- •Конспект лекций
- •Владикавказ
- •Математическое моделирование элементов сложных экологических систем
- •Лекция 1. Введение в моделирование. Исторический экскурс.
- •1. Основы моделирования в экологии 1.1. Общие принципы построения моделей в экологии
- •Лекция 2.
- •2.1. Элементы моделирования
- •2.2. Этапы построения математической модели
- •1.4. Элементы теории подобия, применяемые в моделировании
- •Лекция 3
- •3.2. Экологические модели
- •3.2.1. Основы экологометрики
- •3.2.2. Выборочный метод в экологометрике.
- •Зависимость числа интервалов от объема выборки
- •Статистический ряд по интервалам
- •Лекция 4. Статистические оценки параметров распределения случайных величин по выборкам
- •4.4. Статистические оценки гипотез об экологических моделях
- •Определение вариантов выборок
- •Выборка из генеральной совокупности
- •Статистическая таблица
- •Лекция 5.
- •Результаты эксперимента
- •Статистическая таблица эксперимента
- •Пример преобразования членов уравнения регрессии
- •Вычисление данных для линеаризации уравнения регрессии
- •Нормальные уравнения мнк для некоторых функций
- •Статистическое оценивание уравнения регрессии и парной корреляции.
- •Обработка результатов наблюдений
- •Лекция 6.
- •Рекомендации по выбору вида функции
- •3.4. Динамические статистические модели
- •Посадка леса
- •Данные по объему сброса качественных сточных вод
- •Данные по объему сброса сточных вод за 5-летие
- •Пример расчета 5-летних средних
- •Условное обозначение времени
- •Расчетные значения для определения уравнения динамики
- •Ряд динамики для определения сезонных колебаний
- •Лекция 7. Многофакторные эколого-математические модели. Анализ влияния отдельных факторов в экологической модели.
- •Эксперименталъный материал исследования
- •Результаты проведенных опытов
- •8.1. Анализ влияния отдельных факторов в экологической модели.
- •Лекция 9. Методы оптимизации. Метод Лагранжа
- •Лекция 10. Метод линейного программирования.
- •Лекция 11. Функциональные модели.
- •Лекция 12. Модели процессов содержащие обыкновенные дифференциальные уравнения.
- •Численные ошибки использованных для вычисления данных
- •Лекция 13. Статистические модели динамики.
- •Лекция 14. Балансовые модели.
- •Лекция 15.
- •Лекция 16. Информационные технологии в экологии. Экологические информационные системы.
- •1 6.1. Экологические информационные системы
- •1. Какова область значения для числовых характеристик?
- •Лекция 17. Использование информационных технологий для решения задач экологии.
- •Специальные приложения.
- •Значение функции
- •Значение критерия
- •Значение критерия
- •Критические значения коэффициента корреляции rk;α
- •2. Основы теории подобия
- •2.1. Подобие физических явлений и его признаки
- •2.2. Анализ размерностей
- •2.3. Первая теорема подобия
- •2.4. Применение методов подобия в математическом
- •11.3. Численные методы решения дифференциальных уравнений
- •11.3.1. Постановка задачи
- •11.3.2. Процесс численного решения
- •11.3.3. Метод Эйлера
- •11.3.4. Модифицированный метод Эйлера
- •11.3.5. Метод Рунге – Кутта
- •11.3.6. Метод Рунге – Кутта для систем дифференциальных уравнений
- •11.3.7. Общая характеристика одношаговых методов
- •3.8. Многошаговые методы
- •11.3.9. Методы прогноза и коррекции
- •11.3.10. Краткая характеристика методов прогноза и коррекции.
- •11.3.11. Выбор шага и погрешность решения.
- •11.3.12. Жесткие задачи
- •11.4. Имитационное моделирование систем
- •11.4.1. Принципы имитационного моделирования
- •11.4.2. Объекты моделирования
- •11.4.3. Динамическая модель исследуемого объекта
- •11.4.4. Построение имитационных моделей динамических систем
- •11.4.5. Преобразование передаточных функций звеньев в дифференциальные уравнения в форме Коши
- •11.4.6. Синтез имитационной модели на основе структурной схемы
- •11.5. Теоретические основы построения математических моделей систем
- •11.5.1. Компонентные и топологические уравнения
- •11.5.2. Компонентные и топологические уравнения механической системы
- •11.5.3. Компонентные и топологические уравнения электрической системы
- •11.5.4. Компонентные и топологические уравнения гидравлической системы
- •11.5.5. Компонентные и топологические уравнения тепловой системы
- •11.6. Метод электроаналогий
- •11.6.1. Сущность метода электроаналогий.
- •11.6.2. Электромеханические аналогии
- •11.6.3. Построение имитационных моделей методом электроаналогий
- •11.6.4. Плоское прямолинейное движение звеньев
- •11.6.5. Электрогидравлические аналогии
- •11.6.6. Электротепловые аналогии
- •Литература
Результаты проведенных опытов
№ п.п. |
Уровни факторов |
Значение |
Опытное среднее |
Значение из уравнения регрессии | ||||
x1 |
x2 |
y1 | ||||||
1 2 3 |
1,0 |
0,2 |
18,2 18,6 18,7 |
331,40 345,96 349,69 |
18,5 |
18,4 |
-0.2 0,2 0,3 |
0,04 0,04 0,09 |
4 5 6 |
2,0 |
0,4 |
21,6 23,4 23,7 |
466,56 547,56 561,69 |
22,9 |
22,8 |
-1,2 0,6 0,9 |
1,44 0,36 0,81 |
7 8 9 |
2,5 |
0,3 |
22,0 23,0 22,5 |
484,00 529,00 506,25 |
22,5 |
22,6 |
-0,6 0,4 -0,1 |
0,36 0,16 0,01 |
Сумма |
191,7 |
4122,11 |
- |
- |
- |
- |
- |
3,31 |
Вычисляем FB — статистику
При уровне значимости α = 0,10 и числе степеней свободы
K1 = n - 1 = 9 - 1 = 8 и k2 = n - k - 1 = 9 - 3 - 1 =5 (см. приложение 6) находим = 3,3393, так как FB = 7,34 ≥ = 3,3393, то гипотеза о значимости уравнения регрессии принимается.
Множественный корреляционный анализ. При множественном корреляционном анализе можно вычислить два типа парных коэффициентов регрессии:
1)— коэффициент, определяющий тесноту связи между функцией отклика у и одним из факторов хi;
2)— коэффициент, показывающий на связь между двумя
факторами хi и хm (i, m = 1,k ). Их величины вычисляются по формулам
где
Если ввести обозначения
то
Проверка значимости коэффициентов корреляции может производиться:
а) сравнением статистического значения с табличным , значимость коэффициента корреляции устанавливается исходя из условия
где выбирается по таблице (см. приложение 10) при уровне значимости α и числе степеней свободы k = n - 2;
б) сравнением статистики tα с табличным значением t-кри- терия при уровне значимости α и числе степеней свободы k = n - 2, значимость коэффициента корреляции устанавливается исходя из условия
где величина tв выбирается по таблице (см. приложение 2), а среднеквадратич-ное отклонение коэффициента корреляции определяется по формуле
.
Для парных коэффициентов корреляции может быть определен доверитель-ный интервал по формуле
где р — парный коэффициент корреляции генеральной совокупности.
Последовательно вычисляя значения всех парных коэффициентов, строим матрицу коэффициентов корреляции
С помощью матрицы Rk вычисляют частные коэффициенты корреляции, показывающие степень влияния одного из факторов хi на функцию отклика Y при условии, что остальные факторы имеют постоянные значения.
Частные коэффициенты определяются по формуле
где Dij — определитель матрицы Rk образованный вычеркиванием первой строки и j-того столбца для каждого определителя соответственно. Аналогично вычисляются и определители D11 и Djj. Значимость коэффициентов частной корреляции и доверитель- ный интервал вычисляются так же, как и для коэффициентов пар- ной корреляции, но число степеней свободы для критерия ta;k при- нимается равным k = (n - 2) - р -1, где (р-1) — порядок частного коэффициента парной корреляции.
Если необходимо изучить степень тесноты связи между функ- цией отклика Y и несколькими факторами x1, x2, ..., xр (р<k) используют коэффициент множественной корреляции RM, который всегда положителен и изменяется в пределах 0 < RM< 1. Чем ближе значение RM к единице, тем лучше качество предсказания полученной моделью процесса, по наблюдениям за которым получены статистические данные. Коэффициент множественной корреляции вычисляется по формуле
или
где D — определитель корреляционной матрицы.
Если RM возвести в квадрат, то величина R2M называется множественным коэффициентом детерминации и показывает, какая часть дисперсии функции отклика объясняется вариацией линейной комбинации выбранных факторов.
При (р<k), х1, х2, ...., хp значимость RM можно проверить: а) по t-критерию
б) по F-критерию
где k1=n - р - 1 и k2 = р.
Пример. Для предыдущего примера, использовавшего данные табл. 7.2, вычислить коэффициенты корреляции.
Р е ш е н и е. С целью облегчения вычислений результаты работы сведем в табл. 7.3.
Таблица 7.3. Результаты вычислений исследования
№ п.п. |
Уровни факторов |
y1 |
у2 |
x1уi |
x2уi |
x1x2 | |||
x1 |
x1 | ||||||||
1 |
1,0 |
0,2 |
18,2 |
331,4 |
18,2 |
3,64 |
1,0 |
0,04 |
0,2 |
2 |
1,0 |
0,2 |
18,6 |
345,9 |
18,6 |
3,72 |
1,0 |
0,04 |
0,2 |
3 |
1,0 |
0,2 |
18,7 |
349,7 |
18,7, |
3,74 |
1,0 |
0,04 |
0,2 |
4 |
2,0 |
0,4 |
21,6 |
466,6 |
43,2 |
8,64 |
4,0 |
0,16 |
0,8 |
5 |
2,0 |
0,4 |
23,4 |
547,7 |
46,8 |
9,36 |
4,0 |
0,16 |
0,8 |
6 |
2,0 |
0,4 |
23,7 |
561,7 |
47,4 |
9,48 |
4,0 |
0,16 |
0,8 |
7 |
2,5 |
0,3 |
22,0 |
484,0 |
55,0 |
6,60 |
6,25 |
0,09 |
0,75 |
8 |
2,5 |
0,3 |
23,0 |
529,0 |
57,5 |
6,90 |
6,25 |
0,09 |
0,75 |
9 |
2,5 |
0,3 |
22,5 |
506,2 |
56,2 |
6,75 |
6,25 |
0,09 |
0,75 |
Σ |
16,5 |
2,7 |
191,7 |
4122 |
361,6 |
58,8 |
33,75 |
0,87 |
5,25 |
Вычислим вспомогательные числа:
Вычисляем коэффициент, определяющий степень связи между функцией Y и фактором х1
Определяем тесноту связи между факторами Y и х2
Определяем тесноту связи между факторами x1 и x2
Где
Составляем корреляционную матрицу
и определяем частные коэффициенты корреляции
где
вычисляем коэффициент множественной корреляции
где
Величина множественного коэффициента детерминации равна:
.
Отсюда можно сделать вывод, что 78,7% дисперсии функции отклика объясняется вариацией линейной комбинации факто- ров х1 и х2.
Множественный нелинейный регрессионный анализ. При переходе от линейной к нелинейной модели для функции отклика Y анализ результатов статистических наблюдений начинают с модели так называемой квадратичной формы
Данное уравнение линеаризуется заменой переменных . По полученному уравнению регрессии представляют опытные данные и определяют коэффициенты b0, b1, b2, b11, ....
Затем производят все вычисления аналогично сделанным для случая линейного множественного корреляционно-регрессионного анализа. Если квадратичная форма неадекватна статистическому материалу (результатам эксперимента), то степень уравнения повышается. В практике предельным уравнением бывает кубическая форма. При переходе к высшей степени уравнение регрес-сии линеаризуется заменой переменных.
Кроме полиномиальной модели в нелинейном регрессионном анализе используются:
а) мультипликативные модели
,
логарифмируя которые, преобразуем в линейные модели
,
с заменой переменных: у' = lny; ;
б) экспоненциальные модели
у = ехр(b0 + b1x1 + b2х2 + ... + bkхk), логарифмируя которые, получим
lnу =b0+b1х1 +b2x2+...+bkхk;
в) обратные модели
,
можно привести к виду
Для определения корреляционной связи в нелинейных моделях используют множественное корреляционное отношение, при этом для вычисления остаточ-ной дисперсии используется нелинейная форма функции отклика у.
При поиске наилучшей модели функции отклика можно использовать раз-личные нелинейные функции, лучшей из них будет та, которая будет иметь наименьшую величину остаточной дисперсии .
При построении регрессивной модели для целевой функции Y на начальном этапе следует учитывать как можно большее число факторов, влияющих на изменение Y. В этом случае получаются достаточно сложные модели, особенно при использовании нелинейных форм. Часто эти модели можно значительно упростить, если в них выявить те факторы, которые незначительно влияют на функцию отклика или один из двух, имеющих сильную корреляцию между собой, и эти факторы не включать в уравнение регрессии.
Для анализа регрессионных моделей используется несколько методов: метод всех регрессий; метод исключения переменных; метод включения переменных; анализ остатков и др.
При применении метода всех регрессий функцию отклика представляют в виде комбинаций зависимостей, в которых меняют число факторов.
Так в уравнении регрессии
,
можно записать функцию отклика в различных комбинациях
и т.д.
Для каждого уравнения вычисляются коэффициенты регрессии и определяется остаточная дисперсия понаименьшему значению которой и выбирается лучшее уравнение. Применение этого метода связано с трудоемкими вычислениями.
При применении метода исключения переменных уравнение регрессии желательно представить сразу в полной квадратичной или кубичной форме с предварительным вычислением коэффициентов регрессии и корреляции и проверкой линейности модели по F-кри- терию. Исключение начинают с фактора, имеющего наименьший t-- критерий. На каждом этапе после исключения каждого фактора для нового уравнения регрессии вычисляется множественный коэффициент корреляции, остаточная дисперсия и F-критерий. Для прекращения исключения факторов следует следить за изменением остаточной дисперсии. Как только она начнет увеличиваться — исключение факторов следует прекратить. Используется также метод контроля значений t-критерия. Для исключения следующего фактора мы сравниваем его значение (t) с t-критерием предыдущего исключенного фактора и, если они отличаются незначительно, то фактор исключается. Если же различия t-критериев значительны, то исключение факторов прекращают.
Метод включения переменных состоит в том, что на первом этапе выбирают фактор, у которого ryx наибольший, и строят линейное уравнение
у = f(xi).
Затем вычисляют частный коэффициент корреляции. После это- го берут следующую величину хi+1 и находят второе уравнение
у = f(xi, xi+1)
и вычисляют частный коэффициент корреляции и т.д. Этот метод используется совместно с анализом остатков.
Метод анализа остатков состоит в том, что анализируется разница между значением функции уi и предсказываемым ее значением (уравнением регрес-сии). Определяя остатки
еi = уi -, i=,
мы проверяем их среднее значение, которое должно быть равно нулю, т.е.
.
Если это условие не соблюдается, то в уравнение вносят дополнительные члены или же проводятся другие преобразования исходных данных.
назад
Лекция 8.
(Самостоятельно – Гринин А.С., Орехов Н.А., Новиков В.Н. Глава 3 §3.6.) Некоторые особенности применения экспериментально-статистических методов в экологии. Проверка статистических гипотез при планировании экспериментов.