Метод парных точек в excel

Обновлено: 07.07.2024

Определение параметров линейной зависимости из графика. Метод парных точек. Метод наименьших квадратов. Блок-схема программного комплекса в Microsoft Visual Studio и Microsoft Excel. Инструкция пользователя, скриншоты. Общий вид программного кода.

Рубрика	Программирование, компьютеры и кибернетика
Вид	курсовая работа
Язык	русский
Дата добавления	29.11.2014
Размер файла	2,1 M

Соглашение об использовании материалов сайта

Просим использовать работы, опубликованные на сайте, исключительно в личных целях. Публикация материалов на других сайтах запрещена.
Данная работа (и все другие) доступна для скачивания совершенно бесплатно. Мысленно можете поблагодарить ее автора и коллектив сайта.

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Подобные документы

Определение зависимости одной физической величины от другой. Применение метода наименьших квадратов с помощью программного обеспечения Mathcad. Суть метода наименьших квадратов. Корреляционный анализ, интерпретация величины корреляционного момента.

курсовая работа [63,8 K], добавлен 30.10.2013

Метод наименьших квадратов. Возможные варианты расположения экспериментальных точек. Аппроксимация экспериментальных данных в программах Microsoft Excel, MathCAD и MatLAB. Вычисление средних значений и их сумм. Коэффициенты корреляции и детерминации.

курсовая работа [890,9 K], добавлен 30.10.2012

Развитие навыков работы с табличным процессором Microsoft Excel и программным продуктом MathCAD и применение их для решения задач с помощью электронно-вычислительных машин. Схема алгоритма. Назначение функции Линейн и метода наименьших квадратов.

курсовая работа [340,4 K], добавлен 17.12.2014

Метод Гаусса и одно из его приложений в экономике (простейшая задача о рационе). Модель Леонтьева межотраслевого баланса. Алгебраический метод наименьших квадратов. Анализ данных эксперимента. Метод наименьших квадратов в Excel и аппроксимация данных.

курсовая работа [598,7 K], добавлен 11.07.2015

Построение эмпирических формул методом наименьших квадратов. Линеаризация экспоненциальной зависимости. Элементы теории корреляции. Расчет коэффициентов аппроксимации, детерминированности в Microsoft Excel. Построение графиков функций, линии тренда.

курсовая работа [590,9 K], добавлен 10.04.2014

Построение эмпирических формул методом наименьших квадратов. Линеаризация экспоненциальной зависимости. Элементы теории корреляции. Расчет аппроксимаций в табличном процессоре Excel. Описание программы на языке Turbo Pascal; анализ результатов ее работы.

курсовая работа [390,2 K], добавлен 02.01.2015

Описание среды разработки Microsoft Visual Studio. Поддерживаемые технологии и языки программирования. Возможности и особенности компьютеризированного тестирования человека. Проектирование программного обеспечения с использованием объектного подхода.

, (2.26)

где x, y – измеряемые величины, a, b – параметры зависимости. Даже если из модельного описания непосредственно не получается линейная зависимость величин, теоретическую зависимость стремятся преобразовать к линейной. Объясняется это тем, что линейная зависимость выделена по отношению к другим формам функциональной связи двух величин. Во-первых, в силу психологических причин восприятие человека обладает свойством распознавать прямые линии, как встречающиеся в повседневной жизни, так и построенные в виде графиков. Визуально удается достаточно точно восстановить из графика всю прямую, даже в той области, где информация о ней частично отсутствует. Это означает, что проводимая «на глаз» прямая, которая проходит по точкам, содержащим экспериментальный разброс, оказывается удивительно близкой к оптимальной, построенной с помощью методов математической статистики. Собственно, возможности статистики применительно к линейной зависимости определяют второе обстоятельство ее частого использования. Дело в том, что параметры линейной зависимости и их погрешности могут быть надежно оценены на основе метода, называемого методом наименьших квадратов. Ниже, помимо этого метода, рассмотрены варианты графической и простой статистической (метод парных точек) обработки линейной зависимости.

2.3. Определение параметров линейной зависимости из графика

После нанесения на график экспериментальных точек по ним «на глаз» проводят прямую. Строят ее таким образом, чтобы точки в среднем одинаково располагались по обе стороны от прямой. На рис. 12 это прямая I.

На ней выбирают две точки (1 и 2) максимально удаленные друг от друга.

Их координаты x₁, y₁ и x₂, y₂ подставляют в два уравнения с неизвестными a и b:

из которых находят:

. (2.27)

Для оцениванияa и b строят две дополнительные прямые симметричные относительно прямой I, чтобы экспериментальные точки, в основном, располагались между ними (пунктирные линии на рис. 12).

Если на графике имеются точки, которые отстоят от основной прямой I более, чем на утроенное среднее расстояние точек до прямой (это хорошо заметно уже при рассматривании графика – на рис. 12 такой точкой является точка А), то их отбрасывают и не используют при построении дополнительных прямых. Соответствующие измерения, скорее всего, содержат промахи.

Дополнительные прямые определяют «коридор погрешностей» эксперимента, внутри которого находится исследуемая линейная зависимость. Предельные случаи хода этой зависимости получатся, если провести прямые через противоположные углы «коридора» (прямые II и III). Тем же способом, что и для основной прямой I, находят параметры предельных прямых a₁, b₁ и a₂, b₂ . Оценки погрешностей:

Может оказаться, что теоретическую зависимость между измеряемыми величинами предполагают линейной, а экспериментальные точки явно не ложатся на прямую. Проведение по ним прямой, как это сделано на рис. 13, неправомерно. Расхождение между теоретической и экспериментальной зависимостями свидетельствует о наличии систематических погрешностей, которые должны быть выявлены и учтены при обработке результатов. Иначе экспериментатору остается только констатировать расхождение модели с экспериментом.

Часто линейная зависимость является приближенно справедливой в ограниченном интервале изменения физических величин. В таком случае необходимо определить границы применимости линейной зависимости и указать их при анализе результатов эксперимента.

Определение параметров линейной зависимости из графика. Метод парных точек. Метод наименьших квадратов. Блок-схема программного комплекса в Microsoft Visual Studio и Microsoft Excel. Инструкция пользователя, скриншоты. Общий вид программного кода.

Рубрика	Программирование, компьютеры и кибернетика
Вид	курсовая работа
Язык	русский
Дата добавления	29.11.2014
Размер файла	2,1 M

Одним из важнейших методов современных наук (физики, химии и т.д.) является модельное описание. Модель позволяет получить количественную информацию об исследуемом объекте или процессе. Величины, определяющие результаты эксперимента, выступают в роли переменных и параметров некоторой функциональной зависимости, теоретически получаемой в рамках модели. После экспериментальной регистрации зависимости ее сравнивают с теоретической. Путем сравнения можно не только численно определить, т.е. измерить, значения величин, не измеряемых другим способом, но и вывести заключение об адекватности применения модели.

В эксперименте часто проверяют линейную зависимость двух величин вида:

где х, у - измеряемые величины, а, Ь - параметры зависимости. Даже если из модельного описания непосредственно не получается линейная зависимость величин, теоретическую зависимость стремятся преобразовать к линейной. Объясняется это тем, что линейная зависимость выделяется из других форм функциональной связи двух величин. Во-первых, в силу психологических причин восприятие человека обладает свойством выделять прямые линии, как встречающиеся в повседневной жизни, так и построенные в виде графиков. Визуально удается достаточно точно восстановить из графика всю прямую, даже в той области, где информация о ней частично отсутствует. Это означает, что проводимая «на глаз» прямая, которая проходит по точкам, содержащим экспериментальный разброс, оказывается удивительно близкой к оптимальной, построенной с помощью методов математической статистики. Собственно, возможности статистики применительно к линейной зависимости определяют второе обстоятельство ее частого использования. Дело в том, что параметры линейной зависимости и их погрешности могут быть надежно оценены на основе метода, называемого методом наименьших квадратов.

Курсовая работа состоит в написании программного комплекса, реализующего метод наименьших квадратов. Описание метода приведено в теоретической части данной курсовой работы. В практической части представлены блок-схемы, описание пользовательского интерфейса, программный код, а также результаты работы программы.

ЗАДАНИЕ НА КУРСОВУЮ РАБОТУ

УГС 22000 - Автоматика и управление

Направление подготовки 220700 - Автоматизация технологических процессов и производств

Профиль подготовки Автоматизация технологических процессов и производств

Факультет Информационных технологий и управления

Кафедра Системного анализа

Учебная дисциплина ИНФОРМАТИКА

Тема: Разработка программного обеспечения для построения статистической модели методом наименьших квадратов.

Исходные данные к работе (источники)

Разработать программный комплекс для получения статистической модели методом наименьших квадратов.

Линейная регрессия - это статистический метод / метод, используемый для изучения взаимосвязи между двумя непрерывными количественными переменными. В этом методе независимые переменные используются для прогнозирования значения зависимой переменной. Если существует только одна независимая переменная, то это простая линейная регрессия, а если число независимых переменных больше, чем одна, то это множественная линейная регрессия. Модели линейной регрессии имеют связь между зависимыми и независимыми переменными путем подгонки линейного уравнения к наблюдаемым данным. Линейный относится к тому факту, что мы используем линию, чтобы соответствовать нашим данным. Зависимые переменные, используемые в регрессионном анализе, также называют ответными или прогнозными переменными, а независимые переменные также называют объясняющими переменными или предикторами.

Линия линейной регрессии имеет уравнение вида: Y = a + bX;

X - объясняющая переменная,
Y является зависимой переменной,
б - наклон линии,
a является y-перехватом (то есть значением y, когда x = 0).

Метод наименьших квадратов обычно используется в линейной регрессии, которая рассчитывает линию наилучшего соответствия для наблюдаемых данных путем минимизации суммы квадратов отклонения точек данных от линии.

Методы использования линейной регрессии в Excel

В этом примере показано, как выполнить анализ линейной регрессии в Excel. Давайте посмотрим на несколько методов.

Вы можете скачать этот шаблон Excel с линейной регрессией здесь - Шаблон Excel с линейной регрессией

Метод № 1 - Точечная диаграмма с линией тренда

Допустим, у нас есть набор данных о некоторых людях с их возрастом, индексом биомассы (ИМТ) и суммой, потраченной ими на медицинские расходы за месяц. Теперь, имея представление о характеристиках людей, таких как возраст и ИМТ, мы хотим выяснить, как эти переменные влияют на медицинские расходы, и, следовательно, использовать их для проведения регрессии и оценки / прогнозирования средних медицинских расходов для некоторых конкретных людей. Давайте сначала посмотрим, как только возраст влияет на медицинские расходы. Давайте посмотрим на набор данных:

Сумма на медицинские расходы = б * возраст + а

Выберите два столбца набора данных (x и y), включая заголовки.

Нажмите «Вставить» и разверните раскрывающийся список «Диаграмма разброса» и выберите эскиз «Разброс» (первый)

Теперь появится график рассеяния, и мы нарисуем на этом линию регрессии. Для этого щелкните правой кнопкой мыши любую точку данных и выберите «Добавить линию тренда».

Теперь на панели «Format Trendline» справа выберите «Linear Trendline» и «Показать уравнение на графике».

Мы можем импровизировать диаграмму в соответствии с нашими требованиями, такими как добавление названий осей, изменение масштаба, цвета и типа линии.

После Импровизации диаграммы мы получаем вывод.

Примечание. В этом типе графика регрессии зависимая переменная всегда должна быть на оси y и не зависеть от оси x. Если график отображается в обратном порядке, либо переключите оси в диаграмме, либо поменяйте местами столбцы в наборе данных.

Метод № 2 - Анализ надстройки ToolPak Метод

Пакет инструментов анализа иногда не включен по умолчанию, и нам нужно сделать это вручную. Для этого:

После этого нажмите «Опции».

Выберите «Надстройки Excel» в поле «Управление» и нажмите «Перейти»

Это добавит инструменты «Анализ данных» на вкладку «Данные». Теперь запустим регрессионный анализ:

Откроется диалоговое окно регрессии. Выберите диапазон ввода Y и диапазон ввода X (медицинские расходы и возраст соответственно). В случае множественной линейной регрессии мы можем выбрать больше столбцов независимых переменных (например, если мы хотим увидеть влияние ИМТ также на медицинские расходы).
Установите флажок «Метки», чтобы включить заголовки.
Выберите желаемый вариант вывода.
Установите флажок «Остатки» и нажмите «ОК».

Теперь результаты нашего регрессионного анализа будут созданы в новом рабочем листе с указанием статистики регрессии, ANOVA, остатков и коэффициентов.

Выходная интерпретация:

Статистика регрессии показывает, насколько хорошо уравнение регрессии соответствует данным:

Множество R - это коэффициент корреляции, который измеряет силу линейных отношений между двумя переменными. Он лежит в диапазоне от -1 до 1, и его абсолютное значение показывает силу отношения с большим значением, указывающим на более сильное отношение, низким значением, указывающим на отрицательное значение, и нулевым значением, указывающим на отсутствие отношения.
Квадрат R - это коэффициент определения, используемый в качестве показателя качества соответствия. Он находится в диапазоне от 0 до 1, а значение, близкое к 1, указывает на то, что модель хорошо подходит. В этом случае 0, 57 = 57% значений y объясняются значениями x.
Скорректированный квадрат R - это квадрат R, скорректированный на количество предикторов в случае множественной линейной регрессии.
Стандартная ошибка отображает точность регрессионного анализа.
Наблюдения отображают количество модельных наблюдений.
Anova рассказывает об уровне изменчивости в рамках регрессионной модели.

Обычно это не используется для простой линейной регрессии. Однако «Значения F значимости» указывают на то, насколько надежны наши результаты, при этом значение больше 0, 05 предлагает выбрать другого предиктора.

Коэффициенты являются наиболее важной частью, используемой для построения уравнения регрессии.

Итак, наше уравнение регрессии будет: у = 16, 891 х - 355, 32. Это то же самое, что сделано методом 1 (точечная диаграмма с линией тренда).

Теперь, если мы хотим предсказать средние медицинские расходы в возрасте 72 лет:

Итак, у = 16, 891 * 72 -355, 32 = 860, 832

Таким образом, мы можем предсказать значения y для любых других значений x.

Остатки указывают на разницу между фактическими и прогнозируемыми значениями.

Последний метод регрессии используется не так часто и требует статистических функций, таких как slope (), intercept (), correl () и т. Д. Для проведения регрессионного анализа.

Что нужно помнить о линейной регрессии в Excel

Регрессионный анализ обычно используется для определения статистически значимой взаимосвязи между двумя наборами переменных.
Он используется для прогнозирования значения зависимой переменной на основе значений одной или нескольких независимых переменных.
Всякий раз, когда мы хотим приспособить модель линейной регрессии к группе данных, следует тщательно соблюдать диапазон данных, как если бы мы использовали уравнение регрессии для прогнозирования любого значения за пределами этого диапазона (экстраполяция), тогда это может привести к неверным результатам.