Адекватность. Проблема соответствия модели реальному объекту. Модель адекватна оригиналу, если она верно отражает свойства оригинала и может быть использована для предсказания его поведения. При этом адекватность модели зависит от целей моделирования и принятых критериев. Например, модель, адекватная на этапе поискового проектирования, при детализации проекта теряет это свойство и становится слишком "грубой". Учитывая изначальную неполноту модели, можно утверждать, что идеально адекватная модель в принципе невозможна. Приближенность модели к действительному объекту можно рассматривать в следующих аспектах:
● с точки зрения корректности связи «вход-выход»;
● с точки зрения корректности декомпозиции модельного описания применительно к целям исследования и использования моделей.
Степень соответствия моделей в первом случае принято называть собственно «адекватностью», во втором – аутентичностью. Можно выделить два способа оценки адекватности, один из которых используется, если есть возможность сравнить модель и объект, другой – если такой возможности нет. Первый способ представляет собой разовую процедуру, основанную на сравнении данных, наблюдаемых на реальном объекте, с результатами вычислительного эксперимента, проведенного с моделью. Модель считается адекватной, если отражает исследуемые свойства с приемлемой точностью, где под точностью модели понимается количественный показатель, характеризующий степень различия модели и изучаемого явления. Таким образом, в первом способе мера адекватности является количественной. Ей может быть значение некой функции несогласованности между моделью и измерениями. Второй способ представляет собой перманентную процедуру, основанную на использовании верификационного подхода. Такая процедура всегда используется, если нет возможности проверить модель экспериментально (например, объект находится в стадии проектирования, либо эксперименты с объектом невозможны). Процесс оценки достоверности имеет две стороны:
Приобретение уверенности в том, что модель ведет себя как реальная система;
Установление того, что выводы, полученные на ее основе справедливы и корректны
11.1 Общее определение моделирования систем. Роль моделирования в проектировании систем управления. Понятие модели. Свойства моделей .
Общие определения. С моделированием любой человек сталкивается постоянно, обычно не осознавая этого. Действия пешехода при переходе улицы базируется на построении некоторой модели дорожной обстановки и прогнозе ее развития. От того, насколько верно пешеход воспринимает окружающую действительность, очень часто зависит не только его благополучие и здоровье, но и сама жизнь.
В процессе профессиональной деятельности, если она связана с проектированием и эксплуатацией современных технических объектов
и систем, исследователь постоянно вынужден иметь дело с построением и исследованием моделей этих объектов. Сейчас моделирование представляет собой основной научный инструмент, применяемый как для чисто теоретических, так и для практических целей.
Создание нового технического объекта – сложный и длительный процесс, в котором стадия проектирования имеет решающее значение
в осуществлении замысла и достижении высокого технического уровня. Моделирование , в свою очередь, является одним из важнейших этапов проектирования любого технического объекта, позволяя заменить или значительно сократить этапы наладки и натурных испытаний. Роль моделирования особенно высока, когда натурные испытания слишком дороги или опасны, как это имеет место, например, для космических аппаратов, химических и ядерных реакторов и других объектов. Термин «моделирование» весьма многогранен и разными людьми воспринимается по-разному. Применительно к техническим (в том числе мехатронным) системам, под моделированием будем понимать процесс, состоящий в выявлении основных свойств исследуемого объекта, построении моделей и их применении для прогнозирования поведения объекта. Таким образом, моделирование включает в себя отображение проблемы из реального мира в мир моделей (процесс абстракции), анализ и оптимизацию модели, нахождение решения и отображение решения обратно в реальный мир. Следует отметить, что в иностранной литературе то, что выше определено как моделирование, покрывается двумя терминами: «мodeling » – относится, прежде всего, к процессу построения моделей объектов и систем;
«simulation» – обозначает проведение компьютерного эксперимента с моделью (обычно численного), с визуализацией результатов этого эксперимента.
Моделирование, как процесс, имеет дело с моделями. Модель – создаваемое человеком подобие изучаемых объектов: макеты, изображения, схемы, словесные описания, математические формулы, карты и т.д.
Более строго, модель можно определить как физическую или математическую конструкцию, определенным образом отражающую объект и служащую для его изучения.
Модель является заменителем реального объекта, обладающим, по крайней мере, двумя свойствами: она отражает те свойства объекта, которые существенны для данного исследования; она всегда проще объекта.
Теория замещения одних объектов (оригиналов) другими объектами (моделями) и исследование свойств объектов на их моделях называется теорией моделирования.
11.2 Тот факт, что модель отражает лишь важнейшие для данного исследования свойства объекта, дает возможность соотнести одну и ту же модель с целым рядом конкретных объектов, что позволяет по установленным свойствам одного объекта судить о свойствах больших групп объектов, подобных первому объекту.
Полученные модели можно использовать для следующих целей.
Познание (изучение объекта). Одной из особенностей хорошо построенной модели является то, что она несет в себе информации больше, чем в нее закладывалось при создании. Особенно это относится к моделям природных объектов, получаемых в результате естественно-научных исследований. Скрытая неосознанная информация проникает в модель объективно, помимо воли исследователя. Это позволяет на основе изучения модели получать новые сведения об объекте, т.е. изучать объект, изучая его модель. Свойство модели служить источником по- знания называют потенциальностью. Естественно, что разные модели в разной степени «богаты» такой дополнительной информацией.
Процесс познания в фундаментальных дисциплинах (физика, химия и др.) развивается по схеме «явление – модель – явление». Открытие и изучение нового явления приводит к построению его модели, которая, в свою очередь, позволяет предсказать новые явления. Классическим примером такой цепочки явилось открытие на основе Ньютоновского закона всемирного тяготения планеты Нептун. И в настоящее время большое число объектов в космологии появляются сначала на уровне теоретических предсказаний и лишь затем подтверждаются наблюдениями.
Предсказание. Правильно построенная модель позволяет предсказывать поведение исследуемого объекта при тех или иных внешних воздействиях. Это свойство является ключевым в процессе замены объекта его моделью. Задача предсказания актуальна в тех случаях, когда эксперименты с реальным объектом невозможны по причинам повышенной опасности, чрезмерной длительности или невозможности воспроизведения внешних условий. Результаты предсказания могут использоваться для формирования управляющих воздействий на объект, а также для поиска оптимальных режимов работы этого объекта.
Обучение. Использование реального объекта для обучения часто связано с рисками как для объекта, так и для обучаемого. Заменяя реальный объект, модели могут быть использованы в качестве имитаторов при создании различных тренажеров, на которых можно не только получить первоначальные навыки управления, но и испробовать такие
приемы, которые в иной ситуации отработать невозможно. Для обучения могут использоваться как физические, так и компьютерные модели, а в сложных тренажерах сочетание тех и других. Примером могут служить тренажеры для подготовки пилотов самолетов. Кроме сложной физической системы, моделирующей кабину самолета и обладающей способностью создавать ощущение полета, имитируя движения по крену или тангажу, тренажер снабжен мощной компьютерной моделью, формирующей видеокартинки на экранах кабины и способной адекватно менять их в ответ на действия экипажа.
Отработка новых конструкторских решений. С технической точки зрения возможность использования моделей для проверки и отработки технических решений является самой важной функцией моделирования. Отсутствие реального объекта делает эту функцию безальтернативной, позволяя существенно сократить время разработки нового изделия за счет экономии на его натурных испытаниях. Далее будет показано, что использование модели, для которой еще нет реального объекта, вносит существенные особенности в процесс ее построения и отладки.
В зависимости от типов моделей и методов анализа их поведения различают различные методы моделирования.Подходов к классификации этих методов достаточно много.
10. Методы не математического моделирования. Их достоинства и недостатки по сравнению с математическим моделированием.
При полунатурном моделировании часть системы (обычно самая громоздкая, дорогая или опасная) заменяется моделью, которая стыкуется с реальным оборудованием (датчиками, средствами обработки информации, приводами, системой управления). Примером является исследование систем ориентации космических аппаратов на конечных этапах проектирования. На Земле невозможно создать условия невесомости, поэтому аппарат помещают на специальные имитационные стенды, обеспечивающие разгрузку несущих конструкций. Вся же остальная аппаратура реальная. Такие же полунатурные эксперименты имеют место при любых проверках ракет, самолетов и т.д. с помощью специальных диагностических устройств.
Достоинство метода в высокой достоверности получаемых результатов. Недостатки – в ограничениях, накладываемых реальным оборудованием. Например, невозможность сжатия процесса моделирования во времени. Реальный объект может быть заменен как реальным объектом, и тогда чаще говорят о макетировании, так и идеальным, в частности математической или компьютерной моделью.
Широко используемое на практике физическое моделирование основано на использовании моделей той же физической природы, что
моделируемый объект, но с более удобными для экспериментирования параметрами: меньшими массой, габаритами и т.п. Оно применяется тогда, когда натурные испытания очень трудно или вообще невозможно осуществить, когда слишком велики (малы) размеры натурного объекта или значения других его характеристик (давления, температуры, скорости протекания процесса и т.п.).
Физическое моделирование основано на свойствах подобия. Два явления физически подобны, если по заданным физическим характеристикам одного можно получить характеристики другого простым пересчетом, который аналогичен переходу от одной системы координат к другой.
Примером физического моделирования является применение аэродинамических труб для продувки уменьшенных копий самолетов или автомобилей. Подобные методы моделирования широко используются и при моделировании гидротехнических сооружений (плотин, каналов).
Достоинство этого метода, прежде всего, в том, что физическую модель зачастую сделать гораздо проще, чем получить ее математическое описание. Современные технические средства позволяют легко получить точную уменьшенную копию самолета или автомобиля. С другой стороны, ряд явлений гораздо легче реализовать физически, нежели расчетным путем (например, эффект трения).
Недостатки данного метода заключаются в его относительной дороговизне, сложности повторения экспериментов и сложности анализа результатов. Не всегда результаты, полученные на малой модели, легко и просто переносятся на реальный объект. Основой обработки результатов физических экспериментов является специальная наука – «теория подобия» .
Использование моделей прямой аналогии основано на замене реального объекта моделью иной физической природы. В природе часто физически различные процессы описываются одними и теми же дифференциальными уравнениями или другого типа математическими моделями. Например, много общего имеют течение воды по трубам и ток в электрической цепи. Или заряд конденсатора подобен накоплению кинетического момента в механической системе. Естественно, используется такая модель, которая наиболее проста для реализации и исследований. Обычно это электрические модели. Их просто реализовать, процессы в них проходят быстро, легко могут быть повторены, зафиксированы регистрирующими приборами.
Методы моделирования на электронных вычислительных машинах часто называют методами непрямой аналогии . Они делятся на методы моделирования на аналоговых вычислительных машинах (АВМ) и цифровых (ЦВМ). Во всех методах предполагается наличие исходной системы уравнений в той или иной форме. Это может быть система дифференциальных или логико-дифференциальных уравнений, описывающая весь объект. Либо, например, описания отдельных компонентов и топология объекта.
Методы моделирования на АВМ являются исторически более ранними. Они выросли из методов прямой аналогии и состоят в том, что отдельный электронный компонент реализует определенную элементарную модель (интегратора, усилителя, апериодического звена, устройства умножения, нелинейного звена и т.п.). В результате, электронная модель имеет ту же топологию, что и исходная система. Достоинство моделирования на АВМ – то, что процессы здесь непрерывные, такие же, как в самом объекте. Если регулятор также непрерывный, то моделирование на АВМ может быть эффективным. Недостатки моделей на АВМ заключаются в сложности настройки и перестройки модели, необходимости специальных мер для поддержания ее стабильности, а главное в том, что вес и габариты модели пропорциональны ее сложности. К тому же на аналоговых моделях сложно моделировать современные логико-динамические системы.
Этих недостатков лишены методы моделирования на ЦВМ. Модель легко перестраивается. Реализация цифровых регуляторов также не представляет проблем. Основной недостаток цифровых моделей – необходимость реализации специальных алгоритмов численного интегрирования непрерывных процессов. Если объект имеет широкий разброс постоянных времени, то возникает проблема точного численного интегрирования его динамики, которая решается путем компромисса между временем счета и точностью.
Наконец, возможен расчетно-аналитический метод моделирования, который состоит в получении математической модели и оперировании с ней. С точки зрения исследований систем его возможности ограничены простейшими объектами. Однако формирование математической модели является неотъемлемым элементом любого метода моделирования на ЭВМ.
В общем случае под адекватностью понимают степень соответствия модели тому реальному явлению или объекту, для описания которого она строится. Вместе с тем, создаваемая модель ориентирована, как правило, на исследование определенного подмножества свойств этого объекта. Поэтому можно считать, что адекватность модели определяется степенью ее соответствия не столько реальному объекту, сколько целям исследования. В наибольшей степени это утверждение справедливо относительно моделей проектируемых систем (т. е. в ситуациях, когда реальная система вообще не существует).
Тем не менее, во многих случаях полезно иметь формальное подтверждение (или обоснование) адекватности разработанной модели. Один из наиболее распространенных способов такого обоснования - использование методов математической статистики . Суть этих методов заключается в проверке выдвинутой гипотезы (в данном случае - об адекватности модели) на основе некоторых статистических критериев. При этом следует заметить, что при проверке гипотез методами математической статистики необходимо иметь в виду, что статистические критерии не могут доказать ни одной гипотезы - они могут лишь указать на отсутствие опровержения.
Итак, каким же образом можно оценить адекватность разработанной модели реально существующей системе?
Процедура оценки основана на сравнении измерений на реальной системе и результатов экспериментов на модели и может проводиться различными способами. Наиболее распространенные из них :
– по средним значениям откликов модели и системы;
– по дисперсиям отклонений откликов модели от среднего значения откликов системы;
– по максимальному значению относительных отклонений откликов модели от откликов системы.
Названные способы оценки достаточно близки между собой, по сути, поэтому ограничимся рассмотрением первого из них. При этом способе проверяется гипотеза о близости среднего значения наблюдаемой переменной среднему значению отклика реальной системы .
В результате опытов на реальной системе получают множество значений (выборку) . Выполнив экспериментов на модели, также получают множество значений наблюдаемой переменной .
Затем вычисляются оценки математического ожидания и дисперсии откликов модели и системы, после чего выдвигается гипотеза о близости средних значений величин и (в статистическом смысле). Основой для проверки гипотезы является -статистика (распределение Стьюдента) . Ее значение, вычисленное по результатам испытаний, сравнивается с критическим значением , взятым из справочной таблицы . Если выполняется неравенство , то гипотеза принимается. Необходимо еще раз подчеркнуть, что статистические методы применимы только в том случае, если оценивается адекватность модели существующей системе. На проектируемой системе провести измерения, естественно, не представляется возможным. Единственный способ преодолеть это препятствие заключается в том, чтобы принять в качестве эталонного объекта концептуальную модель проектируемой системы. Тогда оценка адекватности программно реализованной модели заключается в проверке того, насколько корректно она отражает концептуальную модель.
Модель – это материальный или идеальный объект, замещающий исследуемую систему и адекватным образом отображающий ее существенные стороны. Модель объекта отражает его наиболее важные качества, пренебрегая второстепенными .
Компьютерная модель (англ. computer model), или численная модель (англ. computational model) – компьютерная программа, работающая на отдельном компьютере, суперкомпьютере или множестве взаимодействующих компьютеров (вычислительных узлов), реализующая представление объекта, системы или понятия в форме, отличной от реальной, но приближенной к алгоритмическому описанию, включающей и набор данных, характеризующих свойства системы и динамику их изменения со временем.
Говоря о компьютерной реконструкции, мы будем подразумевать разработку компьютерной модели определенного физического явления или среды.
Физическое явление – процесс изменения положения или состояния физической системы. Физическое явление характеризуется изменением определенных физических величин, связанных между собой. Например, к физическим явлениям относятся все известные виды взаимодействия материальных частиц.
На рисунке 1 представлена компьютерная динамическая модель изменения магнитного поля, образованного двумя магнитами, в зависимости от положения и ориентации магнитов относительно друг друга.
Рисунок 1 - Компьютерная динамическая модель изменения магнитного поля
Представленная компьютерная модель отражает динамику изменения параметров магнитного поля методом графической визуализации изолиниями. Построение изолиний магнитного поля
осуществляется в соответствии с физическими зависимостями, учитывающими полярность магнитов при их определенном расположении и ориентации в плоскости.
Рисунок 2 иллюстрирует компьютерную имитационную модель течения воды в открытом русле, ограниченном стенками длинного стеклянного лотка.
Рисунок 2 - Компьютерная имитационная модель течения воды в открытом русле
Расчет параметров открытого потока (формы свободной поверхности, расхода и напора воды и др.) в данной модели выполняется в соответствии с законами гидродинамики открытых потоков.
Расчетные зависимости составляют основу алгоритма, согласно которому производится построение модели потока воды в виртуальном трехмерном пространстве в реальном времени. Представленная
компьютерная модель позволяет произвести геометрические замеры отметок поверхности воды в различных точках по длине потока, а также, определить расход воды и другие вспомогательные параметры. На
основании полученных данных можно исследовать реальный физический процесс.
В приведенных примерах рассматриваются компьютерные имитационные модели с графической визуализацией физического явления. Однако компьютерные модели могут и не содержать визуальной или графической информации об объекте исследования. Тот же самый физический процесс или явление можно представить в виде набора дискретных данных, причем используя тот же алгоритм, на котором строилась имитационная визуальная модель.
Таким образом, основной задачей построения компьютерных моделей является функциональное исследование физического явления или процесса с получением исчерпывающих аналитических данных,
а уже второстепенных задач может быть много, в том числе и графическая интерпретация модели с возможностью интерактивного взаимодействия пользователя с компьютерной моделью.
Механическая система (или система материальных точек) – совокупность материальных точек (или тел, которые по условию задачи оказалось возможным рассматривать как материальные точки).
В технических науках среды разделяют на сплошные (непрерывные) и дискретные среды. Данное разделение является в некоторой степени
приближением
или аппроксимацией, поскольку физическая материя по своей сути дискретна, а понятие непрерывности (континуума) относится к такой величине,
как время. Другими словами, такая «сплошная» среда как, например, жидкость или газ состоит из дискретных элементов – молекул, атомов, ионов и т.д., однако математически описать изменение во
времени этих структурных элементов крайне сложно, поэтому к таким системам вполне обосновано применяются методы механики сплошных сред.
–
Дворецкий С.И., Муромцев Ю.Л., Погонин В.А. Моделирование систем. – М.: Изд. центр «Академия», 2009. –
320 с.
"Белов, В.В. Компьютерная реализация решения научно-технических и образовательных задач: учебное пособие / В.В. Белов, И.В. Образцов, В.К. Иванов, Е.Н. Коноплев // Тверь: ТвГТУ, 2015. 108 с."
Что понимается под адекватностью модели:
1) Остаточная компонента Е удовлетворяет 4-м условиям, сформулированным в теореме Гаусса-Маркова и соответствие модели наиболее важным (для исследователя) свойствам.
2.Величина коэффициента эластичности показывает:
1) На сколько % изменится в среднем результат при изменении фактора на 1%.
3.Когда используется метод инструментальных переменных:
39. Временным рядом является совокупность значений
1) экономического показателя за несколько последовательных моментов (периодов) времени.
40. Анализ возможности численной оценки неизвестных коэффициентов структурных уравнений по оценкам коэф-в приведенных уравнений составляет
1)проблема идентификации.
41. Этап корреляционного анализа, на котором определяются формы связи изучаемого экономического показателя с выбранными факторами-аргументами, имеет название
1) Спецификация модели
42. В чем заключается суть метода инструментальных переменных:
1) В частичной замене непригодной объясняющей переменной такой переменной, которая существенным образом отражает воздействие на результирующую переменную исходной объясняющей переменной, но коррелирует со случайной составляющей
43. Определить в какой системе уравнений находиться неидентифицируемое уравнение регрессии:
1) С t =а+в*У t +u t ; У t =С t +I t
44. Формула для определения значения уровня временного ряда при использовании экспоненциального сглаживания имеет вид:
1) у t =а*у t +(1-а)*у t -1
45. Экономическая модель, являющаяся системой одновременных уравнений состоит в общем случае
1) из поведенческих уравнений и тождеств
46. Выберите верные утверждения по поводу системы одновременных уравнений:
1) Может быть представлена в структурной форме модели и в приведенной форме
2) В ней одни и те же зависимые переменные в одних уравнениях входят в левую часть, а в других- в правую часть системы.
47.В линейном уравнении парной регрессии у=a+bx+E переменными не являются:
-а, -b.
48. Что понимается под показателями, характеризующие точность модели:
1) Разность между значениями фактических уровней ряда и их теоретическими уровнями, оцениваемыми с помощью статистических показателей.
49.Под аномальным уровнем временного ряда понимается:
1) Отдельное значение уровня временного ряда, которое не отвечает потенциальным возможностям исследуемой экономической системы и, оставаясь в качестве уровня ряда, оказывает существенное влияние на значение основных показателей.
50.Значение коэф-та корреляции равно 0,81. Можно сделать вывод о том, что связь между результативным признаком и фактором является:
1)достаточно тесной.
51.Формула для определения сглаженного значения уровня временного ряда при использовании скользящей средней имеет вид:
1)У=сумм У t р= m -1
52.Значение d-критерия статистики Дарбина-Уотсона в больших выборках связано с коэф-м автокорреляции случайного члена уравнения регрессии приближенно следующим соотношениям:
1)d p =2-2p
53.Что понимается под дисперсией случайного члена уравнения регрессии:
1) Возможное поведение случайного члена уравнения регрессии до того, как сделана выборка.
54.Выберите счетное формальное правило, отражающее необходимое условие идентифицируемости уравнений, входящих в систему одновременных уравнений:
1)Н=D+1
55.В каком случае нельзя отклонить нулевую гипотезу об отсутствии автокорреляции случайного члена уравнения регрессии:
1)Если расчетное значение критерия d попадает в зону неопределенности.
56.В каких случаях используется тест Чоу:
1)При решении вопроса о целесообразности разделение выборки на две подвыборки и построение, соответственно, двух регрессионных моделей.
57.Нелинейным считается уравнение регрессии нелинейное относительно входящих в него:
1)параметров.
58.Причиной положительной автокорреляции случайного члена уравнения регрессии обычно является:
1)Постоянная направленность воздействия не включенного в уравнение регрессии какого-либо фактора.
59.Что является предметом эконометрики:
1)Факторы, формирующие развитие экономических явлений и процессов.
60.Ошибки первого рода устраняются путем:
1)Замены аномального наблюдения средней арифметической двух соседних уровней ряда.
61.Фиктивная переменная может принимать значения:
1)0, 2)1
62.Согласно тесту ранговой корреляции Спирмена нулевая гипотеза об отсутствии гетероск-ти случайного члена уравнения регрессии будет отклонена при уровне значимости 5%, если тестовая статистика:
1)Будет больше 1,96
63.Корреляция подразумевает наличие связи между:
1)переменными
64.Отбор факторов в экономическую модель множественной регрессии может быть осуществлен на основе:
1)Матрицы парных коэф-ф корреляции.
65. Как устранить автокорреляцию случайных членов уравнения регрессии, если она описывается авторегрессионной схемой первого порядка:
1)Необходимо исключить из уравнения регрессии все факторы, вызывающие автокорреляцию.
66.Что понимается под «совершенной мультиколлинеарностью» объясняющих переменных в уравнении регрессии:
1)Функциональную связь друг с другом объясняющих переменных в уравнении регрессии.
67.КМНК применим для:
1)идентифицируемой системы одновременных уравнений.
68. Эконометрическая модель-это
1)экономическая модель, представленная в математической форме
69.С использованием какой формулы можно вычислить коэф-т парной корреляции:
1)r x,y =Cov(x,y)
(Var(x)*Var(y))^0,5
70.Эффективность МНК- оценки параметров уравнения регрессии означает что:
1)Оценки имеют наименьшую дисперсию по сравнению с любыми другими оценками данных параметров.
Случайная компонента числового ряда соответствует нормальному закону распределению;
Математическое ожидание случайной компоненты не равно нулю;
Значения уровней случайной компоненты независимы;
2) соответствие модели нормальному закону распределения;
3) соответствие модели числового ряда наиболее важным для исследователя свойствам изучаемого объекта.
Что проверяется при использовании теста, основанного на критерии серий?
1) Проверка случайности колебаний уровня остаточной последовательности.
2) Проверка соответствия распределения случайной компоненты нормальному закону распределения.
3) Оценка статистической надежности уровня регрессии.
Что такое медиана выборки?
1)Срединное значение упорядоченного ряда при n нечетном или среднее арифметическое из 2-х соседних срединных значений при n четном.
2) Протяженность самой длинной серии.
3) Общее число серий.
20. Что представляет собой в тесте, основанном на критерии серий, величины:
K
=
u
=
1)Протяженность самой длинной серии и общее число серий.
2)Срединное значение ряда и медиана выборки.
3)Асимметрия и общее число серий.
21. При проверке соответствия распределения случайной компоненты нормальному закону распределения:
Вероятность преобладания отрицательных отклонений над положительными;
Вероятность преобладания положительных отклонений над отрицательными;
Вероятность принятия нулевой гипотезы.
Вероятность увеличения малых отклонений;
Вероятность уменьшения больших отклонений;
Вероятность уменьшения малых отклонений, вероятность увеличения больших отклонений.
Стандартные отклонения случайных величин b 0 и b 1;
Статистическую зависимость между факториальными признаками;
Влияние отдельных факторв на y.
Гипотеза о нормальном распределении случайной компоненты принимается, если выполняются неравенства:
22. При проверке равенства математического ожидания случайной компоненты нулю:
22.1 – расчетное значение t – критерия Стьюдента находится по формуле:
1)
22.2 – стандартное среднеквадратическое отклонение для остаточной последовательности равно:
2)
22.3 – гипотеза о равенстве нулю математического ожидания при заданном уровне значимости α и числе степеней свободы k = n – 1 принимается, если:
1) расчетное значение t не зависит от стандартного среднеквадратического отклонения остаточной последовательности;
2) расчетное значение t меньше табличного значения по статистике Стьюдента;
3) расчетное значение t больше табличного значения по статистике Стьюдента.
23. Расчетное значение критерия Дарбина-Уотсона(d- критерия)
находится по формуле:
а) 
;
б) 
;
в) 
.
24. Критерий Дарбина – Уотсона используется при проверке:
1
) независимости значений уровней случайной компоненты
;
2) случайности колебаний уровней остаточной последовательности;
3) равенства математического ожидания случайной компоненты нулю.
25. Проверка по d – критерию Дарбина – Уотсона производится путем сравнения:
1) расчетного значения d р с верхним критическим (d 2) и нижним критическим (d 1) значениями статистики Дарбина – Уотсона;
2) расчетного значения d р с диапазоном по d – статистике, внутри которого находится критическое значение d кр ;
3) расчетного значения d р с критическим значением d кр с заданным уровнем значимости и числом степеней свободы k=n-1.
26. ЧТО ПОНИМАЕТСЯ ПОД ТОЧНОСТЬЮ МОДЕЛИ:
1) степень соответствия модели исследуемому процессу или объекту;
2) степень правильного отражения систематических компонент ряда: трендовой, сезонной, циклической и случайной составляющих;
3) степень совпадения теоретических значений 
с фактическими
.
27. Какие статистические показатели используются для оценки точности модели?
1)Среднеквадратическое отклонение σ, среднеотносительная ошибка аппроксимации ε ср.отн., коэффициент сходимости φ, коэффициент множественной детерминации R 2
2) Коэффициент сходимости φ, среднеквадратическое отклонение σ, коэффициент множественной детерминации R 2
3) Среднеквадратическое отклонение φ, среднеотносительная ошибка аппроксимации ε ср.отн
28.Какой недостаток имеет показатель точности модели – среднее квадратическое отклонение?
1) Он не зависит от масштаба y, а следовательно и различные σ
мы можем получить только от одинаковых объектов
2) Он зависит от масштаба y, но для разных объектов мы не можем получить разные σ
3) Он зависит от масштаба y, т.е. для разных объектов мы можем получить разные σ
2
9.Что показывает коэффициент сходимости?
1) Показывает долю изменения y, объясняемую изменением включенных в модель факторов
2) Показывает, какая доля в изменении результирующего признака может быть объяснена изменением не включенных в модель факторов
30. Что показывает коэффициент множественной детерминации R 2 ?
1) Показывает долю изменения y, объясняемую изменением включенных в модель факторов
2) Показывает, какая доля в изменении результирующего признака может быть объяснена изменением не включенных в модель факторов
3) Показывает долю изменения y, объясняемая изменением не включенных в модель факторов
31. С использованием какой формулы определяется величина коэффициента множественной детерминации?
1) 
;
2) 
;
3) 
.
Почему в большем числе случаев используется уравнение регрессии выраженное в виде линейного алгебраического уравнения?
1) потому что все экономические процессы описываются линейными алгебраическими уравнениями регрессии;
2) чтобы избежать смещенности оценок;
в) потому что необходимо использовать линейный регрессионный анализ, который может быть применен только к линейным уравнениям.
33. Закон сложения дисперсий для функции:
1) общая дисперсия равна сумме дисперсии теоретических значений результирующего показателя и дисперсии фактических значений результирующего показателя;
2) общая дисперсия равна сумме дисперсии теоретических значений результирующего показателя и дисперсии остатков;
в) общая дисперсия, равна сумме дисперсий, которые появляются под влиянием факториальных признаков включенных в модель.
34. Какая формула отображает остаточную дисперсию?
а) 
;
б) 
;
в) 
.
35. Что характеризует коэффициент множественной корреляции?
1) Коэффициент множественной корреляции характеризует влияние различных факторов на результирующий признак и взаимосвязи факторов между собой.
2) Коэффициент множественной корреляции характеризует тесноту и линейность статистической связи рассматриваемого набора факторов с исследуемым признаком, или, иначе, оценивает тесноту совместного влияния факторов на результат.
3) Коэффициент множественной корреляции характеризует долю изменения результирующего признака, которую можно объяснить изменением включенных в модель факторов.
36. С использованием какой формулы можно вычислить коэффициент парной корреляции?
1) 
2) 
3) 
37. Что показывает коэффициент парной корреляции?
1) Коэффициент парной корреляции показывает тесноту связи функции y с аргументом x i и взаимосвязи аргументов между собой, при условии, что прочие, не включенные в уравнение регрессии аргументы этой функции действуют корреляционно независимо от аргумента x i .
2) Коэффициент парной корреляции характеризует долю изменения результирующего признака, которую можно объяснить изменением невключенных в модель факторов.
3) Коэффициент парной корреляции характеризует тесноту связи между результатом и соответствующим фактором.
38. Что показывает коэффициент частной корреляции?
1) Коэффициент частной корреляции наилучшим образом характеризует силу индивидуального влияния каждого фактора, включенного в уравнение регрессии, на результирующий признак.
2) Коэффициент частной корреляции характеризует тесноту связи рассматриваемого набора факторов с исследуемым признаком, или, иначе, оценивает тесноту совместного влияния факторов на результат.
3) Коэффициент частной корреляции показывает, что два или более факторов связаны между собой линейной зависимостью, т.е. имеет место совокупное воздействие факторов друг на друга.
39. Величина коэффициента частной корреляции определяется по формуле:
1.
2.
3
. 
40. Чему равен коэффициент эластичности для линейного алгебраического уравнения?
1.
2
. 
3.
41. Что понимается под значимостью выборочных статистических показателей?
- вероятность принятия нулевой гипотезы
Степень совпадения Уфак. И Утеор.
Соответствие показателя наиболее значимым свойствам или явлениям
42. Как производится проверка значимости уравнения регрессии в целом?
43. Как формулируется «нулевая гипотеза» при определении статистической значимости уравнения регрессии в целом?
1) Каждый коэффициент уравнения регрессии в генеральной совокупности равен нулю.
2) Коэффициенты парной корреляции в генеральной совокупности равны нулю.
3) Коэффициенты уравнения регрессии в генеральной совокупности равны нулю, а 0 = 
.
44. По какой формуле рассчитывается F- критерий Фишера?
1) F = σ 2 y + σ 2 ε
2)
F
= 
3) F = 
45. Как формулируется «нулевая гипотеза» при определении статистической значимости отдельных коэффициентов уравнения регрессии?
1) Коэффициенты парной корреляции в генеральной совокупности равны нулю.
2) Каждый коэффициент уравнения регрессии в генеральной совокупности равен нулю.
3) Коэффициенты уравнения регрессии в генеральной совокупности равны нулю, а
0
= .
46. По какой формуле рассчитывается t- критерий Стьюдента
1) 
3)
t
ф
= 
2) t p = r x | ε | ×
47. Каким условиям должна отвечать остаточная компонента в уравнении регрессии для того, чтобы данное уравнение адекватно отражало изучаемые взаимосвязи между показателями:
1) случайность колебаний уровней остаточной последовательности;
2) математическое ожидание случайной компоненты не равно 0;
3) соответствие распределения случайной компоненты нормальному закону распределения;
4) значения уровней случайной компоненты независимы;
48. По какой формуле определяется доверительный интервал для отдельных коэффициентов уравнения регрессии:
1) а j - s aj t кр £ a j £ a j + s aj *t кр;
2) а j - s aj t кр ³ a j ³ a j + s aj *t кр;
3) а j + s aj t кр £ a j £ a j + s aj *t кр;
4) а j - s aj t кр ³ a j ³ a j - s aj *t кр;
49. Какие коэффициенты характеризуют силу влияния на результирующий признак отдельных факторов и их совокупное влияние:
1) коэффициент парной корреляции;
2) коэффициент множественной корреляции;
3) коэффициент частной корреляции;
4) коэффициент множественной детерминации;
Д) все ответы верны
50. Почему не имеет смысла путем повышения порядка уравнения регрессии добиваться равенства 0 остаточной случайной компоненты:
1) т.к. при повышении порядка уравнения регрессии, значение остаточной случайной компоненты будет увеличиваться;
2) не измениться;
3) т.к. нельзя добиться того чтобы остаточная случайная компонента была = 0 ;
4) все ответы не верны;
ВОПРОСЫ ДЛЯ ТЕСТОВ
Проблема соответствия модели реальному объекту очень важна. Принято говорить, что модель адекватна оригиналу, если она, верно, отражает интересующие нас свойства оригинала и может быть использована для предсказания его поведения. При этом адекватность модели зависит от целей моделирования и принятых критериев. Например, модель, адекватная на этапе поискового проектирования, при детализации проекта теряет это свойство и становится слишком «грубой». Учитывая изначальную неполноту модели, можно утверждать, что идеально адекватная модель в принципе невозможна.
В рамках каждой научной дисциплины разрабатывается совокупность приемов и правил, следование которым позволяет создавать отвечающее исходным гипотезам описание и получать предварительную оценку его адекватности рассматриваемому явлению. Окончательный анализ данной оценки осуществляется на этапе проверки модели, на котором устанавливается правомерность исходных посылок в соответствии с целью исследования реального явления и определяется степень соответствия ему полученной модели.
Приближенность модели к действительному объекту можно рас-
сматривать в следующих аспектах:
● с точки зрения корректности связи «вход-выход»;
● с точки зрения корректности декомпозиции модельного описания применительно к целям исследования и использования моделей.
Степень соответствия моделей в первом случае принято называть собственно адекватностью, во втором – аутентичностью. В последнем случае требуется, чтобы все подмодели и их элементы были адекватны соответствующим прототипам реального объекта. Проблема аутентичности значительно сложнее адекватности и может рассматриваться лишь при получении математической модели классическим способом, т. е. «изнутри». Первая проблема допускает строгий анализ, однако также является актуальной, сложной и далекой от полного разрешения.
Можно выделить два способа оценки адекватности, один из которых используется, если есть возможность сравнить модель и объект, другой – если такой возможности нет.
Первый способ представляет собой разовую процедуру, основанную на сравнении данных, наблюдаемых на реальном объекте, с результатами вычислительного эксперимента, проведенного с моделью. Модель считается адекватной, если отражает исследуемые свойства с приемлемой точностью, где под точностью модели понимается количественный показатель, характеризующий степень различия модели и изучаемого явления. Таким образом, в первом способе мера адекватности является количественной. Ею может быть значение некой функции несогласованности между моделью и измерениями.
Мера адекватности принципиально является векторной и взвешенной. Векторность связана с тем, что реальные объекты характеризуются не одним, а несколькими выходными показателями. Причем один и тот же выходной параметр модели может оказаться важным для одних применений модели и второстепенным для других.
Возможна также вариация данного подхода, когда объект заменяется эталонной моделью, заведомо более точной, чем исследуемая.
Использование количественной характеристики позволяет сравнивать различные модели по степени их адекватности.
Второй способ представляет собой перманентную процедуру, основанную на использовании верификационного подхода, нацеленного на формирование определенного уровня доверия к модели. Такая процедура всегда используется, если нет возможности проверить модель экспериментально, например, объект находится в стадии проектирования либо эксперименты с объектом невозможны.
Процесс оценки достоверности имеет две стороны:
● приобретение уверенности в том, что модель ведет себя как реальная система;
● установление того, что выводы, полученные на ее основе, справедливы и корректны.
По сути, он сводится к обычному компромиссу между стоимостью проверки и последствиями ошибочных решений.
Для проверки модели могут использоваться разные приемы:
● проверка физического смысла (соблюдение физических законов);
● проверка размерности и знаков;
● проверка пределов;
● проверка тренда, т. е. тенденции изменения выходных переменных в зависимости от внутренних и внешних переменных, и т. п.
Например, при моделировании вращательного движения твердого тела необходимо убедиться в том, что выполняется закон сохранения кинетического момента. Также необходимо быть уверенным, что модель не будет давать абсурдных результатов, если параметры выходят на пределы.
