- •В.М. Еськов
- •Часть 2
- •Лабораторная работа № 8. Функция распределения. Гистограмма
- •Практическое значение выполняемых исследований.
- •Литература
- •Блок информации
- •Лабораторная работа № 9. Расчет доверительного интервала на эвм
- •Практическое значение выполняемых исследований
- •Литература
- •Бюджет времени
- •Блок информации
- •Блок информации
- •Лабораторная работа № 11
- •Статистическая проверка гипотез в экологии
- •Практическое значение выполняемых исследований
- •Литература
- •Бюджет времени
- •Блок информации
- •Лабораторная работа №13 Элементы дисперсионного анализа (да)
- •Практическое значение выполняемых исследований
- •Бюджет времени
- •Блок информации
- •1. Общие задачи идентификации параметров порядка и русел биосистем, находящихся в некоторых аттракторах состояний.
- •2. Нейрокомпьютерные технологии в идентификации пп для всоч.
- •3. Системный синтез в рамках компартментно – кластерного подхода.
- •Практическое значение выполняемых исследований
- •Бюджет времени
- •Литература
Блок информации
Сглаживание экспериментальных зависимостей можно выполнять методом наименьших квадратов. Уравнение регрессии может быть линейным, квадратичным и др. Рассмотрим простейший случай зависимости y=kx+b. Часто требуется построение графиков по эмпирическим данным или экспериментальное подтверждение известным из теории функциональным зависимостям между физическими величинами. Например, известна зависимость сопротивления металлов от температуры
(10.1)
которую можно записать в виде линейной зависимости
y=ax+b, (10.2)
где у=Rt, x=t, b=Ro, a=Ro. Часто популяционный рост на небольших участках времени также аппроксимирует такой линейной зависимосьтью.
В общем случае экспериментальных измерениях получают множество xi и соответствующих им yi (в данном случае ti и Rti). Однако, существуют случайные отклонения (ошибки) и, как следствие, разброс точек, т.е. вместо гладкой линии получается ломаная кривая. Для усреднения эмпирических зависимостей и получения наиболее реального графика используют графический, арифметический, алгебраический способы выравнивания экспериментальных данных. Наиболее точный из них- алгебраический, метод наименьших квадратов. В этом случае составляют сумму квадратов отклонений эмпирических значений yi от предполагаемых теоретических f(xi) и требуют минимума этой суммы, т.е.
(10.3)
где Wmin, n- число измерений
При этом отдельные точки могут значительно отклоняться от графика (см. рис. 10.1), но, в целом, вся совокупность точек отклоняется на минимальное расстояние.
Так как в функцию f(x) входят параметры a,b, .., т.е. f(x,a,b...), то минимизируют по параметрам, используя необходимое условие экстремума функции W=W(a, b):
(10.4)
Поясним выше сказанное на конкретном примере зависимости (10.2). Здесь после подстановки f(x) имеем:
,
тогда
или
(10.5)
а
или
(10.6)
Получим систему двух уравнений (10.5)и (10.6) относительно неизвестных a и b (yi,xi получены в эксперименте). Эта система имеет вид:
Рис.10.1. Реализация метода наименьших квадратов
где
.
Тогда получим
Из решения этой системы уравнений можно получить для примера (10.1) значения параметров R0 и a:
(10.7)
и температурный коэффициент
(10.8)
Зная Ro и легко построить график зависимости R=R(t). Отметим, что зависимость среднего значения какой- либо величины (например, R) от некоторой другой величины (t) называется регрессией y=u(х). Уравнение y=u(х), в котором х играет роль "независимой" переменной называется уравнением регрессии, а соответствующий график- линией регрессии величины у по х. Если регрессия у по х линейная, то можно записать, что
,
где my mx- математическое ожидание х и у, x2 y2- дисперсии х и у, r- коэффициент корреляции между х и у. Существенно, что для нормального совместного распределения обе линии регрессии y=u(х) и х=v(у) являются прямыми. Понятие коэффициента корреляции r раскрывается в следующей работе.
Приложение 1
ПРОГРАММА ОПРЕДЕЛЕНИЯ КОЭФФИЦИЕНТОВ
ЛИНЕЙНОЙ РЕГРЕССИИ
REM ************ f(x)=kx+b ********************
CLS
INPUT "введите количество n : ", n
DIM x(n): DIM y(n)
REM ********* заполнение массивов *************
FOR i = 1 TO n
PRINT "x ("; i; ") ="; : INPUT "", x(i)
PRINT "y ("; i; ") ="; : INPUT "", y(i)
NEXT i
REM *******************************************
REM********************************************
FOR i = 1 TO n
L = L - x(i) * y(i): REM L=S(-yx)
M = M + x(i) * x(i): REM M=S(x¤)
NN = NN + x(i): REM NN=S(x)
R = R + y(i): REM R=S(y)
NEXT i
REM *******************************************
REM********************************************
k = (L * n + R * NN) / (NN ^ 2 - M * n)
b = (R - k * NN) / n
PRINT "Имеем зависимость вида: y = k * x + b, где"
PRINT "k = "; k
PRINT "b = "; b