- •Содержание
- •Введение
- •1Лабораторный практикум
- •1.1Получение математических моделей процессов резания методом полного факторного эксперимента
- •Статистическое планирование эксперимента. Выбор параметра оптимизации и независимых факторов. Построение матриц полного факторного эксперимента.
- •1.1.2 Получение математической модели
- •1.1.3 Проверка адекватности модели
- •1.1.4 Лабораторная работа №1
- •Содержание отчета
- •Контрольные вопросы
- •1.2 Получение математических зависимостей моделированием процессов износа изделий и материалов
- •1.2.1 Особенности моделирования процесса износа
- •1.2.2 Лабораторная работа №2 Исследование износостойкости различных материалов моделированием процесса износа
- •Содержание и порядок выполнения работы
- •Содержание отчета
- •Контрольные вопросы
- •1.2.3 Лабораторная работа №3
- •Оборудование, приборы, инструменты, заготовки
- •Содержание и порядок выполнения работы
- •Содержание отчета
- •Контрольные вопросы
- •1.3 Построение моделей в среде Excel for Windows
- •1.3.1 Построение линейной модели в Excel (пример)
- •1 Настройка пакета анализа
- •2 Ввод данных
- •3 Нахождение основных числовых характеристик
- •4 Нахождение коэффициента корреляции
- •5 Нахождение параметров линейной регрессии
- •6 Расчет доверительного интервала для прогноза
- •7 Построение доверительной области для прогноза
- •8 Расчет максимального % ошибки прогнозирования
- •9 Выводы по работе
- •1.3.2 Построение степенной модели в Excel (пример)
- •1 Настройка пакета анализа
- •2 Ввод данных
- •3 Нахождение основных числовых характеристик
- •4 Нахождение коэффициента корреляции
- •5 Нахождение параметров линейной регрессии
- •1.3.3. Пример построения многофакторной линейной модели в Excel
- •1 Настройка пакета анализа
- •2 Ввод данных
- •3 Нахождение основных числовых характеристик
- •4 Нахождение параметров линейной регрессии
- •5 Выводы по работе
- •1.3.4 Лабораторная работа № 4 Построение однофакторных регрессионных моделей в приложении
- •Содержание и порядок выполнения работы
- •Содержание отчета
- •Контрольные вопросы
- •1.3.5 Лабораторная работа № 5 Построение линейной многофакторной модели в приложении
- •2 Методические указания к практическим занятиям
- •2.1 Моделирование процесса резания методом линейного программирования Практическое занятие 1
- •2.1.2 Содержание отчёта
- •2.1.3 Контрольные вопросы
- •2.2 Исследование вероятностных эксплуатационных характеристик режущих инструментов Практическое занятие 2
- •2.2.1 Содержание и порядок выполнения работы
- •2.2.2 Содержание отчета
- •2.2.3 Контрольные вопросы
- •2.3 Определение закона распределения периода стойкости инструмента при малых объемах испытаний Практическое занятие 3
- •2.3.1 Содержание и порядок выполнения работы
- •2.3.2 Содержание отчета
- •2.4 Получение математических моделей методом полного факторного эксперимента Практическое занятие 4
- •2.4.1 Содержание и порядок выполнения работы
- •2.4.2 Содержание отчёта
- •2.4.3 Контрольные вопросы
- •2.5 Получение математических моделей методами теории корреляции Практическое занятие 5
- •2.5.1 Содержание и порядок выполнения работы
- •2.5.2 Содержание отчета
- •2.5.3 Контрольные вопросы
- •3.1 Задание на расчетно-графическую работу
- •3.2 Порядок выполнения работы
- •3.3 Проверка соответствия статистического распределения теоретическому по критерию Пирсона (æ²)
- •3.4 Проверка соответствия статистического распределения теоретическому по критерию Колмогорова (n)
- •Статистическое, 2- теоретическое;
- •Список рекомендованной литературы
- •Приложение а Справочные таблицы для проверки адекватности математических моделей
- •Приложение б Пример выполнения расчетно-графической работы
- •84313, М. Краматорськ, вул. Шкадінова, 72
4 Нахождение коэффициента корреляции
В качестве входного диапазона выделяем столбцы с логарифмами. Получим:
-
ln x
ln y
ln x
1
ln y
-0,89272
1
Коэффициент корреляции , что свидетельствует о наличии достаточной линейной зависимости между ln x и ln y. Знак «-» означает, что связь обратная.
5 Нахождение параметров линейной регрессии
Чтобы найти параметры регрессии, выбираем пункт меню Сервис – Анализ данных – Регрессия. Здесь задаем диапазоны отдельно для ln y, отдельно – для ln x , устанавливаем флажок в окошке «Метки», «Остатки», «График подбора», «Выходной диапазон» – на новый лист. Ок.
Результат получаем в виде нескольких таблиц (таблицы 1.20 – 1.23) и графика подбора (рисунок 1.7).
Таблица 1.20 – Регрессионная статистика
-
Множественный R
0,892723765
R-квадрат
0,796955721
Нормированный R-квадрат
0,781336931
Стандартная ошибка
0,037116526
Наблюдения
15
Здесь R-квадрат = 0,7969 (79,69%) – значит, общее качество модели хорошее; стандартная ошибка = 0,0371.
Таблица 1.21 – Дисперсионный анализ
-
df
SS
MS
F
Значимость F
Регрессия
1
0,070294515
0,070295
51,02544
0,0000076
Остаток
13
0,017909275
0,001378
Итого
14
0,08820379
Значимость F = 0,0000076, что означает, что полученная модель адекватна исходным данным по критерию Фишера с уровнем доверия . Все дальнейшие расчеты выполняются только при условии адекватности модели.
Таблица 1.22 – Коэффициенты модели
|
Коэффициен-ты |
Стандартная ошибка |
t-статистика |
P-Значе-ние |
Нижние 95% |
Верхние 95% |
Y-пересечение |
4,770082187 |
0,143001901 |
33,35677 |
5,56E-14 |
4,4611454 |
5,079019 |
ln x |
-0,122402417 |
0,017135493 |
-7,14321 |
7,55E-06 |
-0,159421 |
-0,08538 |
Здесь коэффициенты линейной модели , . Оба коэффициента статистически значимы по критерию Стьюдента, т. к. для P-Значение = и для P-Значение = .
Полученная модель .
Пересчитываем коэффициенты, чтобы записать степенную модель. , . Полученная степенная модель .
Таблица 1.23 – Вывод остатка
Наблюдение |
Предсказанное ln y |
Остатки |
1 |
3,66203 |
-0,01554 |
2 |
3,79377 |
0,00598 |
3 |
3,69302 |
-0,01925 |
4 |
3,66272 |
-0,00096 |
5 |
3,79419 |
0,05511 |
6 |
3,71791 |
-0,04212 |
7 |
3,84471 |
-0,01498 |
8 |
3,80907 |
-0,03631 |
9 |
3,77052 |
0,06051 |
10 |
3,82050 |
-0,06419 |
11 |
3,68776 |
0,00486 |
12 |
3,67517 |
0,02465 |
13 |
3,86810 |
0,03911 |
14 |
3,78131 |
-0,02034 |
15 |
3,68252 |
0,02347 |
Рисунок 1.7 – График подбора
6 Расчет доверительного интервала для прогноза
Доверительный интервал для прогнозируемого отклика вначале записывается в виде: , затем перечитывается для отклика y по формулам .
7 Построение доверительной области для прогноза
Доверительная область – совокупность доверительных интервалов.
Строят точечную диаграмму: по оси абсцисс – значения фактора х, по оси ординат – значения отклика y, расчетных значений y(x) и границ доверительных интервалов , . Получают диаграмму:
8 Расчет максимального % ошибки прогнозирования
Максимальный % ошибки прогнозирования рассчитывается по формуле:
.
9 Выводы по работе
В результате статистического анализа данных получено, что между фактором x и откликом y существует достаточная линейная зависимость, т. к. коэффициент корреляции , и эта зависимость обратная.
Среднее значение фактора , среднее значение отклика .
Полученная модель связи между фактором x и откликом y:
.
Модель адекватна исходным данным по критерию Фишера с уровнем доверия более 95%. Оба коэффициента статистически значимы по критерию Стьюдента.
Максимальный % ошибки прогнозирования составляет порядка 3%.
Листы Excel с расчетами приведены на рисунках 1.8, 1.9.
Рисунок 1.8 – Лист с расчетами степенной функции в Excel
Рисунок 1. 9 – Лист с формулами в Excel