- •Учебно-методическое пособие
- •Маршрутная карта изучения дисциплины по Модулю 3
- •1. Современное состояние проблемы моделирования систем
- •2. Принципы моделирования
- •3. Классификация моделей
- •4. Моделирование систем
- •5. Математическое моделирование
- •5.1. Математические схемы моделирования систем
- •5.2. Непрерывно-детерминированные модели (d-схемы)
- •5.3. Дискретно-детерминированные модели (f-схемы)
- •5.4. Дискретно-стохастические модели (р-схемы)
- •5.5. Непрерывно-стохастические модели (q-схемы)
- •5.6. Сетевые модели (n-схемы)
- •5.7. Комбинированные модели (а-схемы)
- •6. Анализ результатов машинного моделирования
- •6.1. Корреляционный анализ результатов моделирования
- •6.2. Регрессионный анализ результатов моделирования
- •6.3. Дисперсионный анализ результатов моделирования
- •6.4. Вопросы для самоконтроля
- •7. Методические указания для выполнения практического задания №1. «Построение простейших моделей»
- •Пример выполнения задания
- •Приложение 1. Варианты заданий
- •8. Методические указания для выполнения практического задания №2. «Построение регрессионной модели» с использованием табличного процессора Microsoft Excel
- •9. Методические указания для выполнения индивидуального задания №1. «Построение регрессионной модели» средствами языка программированияTurbo Pascal
- •Приложение 2. Варианты заданий
- •10. Основные понятия теории баз данных
- •10.1. Базы данных и системы управления базами данных. Модели данных
- •10.2. Основы проектирования реляционных баз данных
- •10.3. Этапы проектирования реляционной базы данных
- •1. Анализ предметной области
- •10.4. Вопросы для самоконтроля
- •11. Основы работы с субд Microsoft Access
- •11.1. Объекты базы данных Microsoft Access
- •11.2. Работа с таблицами
- •11.3. Работа с формами
- •11.4. Работа с запросами. Запросы на выборку
- •Имя поля: выражение
- •11.5. Итоговые запросы и запросы на изменение данных
- •Создание запроса на удаление записей таблицы
- •Создание запроса на обновление записей таблицы
- •Создание запроса на создание новой таблицы
- •11.6. Работа с отчетами
- •11.7. Вопросы для самоконтроля
- •12. Методические указания для выполнения практического задания №3. «Работа с таблицами и формами базы данных Microsoft Access»
- •13. Методические указания для выполнения практического задания №4. «Работа с запросами на выборку в базе данных Microsoft Access»
- •14. Методические указания для выполнения практического задания №5. «Работа с итоговыми запросами и запросами на изменение таблиц в базе данных Microsoft Access. Создание отчетов»
- •15. Методические указания для выполнения индивидуального задания №2. «Базы данных»
- •16. Вопросы для подготовки к защите индивидуального задания №2
- •Вариант 1
- •Вариант 2
- •Вариант 3
- •Вариант 4
- •Вариант 5
- •Вариант 6
- •Вариант 7
- •Вариант 8
- •Вариант 9
- •Вариант 10
- •Вариант 11
- •Вариант 12
- •Вариант 13
- •Вариант 14
- •Вариант 15
- •Вариант 16
- •Вариант 17
- •Вариант 18
- •Вариант 19
- •Вариант 20
- •Вариант 21
- •Вариант 22
- •Вариант 23
- •Вариант 24
- •Вариант 25
- •Вариант 26
- •Вариант 27
- •Вариант 28
- •Вариант 29
- •Вариант 30
6.3. Дисперсионный анализ результатов моделирования
При обработке и анализе результатов моделирования часто возникает задача сравнения средних выборок. Если в результате такой проверки окажется, что математическое ожидание совокупностей случайных переменных {y(1)}, {y(2)}, …, {y(n)} отличается незначительно, то статистический материал, полученный в результате моделирования, можно считать однородным (в случае равенства двух первых моментов). Это дает возможность объединить все совокупности в одну и позволяет существенно увеличить информацию о свойствах исследуемой моделиММ, а следовательно, и системыS. Попарное использование для этих целей критериев Смирнова и Стьюдента для проверки нулевой гипотезы затруднено в связи с наличием большого числа выборок при моделировании системы. Поэтому для этой цели используетсядисперсионный анализ.
Пример:Рассмотрим решение задачи дисперсионного анализа при обработке результатов моделирования системы в следующей постановке. Пусть генеральные совокупности случайной величины {у(1)}, {y(2)}, ..., {y(n)} имеют нормальное распределение и одинаковую дисперсию. Необходимо по выборочным средним значениям при некотором уровне значимости γ проверять нулевую гипотезуH0о равенстве математических ожиданий. Выявим влияние на результаты моделирования только одного фактора, т.е. рассмотрим однофакторный дисперсионный анализ.
Допустим, изучаемый фактор xпривел к выборке значений неслучайной величиныYследующего вида:y1,y2, ...,yk, гдеk– количество уровнейх. Влияние фактора будем оценивать неслучайной величинойDx, называемойфакторной дисперсией:
где y – среднее арифметическое значение величины Y.
Если генеральная дисперсия D[y]известна, то для оценки случайности разброса наблюдений необходимо сравнитьD[y]с выборочной дисперсиейSв2, используя критерий Фишера (F-распределение). Если эмпирическое значениеFэпопадает в критическую область, то влияние факторахсчитается значимым, а разброс значенийх– неслучайным. Если генеральная дисперсияD[x] до проведения машинного эксперимента с модельюММнеизвестна, то необходимо при моделировании найти ее оценку.
Пусть серия наблюдений на уровне yi имеет вид:уi1,уi2, …,yin,, гдеn– число повторных наблюдений наi-муровне. Тогда наi-м уровне среднее значение наблюдений
а среднее значение наблюдений по всем уровням
Общая выборочная дисперсия всех наблюдений
При этом разброс значений у определяется суммарным влиянием случайных причин и фактора х. Задача дисперсионного анализа состоит в том, чтобы разложить общую дисперсиюD[у]на составляющие, связанные со случайными и неслучайными причинами.
Оценка генеральной дисперсии, связанной со случайными факторами,
а оценка факторной дисперсии
.
Учитывая, что факторная дисперсия наиболее заметна при анализе средних значений на i-м уровне фактора, а остаточная дисперсия (дисперсия случайности) для средних значений вnраз меньше, чем для отдельных измерений, найдем точную оценку выборочной дисперсии:
.
Умножив обе части этого выражения на n, получим в правой части выборочную дисперсиюSв2, имеющую (k–1)-ю степень свободы. Влияние факторахбудет значимым, если при заданном γ выполняется неравенствоSв2/D0[y]>F1-γ. В противном случае влиянием факторахна результаты моделирования можно пренебречь и считать нулевую гипотезуН0о равенстве средних значений на различных уровнях справедливой.
Таким образом, дисперсионный анализ позволяет вместо проверки нулевой гипотезы о равенстве средних значений выборок проводить при обработке результатов моделирования проверку нулевой гипотезы о тождественности выборочной и генеральной дисперсии.