶 𝑇 𝐶)−1 𝐶 𝑇 𝑦 (1.6)
𝑦 − 𝐶𝜃 = 𝜉 (1.7)
𝜕𝐼(𝜃)
=0
𝜕𝜃
𝐼 (𝜃 ) = 𝜉 2
𝜕𝐼 𝜕𝜉
= 2𝜉 = −2𝐶 𝑇 (𝑦 − 𝐶𝜃) = 0
𝜕𝜃 𝜕𝜃
Математическое моделирование. Ч2. Л4. 6
𝑦 − 𝐶𝜃 = 0 ⟹ 𝐶𝜃 = 𝑦
𝐶 𝑇 𝐶𝜃 = 𝐶 𝑇 𝑦
𝑛
𝑛𝜃0 𝜃1 ∑ 𝑥𝑖
𝑖=1
𝐶 𝑇 𝐶𝜃 = 𝑛 𝑛
𝜃0 ∑ 𝑥𝑖 𝜃1 ∑ 𝑥𝑖 2
( 𝑖=1 𝑖=1 )
𝑛
∑ 𝑦𝑖
𝑖=1
𝐶𝑇𝑦 = 𝑛 , 𝑦𝑖 = 𝑦(𝑥𝑖 )
∑ 𝑥𝑖 𝑦𝑖
( 𝑖=1 )
𝑛𝜃0 + 𝜃1 ∑ 𝑥𝑖 = ∑ 𝑦𝑖
𝑖=1 𝑖=1
𝑛 𝑛 𝑛 (1.10)
𝜃0 ∑ 𝑥𝑖 + 𝜃1 ∑ 𝑥𝑖 2 = ∑ 𝑥𝑖 𝑦𝑖
{ 𝑖=1 𝑖=1 𝑖=1
1
∑ 𝑥𝑖 𝑦𝑖 − ∑ 𝑥𝑖 ∑ 𝑦𝑖
𝜃̂1 = 𝑛 (1.12)
1
∑ 𝑥𝑖 2 − (∑ 𝑥𝑖 )2
𝑛
В формуле (1.12) суммирование от 1 до 𝑛.
x1 y1
x2 Охарактеризуйте системы на
A y2 рис. 1–3. Моделирование какой из
... … них осуществляется с помощью
xm yn рассмотренного алгоритма?
Рис. 3
x1
x2 y
A
…
xm
𝑦 = 𝐶𝜃 + 𝜉 (2.2)
𝜕𝐼(𝜃)
=0
𝜕𝜃
или 𝐶 𝑇 𝐶𝜃 = 𝐶 𝑇 𝑦 (2.4)
𝐿 = (𝐶 𝑇 𝐶 )−1 𝐶 𝑇 (2.6)
𝑀𝜉𝜉 𝑇 = 𝜎 2 ∙ 𝐸
𝑀𝜉𝜉 𝑇 = 𝜎 2 ∙ 𝐾
𝑦̂ = 𝜃0 + 𝜃1 𝑥1 + 𝜃2 𝑥2 + ⋯ + 𝜃𝑚 𝑥𝑚
Вектор остатков:
𝜀 = 𝑦 − 𝑦̂
Вектор отклонений:
𝛿 = 𝑦 − 𝑦̅
Коэффициент детерминации
2
𝜀𝑇𝜀
𝑅 =1− 𝑇
𝛿 𝛿
Коэффициент детерминации характеризует долю дисперсии
результативного признака, объясненную регрессией, в общей дисперсии
результативного признака.
Математическое моделирование Л.6. 1
Анализ данных —> Регрессия
Уравнение регрессии:
𝑆𝑦 = ∑(𝑦𝑖 − 𝑦̅)2
𝑖=1
𝑆𝑒 = ∑(𝑦𝑖 − 𝑦̂𝑖 )2
𝑖=1
70
60
50
y = 4,172x + 31,782
Y 40
R² = 0,5524
30
20
10
0
0 1 2 3 4 5 6 7 8 9 10
X
𝑅 = √𝑅2
R-квадрат – коэффициент детерминации:
𝑆𝑒
𝑅2 = 1 −
𝑆𝑦
Нормированный R-квадрат – коэффициент детерминации,
скорректированный на величину выборки:
2 𝑠2𝑒 𝑛−1
𝑅𝑎𝑑𝑗 =1− 2 =1− (1 − 𝑅2 )
𝑠 𝑦 𝑛−𝑚−1
Стандартная ошибка – оценка s для СКО 𝜎 ошибки:
𝑆𝑒
𝑠𝑒 = √ = √𝑠 2 𝑒
𝑛−𝑚−1
Последствия мультиколлинеарности:
матрица (𝐶 𝑇 𝐶) может являться невырожденной, но величина её
определителя мала и, как следствие, элементы обратной матрицы
(𝐶 𝑇 𝐶)−1 становятся очень большими. В результате получаются
большие дисперсии коэффициентов 𝜃𝑗 ;
оценки 𝜃𝑗 чувствительны к незначительному изменению результатов
наблюдений и объема выборки (могут меняться не только по
величине, но и по знаку), что делает модель непригодной для
анализа и прогнозирования;
уменьшаются t-статистики коэффициентов, и оценка их значимости
по t-критерию теряет смысл, хотя в целом регрессионная модель
может оказаться значимой по F-критерию.
𝑥
̅̅̅̅̅
𝑖 𝑥𝑗 − 𝑥̅𝑖 𝑥̅𝑗
𝑟𝑥𝑖 𝑥𝑗 =
𝜎𝑥𝑖 𝜎𝑥𝑗
Таким образом выявляются пары переменных, имеющих высокие
коэффициенты корреляции (>0,7). Если такие переменные существуют, то
в модели наблюдается явление мультиколлинеарности.
1 0 … 0
0 1 … 0
det 𝑅𝑥 = | |=1
… … … …
0 0 … 1
Если между факторами существует функциональная зависимость, то
все коэффициенты корреляции равны единице, определитель равен нулю:
1 1 … 1
1 1 … 1
det 𝑅𝑥 = | |=0
… … … …
1 1 … 1
Следовательно, чем ближе определитель det 𝑅𝑥 к нулю, тем сильнее
мультиколлинеарность факторов и наоборот.
1. Лингвистическая переменная
2. Виды функций принадлежности
3. Моделирование систем с нечетким регулятором
1) s-функция
0, если 𝑥 ≤ 𝛼
𝑥−𝛼 2
2( ) , если 𝛼 < 𝑥 ≤ 𝛽
𝛾−𝛼
𝑠(𝑥, 𝛼, 𝛽, 𝛾) = (2.1)
𝑥−𝛾 2
1 − 2( ) , если 𝛽 < 𝑥 < 𝛾
𝛾−𝛼
{ 1, если 𝑥 ≥ 𝛾
μ(x)
1 Индекс нечеткости s-функции
1
𝜉 (𝐴) = (𝛾 − 𝛼)
3
α U
β γ
α U
β γ
U s, z и π-функции называются
γ-β γ γ+β
сплайн-функциями
Примеры функций L и R:
μ(x) 𝑝
1 𝐿(𝑥 ) = 𝑒 −|𝑥| , 𝑝 ≥ 0
или 𝐿(𝑥 )
1 при 𝑥 ∈ [−1,1]
={
0 в ост. случаях
1
U 𝑅 (𝑥 ) = ,𝑝 ≥ 0
aL a' a'' aR 1 + |𝑥|𝑝
μ(x) μ(x)
1 1
U U
aL a' a'' aR aL a aR
Нечеткий
регулятор
База правил
Х 𝑥1 𝑥2 … 𝑥𝑘
P 𝑝1 𝑝2 … 𝑝𝑘
𝑀(𝑋) = ∑ 𝑥𝑖 ∙ 𝑝𝑖 (1.1)
𝑖=1
𝜎 3 √2𝜋
𝑓 ′ (𝑥 ) = 0 при 𝑥 = 𝑎, 𝑓 ′ (𝑥 ) > 0 при 𝑥 < 𝑎, 𝑓 ′ (𝑥 ) < 0 при 𝑥 > 𝑎, значит,
при 𝑥 = 𝑎 функция имеет максимум:
1
𝑓 (𝑎 ) =
𝜎√2𝜋
5) (𝑥 − 𝑎)2 , т.е. график симметричен относительно прямой 𝑥 = 𝑎.
6) 𝑓 ′′ (𝑥 ) = 0 при 𝑥 = 𝑎 + 𝜎 и 𝑥 = 𝑎 − 𝜎. При переходе через эти точки
𝑓 ′′ (𝑥 ) меняет знак, таким образом, найдены точки перегиба.
𝑓 (𝑎 + 𝜎) = 𝑓(𝑎 − 𝜎) = 1⁄𝜎√2𝜋𝑒
Математическое моделирование. Ч2. Л1. 11
Влияние параметров нормального распределения
на форму кривой Гаусса
1) Изменение математического ожидания 𝑎 не изменяет формы
нормальной кривой, а приводит к ее сдвигу вдоль оси Ох: вправо, если 𝑎
возрастает, и влево, если 𝑎 убывает.
2) С возрастанием 𝜎 максимальная ордината нормальной кривой
убывает, а сама кривая становится более пологой, т. е. сжимается к оси
Ох; при убывании 𝜎 нормальная кривая становится более острой и
растягивается в положительном направлении оси Оу.
3) При любых значениях параметров 𝑎, 𝜎 площадь, ограниченная
нормальной кривой и осью х, всегда равна единице.
4) Асимметрия и эксцесс нормального распределения всегда равны
нулю.
0 при 𝑥 < 0
𝐹 (𝑥 ) = { (4.2)
1 − 𝑒 −𝜆𝑥 при 𝑥 ≥ 0
𝜒 2 = ∑ 𝑋𝑖2
𝑖=1
Если эти величины связаны линейным соотношением, то число
степеней свободы равно 𝑘 = 𝑛 − 1.
Плотность распределения:
0 при 𝑥 ≤ 0
𝑓 (𝑥 ) = { 1 (4.3)
⁄
𝑒 −𝑥⁄2 𝑥 (𝑘⁄2)−1 при 𝑥 > 0
2 Γ(𝑘 ⁄2)
𝑘 2
∞
где Γ(𝑥 ) = ∫0 𝑡 𝑥−1 𝑒 −𝑡 𝑑𝑡 – гамма-функция, в частности Γ(𝑛 + 1) = 𝑛!
Распределение 𝜒 2 определяется числом степеней свободы k. С
увеличением k распределение медленно приближается к нормальному.
где 𝑘 = 1, 2, 3, 4
𝛩̂ = 𝜓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) (2.5)
𝑥𝑖 5 15 25 35 45 55 65
𝑛𝑖 365 245 150 100 70 45 25
ln 𝐿 = 𝑛 ln 𝜆 − 𝜆 ∑ 𝑥𝑖
𝑖=1
𝑛
𝜕 ln 𝐿 𝑛
= − ∑ 𝑥𝑖 = 0
𝜕𝜆 𝜆
𝑖=1
𝑛
𝑛 𝑛 1 1
= ∑ 𝑥𝑖 ⟹ 𝜆 = = =
𝜆 ∑ 𝑥𝑖 𝑥̅ 20
𝑖=1
𝜕 2 ln 𝐿 𝑛
= − < 0 ⟹ 𝜆 − точка максимума
𝜕𝜆2 𝜆2
Ответ: 1/20.
𝑛
(𝑥𝑖 − 𝑥̅ )2
𝑠 = √∑ (3.2)
𝑛−1
𝑖=1
K
kкр 0
K
k1 0 k2
Рисунок 1 – Правосторонняя, левосторонняя и двусторонняя
критические области
𝑟в √𝑛 − 2 0,4√122 − 2
𝑇набл = = = 4,78
√1 − 𝑟в2 √ 1 − 0,16