Практичні КММ

МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ
КИЇВСЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ

ТЕХНОЛОГІЙ ТА ДИЗАЙНУ
Кафедра комп’ютерної інженерії та електромеханіки
КОМП’ЮТЕРНЕ МАТЕМАТИЧНЕ МОДЕЛЮВАННЯ

Методичні вказівки до практичних занять
для аспірантів денної та заочної форм навчання

освітньо-наукового рівня «Доктор філософії»
усіх спеціальностей
Київ КНУТД 2021

Комп’ютерне математичне моделювання: Методичні вказівки до
практичних занять для для аспірантів денної та заочної форм навчання
освітньо-наукового рівня «Доктор філософії» усіх спеціальностей. / Упор. Б.
М. Злотенко. – К. : КНУТД, 2021. – 59 c.
Упорядник: Злотенко Б. М., д.т.н., професор.
Відповідальний за випуск завідувач кафедри комп’ютерної інженерії та

електромеханіки
д.т.н., професор Злотенко Б. М.
Затверджено на засіданні кафедри комп’ютерної інженерії та

електромеханіки
Протокол № 7 від 18 січня 2021 р.
2
ЗМІСТ
Стор.
ВСТУП…………………………………………………………………..... 3
Практична робота № 1…………………………………………...… 4
Практична робота № 2……………………………………………… 16
Практичні роботи № 3…………………………………………….…. 15
Практична робота № 4..…………………………………………..…… 31
Практична робота № 5..……………………………………………..… 35
Практична робота № 6………………………………………………… 38
Практична робота № 9..……………………………………..………… 46
Практична робота № 10..……………………………………………… 48
ВСТУП
Розв’язання будь-якої наукової задачі, яка потребує застосування
математичних методів, у загальному випадку має три етапи. Перший етап –
осмислення умови задачі та насамперед осмислення головної мети
розрахунку. Тут суттєвим моментом є коректний перехід від вербального
опису умови до її точного математичного формулювання. Другий етап
полягає в проведенні необхідних обчислень. На цьому етапі також постає
проблема вибору конкретного методу проведення розрахунків з метою
отримання результату найбільш оптимальним шляхом, із забезпеченням
гарантії того, що цей результат буде задовольняти умовам точності. Саме на
цьому етапі незамінними є системи комп’ютерної математики, які
дозволяють швидко й точно розв’язати задачу, реалізуючи кращі на
сьогоднішній день алгоритмічні доробки. Нарешті, одержання результату в
тій чи іншій формі ще не означає, що розв’язання задачі завершено. Наступає
третій, не менш важливий етап – це аналіз отриманого результату на
відповідність його фізичному змістові умови задачі.
Сучасне компюп’ютерне математичне моделювання базується на
викорстанні систем комп’ютерної математики (СКМ) – програмних
засобів нового покоління, призначених для виконання чисельних та
аналітичних розрахунків будь-якого рівня складності, спрямованих на
розв’язання різноманітних задач, які допускають коректне формулювання за
допомогою термінів математики. При цьому, як правило, у системах
комп’ютерної математики реалізовано високий ступінь візуалізації як
проміжних, так і кінцевих розрахунків. Це потужні програмні середовища,
які може ефективно застосовувати будь-який користувач ПЕОМ для
створення власних інформаційних продуктів високого рівня, не будучи при
цьому професійним програмістом та математиком. Характерною рисою СКМ
3
є їх гнучкість – користувачеві дається можливість активно втручатися в хід
обчислень, при необхідності спрямовуючи розв’язання задачі в потрібне
йому русло.
На сьогоднішній день до універсальних СКМ можна віднести відомі
програмні продукти, розроблені відомими західними фірмами, такими як
MathSoft, MathWorks, Waterloo Maple, Wolfram. Найбільшу популярність
мають системи MathCAD, Maple, Mathematica, MATLAB.
Практична робота № 1
Тема «Основи інтерфейсу користувача програми MathCad»
Мета роботи: вивчення інтерфейсу користувача MathCad, одержання

первинних навичок виконання обчислень з числами, векторами, матрицями,
функціями.
Загальні відомості
У найпростішому випадку робота з МathСad зводиться до підготовки у
вікні редагування завдання на обчислення і до установки форматів для їхніх
результатів. Для цього використовуються різні прийоми підготовки блоків,
що визначаються використовуваним типом редактора. МathСad інтегрує три
редактори: формульний, текстовий і графічний. За допомогою цих редакторів
формуються відповідно обчислювальний блок, текстовий блок з коментарями
і блоки з графікою.
Формульний редактор. Для запуску формульного редактора досить
встановити курсор миші в будь-якім вільному місці вікна редагування і
клацнути лівою клавішею. З'явиться візир у вигляді маленького червоного
хрестика. Його можна переміщувати клавішами переміщення курсору. Візир
не треба плутати з курсором миші, він, як говориться, живе своїм життям і
має вид жирної похилої стрілки.
Візир вказує місце, з якого можна починати набір формул –
обчислювальних блоків. Щиглик лівої клавіші миші установлює візир на
місце, зазначене вістрям стрілки курсору миші. У залежності від місця
розташування візир може змінювати свою форму, до чого ви швидко
звикнете. В області формул візир перетворюється в синій куточок, що вказує
напрямок і місце введення.
Підготовка обчислювальних блоків полегшується завдяки виведенню
шаблона при завданні того чи іншого оператора. Для цього в МathСad
слугують набірні панелі із шаблонами різних математичних символів.
Припустимо, що потрібно обчислити визначений інтеграл. Для цього
спочатку необхідно вивести панель операторів Calculus; її піктограма в рядку
інструментів має знаки інтеграла і похідної. Потім варто установити візир у
те місце екрана, куди виводиться шаблон, і на панелі зробити активною
піктограму з зображенням знака визначеного інтеграла.
4
У складі складних шаблонів часто зустрічаються шаблони для введення
окремих даних. Вони мають вид невеликих чорних квадратиків. У шаблоні
інтеграла їх чотири: для введення нижньої і верхньої границь інтегрування,
для завдання підінтегральної функції і для вказівки імені змінної, по якій йде
інтегрування.
Для введення підінтегральної функції (наприклад, корінь квадратний з
вираження 1+х2) потрібно зробити наступні дії:
- встановивши курсор миші осторонь від місця введення, вивести палітру
Calculator;
- підвести курсор миші під шаблон введення функції і клацнути лівою
клавішею для фіксації початку введення;
- активізувати (мишею) кнопку зі знаком квадратного кореня на палітрі;
- виконати введення вираження під знаком квадратного кореня (при цьому
можливо редагування даних за допомогою стандартних операцій
редагування).
Потім таким же способом треба заповнити інші шаблони, тобто ввести
границі інтегрування й ім'я змінної, по якій виконується інтегрування.
Встановивши знак рівності після отриманого вираження, можна відразу
побачити результат обчислення визначеного інтеграла.
Зрозуміло, є можливість задавати шаблони для обчислювальних блоків і
з клавіатури.
Текстовий редактор. Текстовий редактор дозволяє задавати текстові
коментарі. Вони роблять документ із формулами і графіками більш
зрозумілими. Для відкриття текстового редактора необхідно ввести команду
Insert – Text Region або символ “ (подвійні лапки). Чорний прямокутник, що
з'явився, із двома чорними квадратиками позначає створений текстовий
регіон, у який можна почати вводити англомовний текст. Для введення
тексту на російській чи українській мові попередньо необхідно перевести
клавіатуру на потрібну мову й встановити зі списку перемикача Font будь-
який набір символів з розширенням Cyr. У текстовому блоці візир має вигляд
червоної вертикальної риси і відзначає місце введення. Текст редагується
загальноприйнятими засобами: переміщенням місця введення клавішами
керування курсором, установкою режимів вставки і заміщення символів
(клавіша Insert), стиранням (клавіші Del і Backspace), виділенням,
копіюванням у буфер обміну, вставкою з буфера і т.д.
Виділення і редагування об'єктів. При редагуванні математичних
виразів важливою можливістю є виділення їх цілком чи у вигляді окремих
фрагментів. Власне кажучи це означає заміну одномірного маркера у вигляді
синьої вертикальної риси на двовимірний у вигляді синього куточка, що
виділяє частину виразу.
У МathСad, починаючи з версії 7.0, виділення за допомогою миші
помітно поліпшене і практично не відрізняється від добре відомого виділення
текстових виразів. Для цього досить встановити текстовий курсор миші на
5
початок фрагменту, що виділяється, натиснути ліву клавішу миші і,
утримуючи її, рухати маркер до кінця цього фрагмента. Виділений фрагмент
міститься на темному фоні. Виділення написів звичайно здійснюється з
метою зміни стилю, розміру і типу шрифту. Для цього досить виділити напис
і змінити шрифт чи його параметр.
Виділення в математичних виразах, хоча і нагадують виділення в тексті,
усе-таки більш складні і вимагають для швидкого проведення визначених
навичок. Звичайно виділення у вираженнях задаються синім куточком. Він
указує напрямок введення. Якщо куточок спрямований праворуч, то введення
здійснюється вправо, а видалення – ліворуч, якщо куточок спрямований
вліво, те введення здійснюється ліворуч від нього, а видалення – праворуч.
Виділення фрагментів математичних виражень необхідно для зміни
шрифтів, якими набирається вираз. Наприклад, для зміни шрифту в
математичних формулах досить виділити одну букву, встановивши виділення
у вигляді жирної вертикальної риски відразу після букви. Потім можна
скористатися засобами модифікації шрифтів. Слід зазначити, що зміна
параметрів і типів шрифтів для визначених об'єктів (наприклад, змінних чи
констант) діє глобально. Так, якщо збільшити розміри позначення який-
небудь змінної, те всі позначення інших змінних теж будуть збільшені.
Робота з матрицями і векторами
Введення матриць і векторів. Як відомо, матриця є заданим своїм ім'ям
об'єктом у виді масиву даних. МathСad використовує одномірні масиви –
вектори і двовимірні – власне матриці. У МathСad введення векторів
виконується так само, як і введення матриць. Матриця характеризується
числом рядків (Rows) і числом стовпців (Columns) Нагадаємо, що вектор має
один з параметрів розмірності, рівний 1. Таким чином, число елементів
матриці чи її розмірність дорівнює [Rows х Columns]. Елементами матриць
можуть бути числа, константи, змінні і навіть математичні вирази.
Відповідно матриці можуть бути чисельними і символьними.
Завдання матриці полягає у використанні команди Matrix меню Insert або
відповідної піктограми палітри Matrix. У поточному вікні з'являється
діалогове вікно, що дозволяє задати розмірність вектора чи матриці. Для
цього потрібно вказати число рядків Rows і число стовпців Columns.
Натискання клавіші Enter чи щиглик миші на зображенні клавіші Insert
(Вставити) у вікні приводить до виведення шаблона матриці чи вектора
Шаблон містить дужки, що його обрамляють, і темні маленькі
прямокутники (осередки), що позначають місця введення значень для
елементів вектора чи матриці. Один з осередків можна зробити активним
(позначивши його курсором миші). При цьому він укладається в куточок. Це
вказує на те, що в нього будуть вводитися значення відповідного елемента.
За допомогою клавіш переміщення курсору або клавіші Tab можна
пробігтися по всіх осередках і ввести всі елементи вектора чи матриці.
6
Векторні і матричні оператори. Для роботи з векторами і матрицями
МathСad має ряд операторів і функцій. Операції з матрицями в МathСad
позначаються так, як це прийнято в математиці (операція скалярного добутку
позначається символом *, векторного - ). На палітрі Matrix розташовуються
кнопки, призначені для введення матриць, визначника (детермінанта)
матриці, покомпонентного множення двох векторів чи матриць однакового
розміру (операція векторізації), скалярного добутку двох векторів,
векторного добутку двох векторів, визначення суми компонент вектора,
вибору окремого стовпця матриці, транспонування матриці, створення
матриці, кожен елемент якої містить колірне значення одного пікселя
растрового зображення.
Під незвичайним для математичної літератури поняттям «векторізація»
мається на увазі одночасне проведення деякої скалярної математичної
операції над всіма елементами вектора чи матриці, позначеними знаками
векторізації (). Тобто векторізація дозволяє застосувати скалярні оператори
і функції до масивів. Нерідко це спрощує запис математичних алгоритмів,
особливо для забезпечення рівнобіжних обчислень.
Існує також ряд вбудованих векторних і матричних функцій. У таблиці
наведені найбільше часто використовувані.
Послідовність виконання роботи

1. Вивчити структуру вікна програми MathCad, команди головного меню.
2. Створити текстовий регіон у робочому документі MathСad і оформити
заголовок практичної роботи, указавши варіант завдання (варіанти
індивідуальних завдань наведені в таблиці 1)..
3. Обчислити вирази, задані в пункті 1 індивідуального завдання. Для
виведення результатів виконання п.1.1, 1.2, 1.3 використовувати символ =, а
для п.1.4 – знак символьної рівності .
4. Обчислити значення функції (пункт 2 індивідуального завдання).
5. Знайти рішення нелінійного рівняння при заданому початковому наближенні
х (пункт 3). Результат відобразити графічно.
6. Знайти всі корені полінома (пункт 4).
7. Створити довільну матрицю заданого розміру [n x m] і виконати її
перетворення (пункт 5).
Табл. 1
Варіант 1
1 1
 3  2 j
2
 
0
2  
1 3   3  ;
 5  0.64 0,5     41,5    ; 5  3 j
1.1. 8  4  1.2.
 e x  ex
2 lim .
  x 0 sin  x 

2
sin x dx; 1.4.
1.3. 0
7
2 f  x   x  2  arctg  x  . В одній точці x = 0,5; у трьох точках х = 0,3; 0,7; 1,4;

в діапазоні від 0 до 2 з кроком 0,2.
3 8 x  x  4; х = 0 4 x 4  9 x 3  31x 2  59 x  60  0
5 [4 х 2] і здійснити її транспонування
Варіант 2
  1.2. 5  3 j 3  2 j   0,5  j;

1 1
4
0,5
6 , 25  510
 810, 25
 0,064 3   3 ;
1.1.
1
tg x   x
lim .
x0 x  sin  x 

4
x dx ; 1.4.
1.3. 0
2 F x   x  ln x  . В одній точці x = 2; у трьох точках х = 0,5; 1; 3;
в діапазоні від 0,1 до 10 з кроком 1,3.
3 0,1  x lg  x 2  100; 4 2 x 2  5 x  10  0
х = 900
5 [2 х 4] і виділити 3-й стовпчик
Варіант 3
1.2. 2  3 j   3  2 j ;
1 1 2
1.1. 0,81   3  16
2
2 0, 75
 3 125 ;

x  arcsin  x  2
1.4.
lim
x0 sin 3
x
.  sin x dx;
1.3. 0
2 x2  1
F x  
1  x . В одній точці x = -5; у трьох точках х = -2; 1; 10;
в діапазоні від 0 до 10 з кроком 1.
3 4 x  3 x  0, 5  3 x  0, 5  2 2 x  1 ; 4 x 2  2 x  15  0
х=0
5 [2 х 2] і виконати її інвертування.
Варіант 4
1.2. 3  5 j 2  3 j   1  j ;
1 1 1 0
 1 
1,69  0,027 3  4  2 3  
6
 ;
1.1.  2 2
e x sin x   x
2
1
lim .  dx;
1.3. 0 1  x
2
1.4. x0 3x  x
2 5
2 x2
F x    ln  x 
2 . В одній точці x = 5; y трьох точках х = 1; 4; 10;
3 8  x  4 x  7; х = 0 4 x 3  10 x 2  x  5  0
5 [5 х 4] і виділити 4-й стовпчик.
Варіант 5
8
1 1 0 2
 3  1 
1.2. arcsin 3  2 j ;
0, 25
625  0,0081 4  3 27       ;
1.1.  
2  5  
3
x 4
 tg x dx;
2
lim .
x2 x  2 1.3. 0
1.4.
2 f x   x  3 x 3  1 . В одній точці x = -10; y трьох точках х = -12; 0,5; 10;
в діапазоні від -2 до 4 з кроком 1.
3 4 x  10  2 x1  10  0 ; х = 10 4 x 3  3x 2  10  0
5 [3 х 2] і виділити 2-й рядок.
Варіант 6
1 1 e
1,456 5 9 1
7

16
    0,8  8
 2
3
 x dx
1.3. 1 ;
1.1. 25 0 ,125 ; x3  1
1.2. arccos 3  2 j  ;
lim
1.4. x1 x  1 .
2 x 1
F x  
x  1 . В одній точці x = 5; y трьох точках х = 1; 4; 10;
3 x  5  5x  9 ; х=0 4 x 4  2 x3  5x 2  2 x  3  0
5 [3 x 5] і транспонувати її.
Варіант 7
 2
1  2 2   2  1  2  1 
 3  0,4  0,375         75  6,25   cos2 xdx
3
1.1. 
4   5  3  ; 1.3. 0 ;
1.2. arctg (5  2 j ) ; 3x  1
lim
1.4. x 2 x  5 .
2  1
f ( x)  ln  e  
 x  . В одній точці x = -1; y трьох точках х = 0,1; 0,6; 1,4;
в діапазоні від 0,6 до 6,5 з кроком 1,5.
3 18  x  3x  10 4 5 x 2  10 x  5  0
; х=0
5 [2 x 5] і виділити другий рядок.
Варіант 8
1 1 2 1  2
10       
9 62 2
 sin( x) cos
2
  0,3  4,5           ( x)dx
 2    75  5  
1.1. 
3 1.3. 0 ;
;
sec( 5  4i ) e  sin( x)  1
x
1.2. ; lim
1.4.
x0 ln(1  x) .
9
2 f ( x)  3 x 2  x . В одній точці x = -2; y трьох точках х = 1; 4; 10;
3 5 lg  x   50  x lg 5 ; х=10. 4 6x 3  9x 2  2  0
5 [4 x 3] і виділити другий стовпчик.
Варіант 9
1 12 33 3
4 0,5    9  42,45
ln sin 3x 

5 1,8 1
1.1. ;  3  2 cos(x) dx lim
1.2. lg 7  5i ; 1.3. 0 ; 1.4. x0 ln sin x  .
2 f x   4 x  x 2  3 . В одній точці x = -1; y трьох точках х = -12; 0,6; 10;

3 5 2 x3  2  5 x2  3  0 ; х=5. 4 5x 4  10x 3  3  0
5 [4 x 4] і обчислити детермінант.
Варіант 10
1 19  4  1  4
x
5       1,4  9  2,25
2 0, 5
 
dx
 4  5   1.3. 1 2 4 x ;
1.1. ;
ln tg x 
1.2. tg 12  5i  ; lim
1.4. x0 ln tg x  .
2 F x   ln x
. В одній точці x = 5; y трьох точках х = 1; 4; 10;
3 5x  1  4x  2 ; х=10. 4 4 x 3  3x  1  0
5 [2 x 2] і виконати її інвертування.
Варіант 11
1  1 1   2    20 
2 1
 5  12 j
2   7,2  
4
      3 27
1.1. 
4  3    19 
; 1.2. 1  2 j ;
1
1 lim x  ctg 2 x
 dx

1.3. 1 1  x 
2 2
;
1.4. x 0 .
2 f x   x  e  x
. В одній точці x = -1; y трьох точках х = -5; 0; 10;
3 10  x  4 x  7 4 5 x 2  3x 3  x  10  0
; х=0.
5 [2 х 2] і обчислити детермінант.
Варіант 12
10
1 2   5 
2
10 3  5i   4  i 
24,57   3,35       15 
2
1.1.
7   8    52 ;
1.2. 2i ;
 .
5
 x  1xdx
1.4.
lim x x 2  1  x
x
1.3. 1 ;
2 f  x   e  sin  x 
2 x
. В одній точці x = 1; y трьох точках х = 1; 4; 10;
3 0,2 x2 7 x8  25 4 x 3  10 x 2  2 x  4  0
; х=0.
5 [4 х 4] та виконати її інвертування.
Варіант 13
1  25   2  2 2
 13 4
    2,5    0,64 3
1
1.1.   12  5  
 4
; 
3 x  x 1
2
dx y
lim ay
1.2. 4  3i   3  2i   0,5  i ; 1.3. 4 ; 1.4. y e .
2 f  x   x  arctg  x  . В одній точці x = -5; y трьох точках х = -12; 0,5; 12;
3 4 x2  4 x  0 ; х=0. 4 x3  6x  2  0
5 [2 х 4] та виділити 1-ий рядок.
Варіант 14
1 5,1 119
  14  64   0,1
1 3 2 4  5 j 2
1.1.  2
3
10 ; 1.2. 3 2j ;
cos 1
 6  5 sin  sin 2  d lim ctg  x ln  x 
1.3. ; 1.4. x0 .
2 F x   cos3 x  sin 3 x
. В одній точці x = 0,1; y трьох точках х = 0; 0,5; 1,2;
в діапазоні від 0 до 6,28 одержати 5 розрахункових точок.
3 9 x2 1  36  3 x2 3  3  0 4 2
; х=2. x 4  3x 2   0
9
5 [5 х 3] та транспонувати її.
Варіант 15
1.2. 4  3i   3  2i   0,5  i ;
1  25   2  2 2
 13
     2,5    0,64
12  5 
1.1.   4
4
; 3
1
lim ay
y 3 x  x 2
 1
dx
1.4. y e . 1.3. 4 ;
2 f  x   x  arctg  x  . В одній точці x = -5; y трьох точках х = -12; 0,5; 12;
11
3 4 x2  4 x  0 ; х=0. 4 x3  6x  2  0
5 [2 х 4] та виділити 1-ий рядок.
Варіант 16
1 2 
1
 7  2 j 3
 11    25  2  4
 2,5    3,5      81 49j ;
 8   36   3 1.2.
1.1.   ;
 tg  x 
1
2
lim  
 sin
2
xdx 1.4. x0 x  .
1.3. 0 ;
2 F x   e  x  sin 2 x  x
. В одній точці x = -1; y трьох точках х = 0; 1; 4;
в діапазоні від -5 до 10 одержати 5 розрахункових точок.
3 x 2  cosx   0 4 3x 4  5x 3  x 2  2x  1  0
; х0=0.
5 [3 х 5] та транспонувати її.
Варіант 17
1 1.1. 4
x
2
dx
10  2
1
1 3
2 
4
40  24  54  3,5   9   20  5 2  1.3. 0 ;
5 50  
; ln 1  2 x 
lim
5  2i   2  3i  1.4. x0 x .
1.2. 8  4i ;
2 f  x   x  e  x . В одній точці x = -1; y трьох точках х = -5; 0,6; 7;
в діапазоні від -7 до 7 одержати 10 розрахункових значень.
3 x  2  x  0 ; х=0. 4 x 4  4 x3  8x 2  3  0
5 [2 х 5] і виділити максимальний елемент.
Варіант 18
1 5 5
1 1
       x dx
8
1 3 1 10
3
100  2 3       
1.1.  5 2 2 ; 1.3. 1 ;
tg  x   sin  x 
1.2.  5  2 j   3  2 j 2
; lim
1.4. x0 x3 .
2 1
f  x   e x . В одній точці x = -2; y трьох точках х = 1; 4; 10;
3 ln( x ) / x  0 4 10 x 3  3x 2  2 x  1  0
; х=1
5 [4 х 3] і виділити найменший елемент матриці.
Варіант 19
12
1 1 3
0 , 5
   36   125  3  sin xdx
1
8 2 3
 810,75      3 8
1.1.  25   27  ; 1.3. 1 ;
sin 1  x   sin 1  x 
1.2. arctg 3  2 j  ; lim
1.4. x0 x .
2  
f  x   ln x 2  1 . В одній точці x = 1; y трьох точках х = -2; 0,6; 3;
3 4 x 8  4 x 8  20 4 27 x 3  9 x 2  48 x  20  0
; х=0.
5 [5 х 4] і виділити 2-й стовпчик.
Варіант 20
1 1 10
 64   cosx dx
4 8
243 0, 4   8   8 4 5  2,50
 3  1.3. 2 ;
1.1. ;
1  x  x2  1
1.2. ctg 5  j ; lim
1.4. x0 x .
2 ln  x 
F x  
x . В одній точці x = 0,2; y трьох точках х = 1; 4; 10;
в діапазоні від 0,5 до 7 одержати 5 розрахункових значень.
3 2 lg  x  3  lg 12 x  0 ; х=2 4 4 x 4  16 x 3  3x 2  4 x  1  0
5 [5 х 3] і транспонувати її.
Варіант 21
1.2. 3  5 j 2  3 j   1  j ;
1 1 1 0
 1 
1,69  0,027  4  2  
3 6 3
 ;
1.1.  2 2
e x sin x   x
2
1
lim .  1  x 2 dx;
1.4. x0 3x  x
2 5
1.3. 0
2 F x   cos3 x  sin 3 x
. В одній точці x = 0,1; y трьох точках х = 0; 0,5; 3,14;
в діапазоні від 0 до 9,42 одержати 5 розрахункових точок.
3 9 x2 1  36  3 x2 3  3  0 4 2
; х=2. x 4  3x 2   0
9
5 [5 х 3] та виділити 2-й стовпчик.
Приклади виконання завдань

1.1.
13
1.2.
1.3.
1.4.
2.
14
3.
4.
15
5.
Тема «Побудова графіків в програмі MathCad»
Мета роботи: одержання первинних навичок побудови графіків у декартовій

системі координат в програмі MathCad.
Для створення графіків у МathСad мається програмний графічний
процесор. Основна увага при його розробці була приділена забезпеченню
простоти завдання графіків і їхніх модифікацій за допомогою відповідних
опцій.
Більшість параметрів графічного процесора, необхідних для побудови
графіків, за замовчуванням задається автоматично. Тому для побудови того
чи іншого виду графіка досить задати його тип. Для побудови графіків
використовуються шаблони. Їхній перелік міститься в команді Graph
(Графіка) меню Insert (Вставка), а також на набірній палітрі Graph.
Розглянемо команди завдання різних типів графіків.
X-Y Plot [@] (Декартов графік) – створити шаблон для побудови графіка
функції y = f(x) у декартовій системі координат.
Polar Plot [Ctrl+7] (Полярні координати) – створити шаблон для побудови
графіка функції r(),заданої в полярних координатах, де полярний радіус r
залежить від полярного кута .
Surface Plot [Ctrl+2] (Поверхні) – служить для представлення функції z =
f(x,y) у виді поверхні в тривимірному просторі. При цьому повинні бути
задані вектори значень хi і yj, а також визначена матриця виду Ai,j = f(xi, yj).
При виборі команди Surface Plot у відповідний осередок для формул варто
вказати матрицю А. Кут повороту побудованого графіка, а також зовнішнє
представлення поверхні можна змінювати за допомогою вибору відповідних
опцій. Крім функції виду z = f(x,y) за допомогою цієї команди можна
будувати графіки параметричних поверхонь, таких як тор чи куля.
16
Contour Plot [Ctrl+5] (Контурний) – будує діаграму ліній рівня функції виду
z = f(x,y), тобто відображає точки, у яких дана функція приймає фіксоване
значення z = const.
3D Scatter Plot (3D Точковий) – служить для точкового представлення
матриці значень Ai,j чи відображення значень функції виду z = f(x,y) у
заданих точках. Може також використовуватися при побудові просторових
кривих (x(t), y(t), z(t)). При цьому необхідно визначити три вектори
координат xi, yi, zi, кожен компонент яких залежить від загального цілого
числа параметра i.
3D Bar Plot (3D Діаграми) – служить для представлення матриці значень Ai,j
чи відображення значень функції z = f(x,y) у вигляді тривимірної стовпчастої
діаграми.
Vector Field Plot (Векторне поле) – створює шаблон для графіка векторного
поля на площині. При цьому компоненти векторного поля vx(x,y) і vy(x,y)
повинні бути представлені у виді матриць значень Vxi,j і Vyi,j. За допомогою
цієї команди можна, наприклад, побудувати градієнтне поле f = (  xf,  yf)
функції f(x,y).
Побудова графіків у декартовій системі координат. У МathСad
передбачено два способи побудови графіків у декартовій системі координат.
Перший спосіб – спрощений (у ранніх версіях програми відсутній). Для
спрощеної побудови двовимірного графіка деякої функції f(х) треба вивести
шаблон Х-У Рlot. Шаблон виводиться в поточне положення курсору (курсор
указує лівий верхній кут графіка, що будується). Незаповнений шаблон
графіка являє собою великий порожній прямокутник із шаблонами даних у
вигляді темних маленьких прямокутників, розташованих біля осей абсцис і
ординат майбутнього графіка. Потім у середніх маленьких прямокутниках по
вертикалі вказати функцію, а по горизонталі – ім'я незалежної змінної
(аргументу). Вивівши курсор з області шаблона, клацнути лівою клавішею
миші. Графік автоматично буде побудований у діапазоні зміни незалежної
змінної від –10 до 10 (за замовчуванням). Надалі операцією форматування
цей діапазон і всіх інших даних графіків можна змінити (це називається
зміною формату).
Для другого способу (основного) потрібно спочатку задати аргумент
функції як ранжируванну змінну за правилами, описаним вище, а також
описати функцію, графік якої буде будуватися. Після цього виводиться
шаблон. У середніх осередках записують ім'я змінної й ім'я функція. Якщо
будуються графіки декількох функцій в одному шаблоні, то для їхнього
поділу варто використовувати коми. Крайні шаблони служать для вказівки
граничних значень абсцис і ординат, тобто вони задають масштаби по осях
координат. Якщо їх не заповнити, то масштаби будуть встановлені
автоматично для представлення цілком усього графіка в максимальному
розмірі.
17
Рекомендується завжди спочатку використовувати автоматичне
масштабування і лише потім змінювати масштаби на більш придатні.
Під час обчислень ординат функцій область графіка покривається
зеленим штрихуванням, потім графік з'являється в шаблоні. Якщо що-небудь
у побудованому графіку не цілком задовольняє користувача, можна
застосувати описані нижче операції зміни його формату. Ці операції
дозволяють змінювати задані за замовчуванням параметри графіка.
Графіки можна переміщати по полю вікна документа і змінювати його
розміри. Для цього потрібно виділити графік, при цьому він обводиться
суцільною лінією чи пунктирною. Потім, помістивши графічний курсор
поблизу ліній рамки так, щоб він прийняв вид долоні, і натиснувши ліву
кнопку, можна перемістити весь графік. Для зміни розмірів малюнка
потрібно точно підвести курсор до спеціальних шаблонів на рамці, що його
виділяє. Зображення курсору при цьому заміняється двосторонньою
стрілкою, що вказує, у яких напрямках можна розтягувати малюнок.
Стискати і розтягувати малюнок можна у вертикальному, горизонтальному і
діагональному напрямках.
Установка формату двовимірної графіки. Вікно завдання форматів
графіків з'являється, якщо виділити графік і, установивши в його області
курсор миші, двічі швидко клацнути її лівою клавішею. Для цього також
можна використовувати позицію Graph у підменю Format. Дана команда
виводить на екран вікно з опціями формату графіків 2D - типу. Діалогове
вікно форматування має панельний перемикач на чотири позиції: X-Y Axes
(Х-У Осі) – керування опціями форматування осей графіка; Traces (Слід) –
керування параметрами ліній графіків; Labels (Мітки) – керування написами
біля осей; Defaults (За замовчуванням) – завдання опцій за замовчуванням.
На панелі X-Y Axes містяться наступні основні опції, що відносяться до
осей Х и У.
 Log Scale - установка логарифмічного масштабу по осях. У цьому
випадку границі графіка повинні задаватися позитивними числами.
 Grid Lines - установка ліній масштабної сітки.
 Numbered - установка цифрових даних по осях.
 Autoscale - автоматичне знаходження придатних границь для осей. Але
якщо ви самі задасте у відповідних осередках мінімальні і максимальні
значення аргументу і функції, саме ці значення будуть використовуватися
для визначення границь графіка.
 Show Markers – показати мітки. Якщо установити цю опцію, у
графічній області з'являться чотири додаткових осередки для створення
червоних ліній маркірування, що відповідають двом спеціальним значенням
аргументу і двом спеціальним значенням функції.
 Auto Grid - автоматична установка кількості масштабних ліній.
18
 Number of Grids - установка бажаного користувачем числа масштабних
ліній (не доступна при включеній опції Auto Grid).
За замовчуванням встановлені опції Numbered, Autoscale і Auto Grid.
Можлива також установка наступних варіантів представлення координатних
осей Axes Style: Boxed (Обмежена область) - осі у вигляді прямокутника;
Crossed (Перетинання) - осі перетинаються в точці з координатами (0,0);
None (Без границь) - відсутність осей. Стандартною установкою є Boxed.
Крім того, є можливість установки рівності масштабів по осях графіка - Equal
Scales (Рівні масштаби).
Для зміни типу лінії графіка однієї з функцій необхідно активізувати
вкладку Traces. При цьому відкриється список і поля вибору параметрів
ліній:
 Legend Label (Ім'я в легенді). Кожної кривої можна поставити у
відповідність визначений текст (назву), що називається легендою. Легенда
відображається в нижній частині графічного регіону, а поруч з кожною
легендою відображається тип лінії відповідної кривої.
 Symbol (Символ). Кожна розрахункова точка кривої може бути
позначена визначеним символом, що вибирається зі списку, що
розкривається, (наприклад, +, , )
 Line (Лінія). Можна вибрати один з наступних типів ліній: solid
(суцільна), dash (штрихова), dot (крапкова) чи dadot (штрих - пунктирна). Це
поле списку доступно у випадку, якщо в поле списку Type обраний елемент
lines.
 Color (Колір). Можна зі списку, що розкривається, задати колір
представлення кривої на екрані.
 Type (Тип). Дозволяє вибрати один із семи видів графіка: у вигляді
кривих (lines), у вигляді стовпців (bar) і т.д.
 Weight (Вага). Дозволяє задавати товщину ліній графіка. Як правило,
рекомендується товщина 1.
Вкладка Labels (Мітки) дозволяє ввести заголовок графіка і підпису для
осей.
На закінчення розглянемо додаткові можливості, надані підменю Graph
меню Format.
Команда Trace. При переміщенні в області графіка покажчика миші при
натиснутій лівій кнопці в полях X-Value (Значення Х) і Y-Value (Значення Y)
діалогового вікна X-Y Trace відображаються координати точки, на яку вказує
курсор. Якщо встановлена опція Track Data Points (Слід точок даних), курсор
– хрестик буде переміщатися уздовж графіка функції, і ви зможете зчитувати
поточне значення аргументу x і відповідне значення функції y = f(x).
Координати поточної точки можна скопіювати в буфер обміну за допомогою
кнопок Copy X і Copy Y.
19
Команда Zoom (Зміна масштабу). За допомогою цієї команди можна
збільшити фрагмент графіка. Спочатку необхідно виділити потрібний
фрагмент графіка, переміщаючи в області графіка покажчик миші при
натиснутій лівій кнопці. Після відпускання кнопки координати кутів
виділеної області будуть відображені в полях вікна X-Y Zoom. За допомогою
кнопки Zoom фрагмент можна збільшити, за допомогою кнопки Unzoom
(Масштаб-) – скасувати виділення фрагмента, а за допомогою кнопки Full
View (Огляд) – відновити первісний вид графіка. Якщо ви збільшили
фрагмент графіка, після щиглика на кнопці Ok у документі буде
відображатися тільки цей фрагмент.
Послідовність виконання роботи

1. Побудувати спрощеним способом графік функції х2.
Приклад виконання завдання
2. Привласнити функціям х2 і х3 імена й в одному шаблоні побудувати їхні

графіки. Відформатувати у такий спосіб: нанести масштабну сітку, перший
графік представити суцільною чорною лінією, другий – пунктирною чорною,
змінити діапазон по осі ординат від –30 до +30.
20
3. Побудувати в одному шаблоні графіки двох заданих функцій (Табл. 2).
Графіки відформатувати таким чином, щоб можна було з достатньою
точністю визначити координати точки їхнього перетинання. Позначити цю
точку обраним символом (о, х‫)ٱ‬, точці по осі абсцис привласнити мітку.
Перевірити отриманий результат чисельним методом, використовуючи
вбудовані функції MathCad. Файл зберегти.
Табл.2.1
Варіант Функції Варіант Функції
1 4 13 1
5 3  ln x  4
x і 7 lg x 8x і x
2 x 14
3
x  10 cosh 2 x
і 0,1 4 і cosec3x
3 1 2 15 sinh x
x  4x  6 sin 3x 5 4
2 і x  20 і 0,1
4 x2  x  6 і tg 3x 16 10 x  3x і 2  arctg 4 x
5 3 17 7
7 2 1 5 ctg x
x x 1 x  4x
2 іe 2 і 2x
6 3 x 5  1 і ln 2 x 18 x 2  x  6 і arccosh2 x
7 4 arccos x 19 e 2x
x
3 2
x 8 і 3 x 2 і 5
8 2 20 e 2x
x 7x і tgh x  10 3 2
0,1 x  10 і 3
9 1 2 1 21 1
x  2 2   x
2 2x і arctg x x і 2 arcsin x
10 1
 x3
22 x 
2 arcctgh  4 
5 lg x і x x2  x  1 і 2 
11 lg x 23 6x  2
5
 x і 2 x sin x і 5
12 4x2 arcsinh x 24 1 2 1
x  x2
8 і 0,1 2 2 і arcctg x
21
4. Скласти математичний опис заданого графічно закону зміни вхідного

моменту Х(t) системи (табл. 2.2) з використанням функції умовного переходу
if.
Табл.2
№ Узагальнена графічна залежність Числові значення графіків
вар. X(t)
1 0 4 6 10 20 10
4 2 3 7 15 30 8
7 0 5 9 40 10 25
10 1 2 5 50 25 50
13 0 3 8 10 20 60
16 0 4 7 70 45 10
19 5 8 - 50 25 -
22
2 2 4 7 10 40 25
5 3 5 8 0 50 20
8 0 4 8 30 30 10
11 0 2 6 0 45 25
14 0 0 5 60 60 30
17 2 6 9 10 0 40
20 1 4 9 60 40 0
3 2 5 8 15 30 10
6 3 6 9 0 15 25
9 0 4 7 10 26 8
12 0 3 6 0 24 10
15 0 4 8 50 30 38
18 0 5 9 0 20 50
21 0 3 8 0 15 0
23
Практична робота №3
Тема «Лінійна регресія»
Мета роботи: отримати практичні навички при побудові лінійної регресійної

залежності.
Апроксимація даних з урахуванням їхніх статистичних параметрів
відноситься до задач регресії. Вони звичайно виникають при обробці
експериментальних даних, отриманих у результаті вимірів значень
параметрів, які характеризують процеси або фізичні явища, статистичних по
своїй природі. Задачею регресійного аналізу є підбір математичних формул,
що щонайкраще описують експериментальні дані.
Математична постановка задачі регресії полягає в наступному. Залежність
величини (числового значення) певної властивості випадкового процесу чи
фізичного явища Y від іншої змінної чи властивості параметра Х, що у
загальному випадку також може відноситися до випадкової величини,
зареєстрована на множині точок xk множиною значень yk, при цьому в
кожній точці зареєстровані значення yk і xk відображають дійсні значення
Y(хk) з випадковою погрішністю k, розподіленою, як правило, по
нормальному закону. По сукупності значень yk потрібно підібрати таку
функцію f(xk, a0, a1, … , an), залежність якої Y(x) відображалася б з
мінімальною погрішністю. Звідси випливає умова наближення:
yk = f(xk, a0, a1, … , an) + k...
Функцію f(xk, a0, a1, … , an) називають регресією величини y на величину х.
Регресійний аналіз передбачає задання виду функції f(xk, a0, a1, … , an) і
визначення чисельних значень її параметрів a0, a1, … , an, що забезпечують
найменшу погрішність наближення до множини значень yk. Як правило, при
регресійному аналізі погрішність наближення обчислюється методом
найменших квадратів (МНК). Для цього виконується мінімізація функції
квадратів залишкових помилок:
a0, a1, … , an) = k [f(xk, a0, a1, … , an) - yk]2...
Для визначення параметрів a0, a1, … , an функція залишкових помилок
диференціюється по всіх параметрах, отримані рівняння часткових похідних
прирівнюються до нуля і вирішуються в сукупності щодо всіх значень
параметрів. Види регресії звичайно називаються по типу апроксимуючих
функцій: лінійна, поліноміальна, експонентна, логарифмічна і т.п.
Найпростіший спосіб апроксимації по МНК довільних даних s k - за
допомогою полінома першого ступеня, тобто функції виду y(t) = a+bх. З
урахуванням дискретності даних по точках tk, для функції залишкових
помилок маємо:
(a,b) = k [(a+b·хk) - sk]2.
24
Диференціюємо функцію залишкових помилок по аргументах a, b, принюємо
отримані рівняння до нуля і формуємо 2 нормальні рівняння системи:
k (a+b·хk)-sk  a k 1 + b k хk – k sk = 0,
k ((a+b·хk)-sk)·хk  a k хk + b k хk2 – k sk·хk = 0,
Рішення даної системи рівнянь у явній формі для K експериментальних

вимірів:
b = [K k хk·sk – k хk k sk] / [K k хk2 – ( k хk)2],
a = [ k sk – b k хk] /K.
Отримані значення коефіцієнтів використовуються в рівнянні регресії y(х) =

a+bх. За аналогічною методикою обчислюються коефіцієнти і будь-які інших
видів регресії, відрізняючись тільки громіздкістю відповідних виразів.
Якби величина Y цілком визначалася аргументом Х, усі точки лежали б на
лінії регресії. Чим сильніше вплив інших факторів, тим далі відстоять точки
від лінії регресії. У випадку б) на рис. 1 зв'язок між Х и Y є більш тісним, ніж
у випадку а).
Рис. 1. Графіки лінійної регресії з меншим (а) і більшим (б) ступенем

кореляції.
Коефіцієнт кореляції є мірою лінійного зв'язку між залежними випадковими

величинами: він показує, наскільки добре в середньому може бути
представлена одна з величин у вигляді лінійної функції від іншої.
Коефіцієнт кореляції обчислюється по формулі:
K  xi yi   xi  yi
r ,
[ K  xi2   xi  ][ K  yi2   yi  ]
2 2
25
де n – загальне число вимірів.
Лінійна регресія в системі Mathcad виконується по векторах аргументу Х и
отсчетов Y функціями:
intercept(X,Y) – обчислює параметр а, зсув лінії регресії по вертикалі;
slope(X,Y) – обчислює параметр b, кутовий коефіцієнт лінії регресії.
Розташування отсчетов по аргументу Х довільне. Функцією corr(X,Y)
додатково можна обчислити коефіцієнт кореляції. Чим він ближчий до 1, тим
точніше оброблювані дані відповідають лінійній залежності.
Порядок виконання роботи

1. Ознайомитися із загальними відомостями.
2. Визначити параметри і представити графік лінійної регресії, побудованої за
даними відповідно до варіанту.
3. Представити письмовий звіт про виконане завдання.
Варанти завдання
1.
x 1 2 3 4 5
y 4 16 18 20 25
2.
x 3,2 4,1 5,3 6,8 8,3
y 9,1 10,9 13,2 17,5 19,3
3.
x 3 4 5 7 8
y 11 14 17 23 26
4.
x 2 5 9 11 14
y 1,5 2,4 3,8 4 5
5.
x 2,2 4,5 6,5 8,5 10,5
y 1,1 1,8 2,5 3,1 3,7
6.
x 2 4 6 8 10
y 3,5 6 9,5 12,5 15
7.
x 3 5 7 9 11
y 5 9 12 16 20
8.
x 0 5 10 15 20
y 0,5 4 8,5 12,5 16
9.
26
x 0 4 8 12 16
y 1 2 3 4,5 5,8
10.
x 1 5 9 13 17
y 1 2,5 4 6 8
ORIGIN  1
 0.95   4.2 
 1.8   11 
   
VX   2.9  VY   15 
 4.1   19  a  intercept ( VX  VY) b  slope( VX  VY)
    i  1  5 f ( x)  a  b  x
 4.8   26 
a  0.245 b  5.084 corr( VX  VY)  0.982 30
27.5
25
22.5
20
17.5
VYi
15
f ( x)
12.5
10
7.5
2.5
0
0 2.5 5
VXi  x
27
Практична робота №4
Тема «Поліноміальна регресія»
Мета роботи: отримати практичні навички при побудові поліноміальної

регресійної залежності.
Метод найменших квадратів може використовуватися й у випадку нелінійних
функцій. Наприклад, якщо визначаються параметри квадратичної залежності
(рис.1):
y = а + bx + сх2,
то
 yi 2   a  bx i  cx i 2  yi 
n n
2
 min .
i 1 i 1
Рис.1. Графік функції y = а + bx + сх2.
Диференціюючи це співвідношення по а, b, с одержуємо систему нормальних

рівнянь:
 K K K
      yi  0
2
 Kа b x i с x i
 i 1 i 1 i 1
 K K K K
  i       x i yi  0
2 3
а x b x i с x i
 i 1 i  1 i 1 i  1
 K 2 K K K
  i       x i yi  0
3 4 2
а x b x i с x i
 i1 i 1 i 1 i 1
З цієї системи визначаються параметри а, b, с.

Одномірна поліноміальна регресія з довільним ступенем n полінома і з
довільними координатами вимірів у Mathcad виконується функціями:
28
regress(X,Y,n) – обчислює вектор S для функції interp(S,X,Y,x), у складі якого
знаходяться коефіцієнти ki полінома k-го ступеня;
interp(S,X,Y,x) – повертає значення функції апроксимації по координатах х.
Функція interp(S,X,Y,x) реалізує обчислення по формулі:
f(x) = k0 + k1·x1 + k2·x2 + … + kn·xn ≡ i ki·xi...
Значення коефіцієнтів ki можуть отримуються функцією submatrix(S, 3,
length(S), 0, 0).
Ступінь полінома звичайно встановлюють не більш 4-6 з послідовним
підвищенням ступеня, контролюючи среднеквадратичне відхилення функції
апроксимації від фактичних даних. При цьому необхідно присвоїти
параметру k значення ступеня апроксимуючого поліному.

2. Визначити параметри і представити графік параболічної регресії,
побудованої за даними відповідно до варіанту.
1.
x 1 2 3 4 5
y 2 4 5 6 7
2.
x 2 5 8 11 14
y 1,5 5,5 7,7 8 6
3.
x 1,5 2,5 4,5 6,5 8,5
y 1,9 3,3 4,8 5,1 3,4
4.
x 1 4 7 10 13
y 1,3 6 8 7 4
5.
x 2 5 8 13 15
y 4 8 9 5 1
6.
x 2 6 10 14 18
y 14 35 43 38 25
7.
x 0 5 10 15 20
y 8 75 110 100 45
8.
x 0 5 10 15 20
29
y 6 30 43 40 25
9.
x 0 3 6 9 12
y 1 2 3 4,5 5,8
10.
x 0 7 14 21 28
y 5 80 115 125 80

 10 11 
 20 14

 
data   30 16   0  1
X  data Y  data n  rows ( data)
 40 15 
  k  2 S  regress ( X  Y  k)
 50 13 
fit( x)  interp ( S  X  Y  x) coeffs  submatrix( S  3  length ( S)  1  0  0)

 (fit( X)  mean(Y))
2
T 
coeffs  5.8 0.607 9.286  10
3   0.985


 (Y  mean(Y))
2
i  0  n  1 j  0  49
max( X)  min ( X)
tx  min ( X)  j
j 50
17
14.6
12.2
Yi
fit ( x)
9.8
7.4
5
0 12 24 36 48 60
Xi  x
30
Тема «Типові функції регресії»
Мета роботи: отримати практичні навички при використанні типових

функцій регресії в системі Mathcad.
Для простих типових формул апроксимації передбачений ряд функцій
регресії, у яких параметри функцій підбираються програмою Mathcad
самостійно.
Функція expfit(X,Y,S) – повертає вектор, що містить коефіцієнти a, b і c
експонентної функції y(x) = a·exp(b·x)+c. У вектор S уводяться початкові
значення коефіцієнтів a, b і c першого наближення.
Для орієнтування за формою апроксимаційних функцій і завдання
відповідних початкових значень коефіцієнтів на рис. 2 – 5 наводиться вид
деяких функцій при постійних значеннях коефіцієнтів a і c.
Рис. 2. Графіки функції y(x) = a·exp(b·x)+c.
Рис. 3. Графіки функції y(x) = a/(1+c·exp(b·x).
Функція pwrfit(X,Y,S) – повертає вектор, що містить коефіцієнти a, b і c для

виразу y(x) = a·xb+c.
Рис. 4. Графіки функції y(x) = a·xb+c.

31
Функція sinfit(X,Y,S) – повертає вектор, що містить коефіцієнти a, b і c для
виразу y(x) = a·sin(x+b)+c. Підбирає коефіцієнти для синусоїдальної функції
регресії.
Функція logfit(X,Y) – повертає вектор, що містить коефіцієнти a, b і c для
виразу y(x)=a·ln(x+b)+c. Задання початкового наближення не потрібно.
Функція lgsfit(X,Y,S) – те ж, для виразу y(x) = a/(1+c·exp(b·x)).
Рис. 5. Графіки функції y(x)=a·ln(x+b)+c.
Функція medfit(X,Y) – повертає вектор, що містить коефіцієнти a і b для

виразу y(x) = a+b·x, тобто для функції лінійної регресії. Завдання
початкового наближення також не потрібно. Графік – пряма лінія.

2. Визначити параметри і представити графік експоненціальної регресії,
побудованої за даними відповідно до варіанту.
1.
x 2 5 8 11 14
y 1,5 3 7 15 35
2.
x 1,5 2,5 4,5 6,5 8,5
y 1 3 7 15 30
3.
x 1 8 15 22 29
y 1 4 9 22 45
4.
x 2 5 8 13 15
y 1 5 11 30 50
5.
x 2 6 10 14 18
y 2 5 15 25 50
6.
x 0 5 10 15 20
32
y 2 4 10 20 65
7.
x 0 5 10 15 20
y 3 5 8 14 20
8.
x 0 3 6 9 12
y 8 10 15 20 30
9.
x 0 7 14 21 28
y 5 8 15 25 50
10.
x 1 4 7 10 13
y 4 5 10 15 30
2  3.5  1

4  6.2  S   1 
     
x   6  y   13  1
8  23 
    K  expfit( x y  S)
 10   43 
 2.127 
K   0.302 
 
f ( x a  b  c)  a exp ( b  x)  c
 0.504 
50
37.5
y
25
f ( t  2.127  0.302   0.504)
12.5
0
0 1.38 2.75 4.13 5.5 6.88 8.25 9.63 11
x t
33
Тема «Лінеаризація апроксимуючої експонентної функції»
Мета роботи: отримати практичні навички при лінеаризації вихідної функцій

регресії в системі Mathcad.
При використанні методу найменших квадратів при деяких нелінійностях
зручно лінеаризувати вихідні залежності. Це стосується випадку, коли для
виконання експонентної регресії використовується апроксимуюча функція
вигляду (рис.1)
y(x)  ae bx .
Рис. 1. Графіки функції y(x)  ae bx .
В результаті логарифмування вихідного рівняння отримаємо лінійну

апроксимуючу фунцію
ln y(x)  ln a  bx .
При виконанні регресії в системі Mathcad за лінеаризованою функцією

можна визначити коефіцієнти а і b, а також коефіцієнт кореляції для оцінки
міри лінійного зв'язку між випадковими величинами ln y(x) і х .
34
2. Визначити параметри і представити графік лінеаризованої
експоненціальної регресії, побудованої за даними відповідно до варіанту.
1.
x 0 5 10 15 20
y 2 3 6 9 15
2.
x 0 3 6 9 12
y 1 3 6 15 35
3.
x 0 7 14 21 28
y 1,5 4 12 35 100
4.
x 1 4 7 10 13
y 3 7 15 30 65
5.
x 0 5 10 15 20
y 0,5 2 6 21 75
6.
x 2 5 8 11 14
y 1 2 4 7 13
7.
x 1,5 2,5 4,5 6,5 8,5
y 2 3 5 9 17
8.
x 1 8 15 22 29
y 0,3 0,6 1,3 2,7 5,4
9.
x 2 5 8 13 15
y 1,3 2,5 4,5 12 18
10.
x 2 6 10 14 18
y 2,5 4,5 8,5 15,5 28,5
35
36
Тема «Регресія загального типу»
Мета роботи: отримати практичні навички при побудові нелінійної регресії

загального типу.
Під нелінійною регресією загального вигляду розуміється знаходження
вектора K параметрів довільної функції F(x,k1,k2,…kn) при якому
забезпечується мінімальна середньоквадратична погрішність її наближення
до вихідних даних.
Даний вид нелінійної регресії реалізується шляхом підбору параметрів k i до
заданої функції апроксимації з використанням функції genfit(X,Y,S,F), яка
повертає коефіцієнти ki, що забезпечують мінімальну среднеквадратичну
погрішність наближення функції регресії F(x,k1,k2,…kn) до вхідних даних
(вектори Х и Y координат і вимірів). F повинен бути вектором з символьними
елементами, які містять рівняння вихідної функції і її похідних по всім
параметрам. Символьний вираз функції регресії і символьні вирази її
похідних по параметрах ki записуються у вектор F. Вектор S містить
початкові значення коефіцієнтів ki для рішення системи нелінійних рівнянь
ітераційним методом.
При вирішенні цієї задачі виникають дві проблеми. По-перше, потрібно
обчислити значення похідних по змінним a і b за допомогою символьних
37
операцій. Друга проблема пов’язана з необхідністю використання функції
genfit в її стандартному вигляді. При цьому приходиться замінити параметр а
на k1, а параметр b на k2.

2. Визначити параметри і представити графік нелінійної регресії загального
типу побудованої за даними відповідно до варіанту, використовуючи
апроксимуючу функцію вигляду y(x) = aexp(-bx) + ab.
1.
x 1,5 2,5 4,5 6,5 8,5 10,5
y 2,1 2 1,9 1,85 1,8 1,75
2.
x 1 8 15 22 29 36
y 3,5 1,5 0,9 0,8 0,75 0,7
3.
x 2 5 8 13 15 17
y 8 6 4 3 2,5 2
4.
x 2 6 10 14 18 22
y 14 10 7 5 4 3
5.
x 0 5 10 15 20 25
y 15 7 4 3 2,7 2,5
6.
x 1 4 7 10 13 16
y 7 6 5 4,5 4 3,5
7.
x 0 3 6 9 12 15
y 21 12 8 6 5 4,5
8.
x 0 7 14 21 28 35
y 15 12 10 8 6,5 5,3
9.
x 0 5 10 15 20 25
y 6 3 2,5 1,5 1,2 0,9
10.
x 2 5 8 11 14 17
y 8 7,5 7 6,5 6,2 5,9
38
F( x a  b )  a exp ( b  x)  a b d d
F( x a  b )  exp ( b  x)  b F( x a  b )  a x exp ( b  x)  a
da db
ORIGIN  1
 0.1   1.9  2
  2  1 2 
 k  exp k  x  k  k
1  0.5   1.6065  VS   
2
   
F1( x k)   exp  k2 x  k2 
VX  
1   1.34 
  VY 
 1.5   1.22  P  genfit ( VX  VY  VS  F1)
 k1 x exp  k2 x  k1   2   1.1353 
 
   
 2.9   1.0497   0.991 
P 
 1.007 
G( x)  F1( x P)
1
1.75
VY
1.5
G( x)
1.25
1
0 0.5 1 1.5 2 2.5 3
VX  x
Тема «Узагальнена регресія»
Мета роботи: отримати практичні навички при побудові узагальненої

нелінійної регресії.
У Mathcad є можливість виконання регресії з наближенням до функції
загального виду у вигляді вагової суми функцій fn(x):
f(x, Kn) = K1·f1(x) + K2·f2(x) + … + KN·fN(x),
при цьому самі функції fn(x) можуть бути кожного, у тому числі нелінійного
39
типу.
З одного боку, це різко підвищує можливості аналітичного відображення
функцій регресії. Але, з іншого боку, це жадає від користувача певних
навичок апроксимації експериментальних даних комбінаціями досить
простих функцій.
Реалізується узагальнена регресія по векторах X, Y і f функцією linfit(X,Y,F),
яка обчислює значення коефіцієнтів Kn.
Вектор f повинен містити символьний запис функцій Fn(x). Координати xk у
векторі Х можуть бути будь-якими, але розташованими в порядку зростання
значень х (з відповідними вимірами значень yk у векторі Y). Числові
параметри функцій F1-F3 підбираються по мінімуму среднеквадратичного
відхилення.

2. Визначити параметри і представити графік узагальненої нелінійної
регресії, побудованої за даними відповідно до варіанту, використовуючи
лінійну комбінацію апроксимуючих функцій вигляду y(x) = 1/x, y(x) = x2,
y(x) = exp(x).
1.
x 1 4 7 10 13
y 0,2 1,5 6 32 460
2.
x 0,7 1,4 2,1 2,8 3,5
y
3.
x 0,5 1 1,5 2 2,5
y 6 8 12 20 7
4.
x 2 5 8 11 14
y 0,5 2,5 9,5 72 1225
5.
x 1,5 2,5 4,5 6,5 8,5
y 0,8 2 7 20 71
6.
x 0,1 0,8 1,5 2,2 2,9
y 9 2 3 4 7
40
7.
x 0,2 0,5 0,8 1,3 1,5
y 45 18 11 8 7
8.
x 0,2 0,6 1 1,4 1,8
y 44 16 10 7 6
9.
x 0,5 1 1,5 2 2,5
y 4 3 4 5 6
10.
x 0,1 0,4 0,7 1 1,3
y 20 6 5 6 8
 1   12 
 2   7.5   1 
 x 
   
VX   3  VY   9.4  F( x)   2  K  linfit ( VX  VY  F)
 x 
 4   16.2 
     
 4.8   26   exp( x)   11.017 
K   0.4 
 
g ( t)  F( t)  K  0.12 
30
27.5
25
22.5
20
17.5
VY
15
g( t )
12.5
10
7.5
2.5
0
0 2.5 5
VX  t
41
Тема «Побудова математичної моделі за результатами
експериментальних досліджень»
Мета роботи: отримати практичні навички при побудові математичних

моделей за результатами експериментальних досліджень.
Алгоритм підготовки і проведення експериментальних досліджень
1. Визначається функція (чи функції) відгуку у, відносно якої
будуватиметься математична модель (ММ) виду у = f(хі). Зазвичай це вихідні
показники пристрою: споживана номінальна потужність двигуна,
номінальний струм, номінальне ковзання, номінальний ККД, споживана
пускова потужність, пусковий струм. Ці показники повинні легко
визначатися після проведення кожного досліду.
2. Встановлюються чинники xi, які входитимуть в ММ як незалежні
змінні (аргументи). Зазвичай це параметри елементів або вхідні змінні
(наприклад, момент опору двигуна, напруга і частота живлення і т.п.). Ці
чинники мають бути керованими в ході експерименту. Від числа вибраних
факторів залежить загальне число дослідів.
3. Обирається тип плану факторного експерименту.
Факторний експеримент полягає в тому, що при його проведенні
фактори варіюються одночасно за певним планом. Вибір плану залежить від
бажаного порядку ММ, що створюється, від числа рівнів варіювання
факторів і кількості паралельних дослідів.
Рівнем фактора називають певне його значення, яке буде фіксувався
при проведенні експерименту.
Досліди, проведені за одних і тих же умов (тобто в одній і тій же точці
факторного простору), називаються паралельними. Факторний простір - це
область зміни факторів при експерименті.
Найчастіше застосовують повний факторний експеримент (ПФЕ)
першого порядку типу 2n.
ПФЕ - експеримент, в якому реалізуються усі можливі поєднання
рівнів факторів.
Цифра «2» означає, що фактори при експерименті набувають тільки два
значення – верхнього (max) і нижнього (min) рівнів. Ступінь «n» - кількість
факторів.
Число можливих в ПФЕ поєднань факторів визначає кількість різних
дослідів N = 2n. Наприклад, для 3-х факторів N = 23 = 8. Загальна кількість
дослідів при ПФЕ розраховується з урахуванням кількості паралельних
дослідів.
42
Якщо експеримент проводиться при рівній кількості паралельних
дослідів m в кожній точці факторного простору, то загальна кількість
дослідів при ПФЭ дорівнює Nm. Наприклад, для трьох чинників і двох
паралельних дослідів загальне число дослідів складе 2 3  2  16 .
4. Визначаються експериментальні значення рівнів і інтервалів
варіювання факторів в натуральних одиницях виміру. Для цього на основі
апріорної інформації і з урахуванням можливостей експериментальної
установки встановлюються значення Xі min та Xi max; де і = 1, 2,.., п.
Розраховуються нульові рівні кожного і-го фактора
 
X i 0  X i max  X i min / 2 ;
і інтервали їх варіювання
X i  X i min  X i 0  X i max  X i 0 ,
5. Здійснюється кодування факторів за формулою
xi   X i  X i 0  / X i ,
де Xi - значення і-го чинника в натуральних (фактичних) одиницях;
xі - значення і-го чинника в кодованій формі.
Фактори в кодованій (безрозмірній) формі при ПФЕ типу 2n можуть
приймати наступні значення:
X i max  X i 0  / X i  1 ;
X i min  X i 0  / X i  1 .
6. Побудова матриці планування і робочої матриці експерименту. План,
що містить усі комбінації факторів або їх частину в кодованій формі,
називається матрицею планування. Матриця планування для ПФЕ типу 23
наведена у таблиці 1.
Табл. 1.
Матриця планування
№ досліду х1 х2 х3
1 +1 +1 +1
2 -1 +1 +1
3 +1 -1 +1
4 -1 -1 +1
5 +1 +1 -1
6 -1 +1 -1
7 +1 -1 -1
8 -1 -1 -1
Робоча матриця - це матриця, в якій усі кодовані значення факторів
замінюються їх натуральними значеннями. Відповідно до записів в робочій
матриці проводиться експеримент. У таблиці 2 представлена робоча матриця,
що отримана на основі таблиці 1.
43
Табл. 2.
Робоча матриця
№ досвіду Х1(А) Х2(Ом) Х3(В) Y1(c) Y2(c)
1 15 30 225 102 105
2 7 30 225 108 103
3 15 18 225 90 85
4 7 18 225 85 87
5 15 30 215 103 104
6 7 30 215 100 97
7 15 18 215 110 115
8 7 18 215 98 100
7. Проводиться експеримент з паралельними дослідами і результати Yk

записуються в робочу матрицю (див. таблицю 2).
Алгоритм розрахунку і аналізу ММ за планом ПФЕ типу 23

Після проведення експерименту заповнюють наступну таблицю
(таблиця 3).
Табл. 3.
Матриця планування і результати експериментів
№ досліду Планування Результати

експериментів
x0 x1 x2 x3 x1 x 2 x1 x3 x2 x3 y1 y2 ym
1 +1 +1 +1 +1 +1 +1 +1 … … …
2 +1 -1 +1 +1 -1 -1 +1 … … …
… … … … … … … … … … …
N … … … … … … … … … …
Тут введені нові змінні, необхідні для розрахунку: x0 - для визначення

вільного члена рівняння регресії; а також комбінації чинників xixj, якщо
передбачається, що модель буде нелінійною.
1) Вибір форми рівняння регресії.
n
Лінійна y   bi xi , (1)
i 0
де i = 0, 1, 2, … n – фактор, що розглядається;
або нелінійна з урахуванням взаємодії факторів
n n
y   bi xi   bij xi x j , (2)
i 0 i j
де y – розрахована змінна стану (функція відгуку);
44
хіхj - фактори; bi та bij - коефіцієнти рівняння регресії.
2) Розрахунок коефіцієнтів регресії.
1 N m
bi   xiu yuk ;
Nm u 1 k 1 (3)
1 N m
bij   xiu x ju yuk ; (i<j),
Nm u 1 k 1 (4)
де Nm - загальне число дослідів;
N - число дослідів (рядків матриці);
і = 1, 2,.., N - даний рядок матриці планування,
k = 1, 2, …, m - даний паралельний дослід. Записується рівняння (1) або (2) з
розрахованими значеннями коефіцієнтів. Наприклад, рівняння виду (2) для
двох чинників може мати вигляд
Y  10,5  8,7 x1  5,3x2  2,3x1 x2 .
Після цього переходимо до стохастичного аналізу отриманого
рівняння.
3) Розрахунок порядкової дисперсії відтворюваності (оцінка помилки
паралельного досвіду).
1 m
S 
2
  yuk  yu 2 ; (5)
m  1 k 1
u
1 m
де y u   y uk - середнє значення змінної стану в паралельних дослідах;
m k 1
S u2 - порядкова дисперсія;
yuk - змінна стану в k-ому паралельному досвіді.
4) Перевірка однорідності дисперсій.
Виконується за критерієм Кохрена GТ. Розраховується значення
критерію
S u2 max
GP  N
 S u2
; (6)
u 1
де S 2
- максимальне значення з розрахованих відрядкових дисперсій.
u max
Перевіряється виконання умови GР<GТ(q,f1,f2).

Якщо умова виконується, то процес вважається таким, що
відтворюється, і можна переходити до наступного пункту алгоритму. Якщо ж
умова не виконується, то необхідно збільшити кількість паралельних
дослідів, або підвищити точність контролю змінних, або змінити метод
контролю в цілому.
45
Табличне значення критерію Кохрена GT визначається за таблицею
(див. табл. 5) залежно від параметрів q - рівня значущості (q = 0,05), f1 - числа
ступенів свободи кожної оцінки порядкової дисперсії (f1=m-1), f2- кількості
незалежних оцінок дисперсії.
5 ) Обчислення помилки експерименту. Здійснюється шляхом
усереднювання порядкових дисперсій
N
1
S 
2
0
N
S
u 1
2
u ; (7)
2
де S 0 - дисперсія відтворюваності (помилка експерименту).
6) Оцінка значущості коефіцієнтів рівняння регресії. Перш за все
розраховується дисперсія коефіцієнтів регресії
S 02
S  2
bi N, (8)
Значущість коефіцієнтів можна перевіряти двома способами.
1-й спосіб – за критерієм Стьюдента,
t ip  tТ (q, f 0 ) , (9)
де t ip  bi / S bi - розрахункове значення критерію Стьюдента для і-го
коефіцієнта;
S bi - середньоквадратичне відхилення коефіцієнта регресії bi;
tТ (q, f 0 ) - табличне значення критерію Стьюдента (див. табл. 6);
f 0  N m  1 - число ступенів свободи дисперсії відтворюваності. Якщо
умова (9) виконується, відповідний коефіцієнт вважається значущим.
2-й спосіб - за довірчим інтервалом
bi  tT S bi .
Перевіряється виконання умови
bi  bi .
Якщо умова виконується, коефіцієнт вважається значущим.
Незначущі коефіцієнти виключаються з розгляду і записується
рівняння регресії тільки зі значущими коефіцієнтами. До виключення
незначущих коефіцієнтів належить відноситися обережно, щоб не втратити
мету побудови математичного опису. Тому при необхідності треба збільшити
інтервал варіювання відповідних факторів і повторити експеримент.
7) Розрахунок дисперсії адекватності.
m N
S 2
   yu  yˆ u 2 ; (10)
N  l u 1
ag
46
де l - кількість членів рівняння регресії, що залишилися після оцінки
значущості коефіцієнтів;
ŷ - розрахункове (передбачене) значення змінної стану по отриманому
рівнянню регресії.
8) Перевірка адекватності моделі.
Здійснюється за критерієм Фішера. Розрахункове значення критерію
Фішера визначається за формулою:
2
S ag
FP  . (11)
S 02
Перевіряється виконання умови FP  FT q, f ag , f 0  ; де FT q, f ag , f 0  -
табличне значення критерію Фішера (див. табл 7);
f ag  N  l - число ступенів свободи дисперсії адекватності. Якщо умова
виконується, то отриманий адекватний математичний опис (рівняння регресії
адекватно описує процес, що досліджується). Надалі модель переводять в
натуральні одиниці, використовують для оптимізації об'єкту, прогнозування
його властивостей або поведінки системи в різних умовах. Якщо умова не
виконується, то необхідно зменшити інтервал варіювання параметрів, або
включити новий чинник, або перейти до нелінійної моделі.
В ході виконання розрахунку і аналізу результатів експерименту
рекомендується заповнювати наступну таблицю.
Табл. 4.
Матриця планування і результати розрахунку.
№ План Змінна стану Розрахунки
досліду
x0 x1 x2 x1 x2 y1 y2 yu S u2 ŷ u  yu  yˆ u 2
1
2
…
N
N
S
u 1
2
u  y u  yˆ u  
2
Обробка результатів ПФЕ типу 2n з паралельними дослідами в одній

точці факторного простору.
Часто експериментаторові відома заздалегідь хороша відтворюваність
дослідів на об'єкті дослідження, що дозволяє йому не проводити перевірку
однорідності дисперсій в точках факторного простору, вважаючи
здійснимість цієї умови фактором встановленим.
47
Така апріорна інформація різко скорочує кількість дослідів, оскільки не
потрібно повторювати досліди для кожного рядку матриці планування.
В цьому випадку для розрахунку помилки досліду досить поставити
декілька паралельних дослідів в одній з точок факторного простору. Зазвичай
такою точкою приймають центр плану, де реалізується 3.. 4 досліди і по них
розраховується S 02 згідно з формулою
1 N0
S 
2
  yok  y0 2 ; (12)
N 0  1 k 1
0
де y0k - значення змінної стану в центрі плану;

у0 - середнє значення змінної стану в центрі плану; N0 – кількість дослідів в
центрі плану.
Крім того, з вищеописаного алгоритму розрахунку рівняння регресії
виключаються пункти 3), 4) і розрахунок числа ступенів свободи дисперсії
відтворюваності здійснюється за формулою f 0  N 0  1 . У іншому алгоритм
залишається тим самим.
Табл. 5.
Значення критерію Кохрена GT (0,05, f1, f2)
f2 f1
1 2 3 4
2 0,9985 0,9750 0,9392 0,9057
3 0,9669 0,8709 0,7977 0,7457
4 0,9065 0,7679 0,6841 0,6287
5 0,8412 0,6838 0,5981 0,5440
6 0,7808 0,6161 0,5321 0,4803
7 0,7271 0,5612 0,4800 0,4307
8 0,6798 0,5157 0,4377 0,3910
9 0,6385 0,4775 0,4027 0,3584
10 0,6020 0,4450 0,3733 0,3311
12 0,5410 0,3924 0,3264 0,2880
15 0,4709 0,3346 0,2758 0,2419
20 0,3894 0,2705 0,2205 0,1921
Табл. 6.
Значення критерію Стьюдента tT(q, f0)
f0 t f0 t f0 t
1 12,71 8 2,31 15 2,13
2 4,3 9 2,26 16 2,12
48
3 3,18 10 2,23 17 2,11
4 2,78 11 2,20 18 2,10
5 2,57 12 2,18 19 2,09
6 2,45 13 2,16 20 2,09
7 2,36 14 2,14 21 2,08
Табл. 7.
Значення критерію Фішера FT(0,05, fag, f0);
f0 fag
1 2 3 4 5 6 7 8
1 161,45 199,50 215,71 224,58 230,16 233,99 236,77 238,88
2 18,513 19,000 19,164 19,247 19,296 19,330 19,353 19,371
3 10,128 9,5521 9,2766 9,1172 9,0135 8,9406 8,8868 8,8452
4 7,7086 6,9443 6,5914 6,3883 6,2560 6,1631 6,0942 6,0410
5 6,6079 5,7861 5,4095 5,1922 5,0503 4,9503 4,8759 4,8183
6 5,9874 5,1433 4,7571 4,5337 4,3874 4,2839 4,2066 4,1468
7 5,5914 4,7374 4,3468 4,1203 3,9715 3,8660 3,7870 3,7257
8 5,3177 4,4590 4,0662 3,8378 3,6875 3,5806 3,5005 3,4381
9 5,1174 4,2565 3,8626 3,6331 3,4817 3,3738 3,2927 3,2296
10 4,9646 4,1028 3,7083 3,4780 3,3258 3,2172 3,1355 3,0717
11 4,8443 3,9823 3,5874 3,3567 3,2039 3,0946 3,0123 2,9480
12 4,7472 3,8853 3,4903 3,2592 3,1059 2,9961 2,9134 2,8486
13 4,6672 3,8056 3,4105 3,1791 3,0254 2,9153 2,8321 2,7669
14 4,6001 3,7389 3,3439 3,1122 2,9582 2,8477 2,7642 2,6987
15 4,5431 3,6823 3,2874 3,0556 2,9013 2,7905 2,7066 2,6408
16 4,4940 3,6337 3,2389 3,0069 2,8524 2,7413 2,6572 2,5911
Додаток 4.

Виконати обробку результатів експериментальних досліджень
електромеханічної системи (по варіантах) з метою отримання адекватного
математичного опису. В ході обробки результатів необхідно:
1) скласти робочу матрицю експерименту і матрицю планування;
2) визначити помилки окремих дослідів і оцінити їх однорідність;
3) обчислити дисперсію відтворюваності (помилку усього
експерименту) і коефіцієнти рівняння регресії;
4) перевірити значущість цих коефіцієнтів і адекватність
отриманого рівняння регресії;
5) виконати перетворення рівняння регресії за формулами переходу
до іменованих (фактичних) величин досліджуваних факторів. У разі
49
отримання неадекватного рівняння регресії перехід до фактичних величин не
виконувати.
Вихідні дані – додаток 4.
Xi0 - фактичне значення і-го фактора на нульовому рівні; інтервал
варіювання чинників  X i / X i 0 у % від нульового рівня; експеримент
проведений за планом ПФЕ типу 23 (див. таблицю 1); рівень значущості
прийняти рівним 0,05;
Yuk - значення вимірюваної величини для k-го спостереження u-го
досвіду;
k = 1,2 ... m - число паралельних спостережень;
u = 1,2 ... N - кількість дослідів (рядків матриці планування) (N=8).
Варіанти завдань
Варіант № 1
Початкові дані:
Х10 = 2500; Х20 = 100; Х30 = 45; Х1/Х10 = 20%, Х2/Х20 = 10%; Х3/Х30 =
30%. Досліди дублювалися рівномірно в кожній точці плану m = 2.
Результати експериментів
u 1 2 3 4 5 6 7 8
Yuk
Yu1 1,09 1,66 3,07 3,53 2,9 3,01 3,94 6,26
Yu2 0,71 0,62 2,65 2,91 2,5 2,59 4,28 5,84
Х10 = 5,5; Х20 = 2,7; Х30 = 21; Х1/Х10 = 80%, Х2/Х20 = 15%; Х3/Х30 =
u 1 2 3 4 5 6 7 8
Yuk
Yu1 78,3 58,5 84,5 77 90,2 75,2 78,3 58,5
Yu2 74,2 59 87,7 74,7 88 77,4 74,2 59
Yu3 75,5 64 89,8 84,7 87 85,6 75,5 64
50
Х10 = 90; Х20 = 22; Х30 = 2; Х1/Х10 = 10%, Х2/Х20 = 15%; Х3/Х30 =
25%. Досліди дублювалися в одній (нульовий) точці плану m0 = 3, тобто в
Результати окремих спостережень в центрі плану:
Y01 = 9,12; Y02 =10,3; Y03 = 9,8.
u 1 2 3 4 5 6 7 8
Yuk
Yu 9,86 9,09 6,35 6,41 15,0 12,02 9,48 6,52
Х10 = 2,0; Х20 = 100; Х30 = 1,5; Х1/Х10 = 50%, Х2/Х20 = 10%; Х3/Х30 =
u 1 2 3 4 5 6 7 8
Yuk
Yu1 15,7 21,3 49,2 13,2 14,6 37,5 40,7 14,2
Yu2 19,5 25,1 52,8 14,4 22,6 38,5 41,3 14,8
Х10 = 0,7; Х20 = 135; Х30 = 30; Х1/Х10 = 30%, Х2/Х20 = 5%; Х3/Х30 =
u 1 2 3 4 5 6 7 8
Yuk
Yu1 44,5 46,3 20,0 19,9 24,5 17,56 9,0 5,9
Yu2 47,8 47,6 20,2 17,0 24,2 16,4 9,09 6,0
Yu3 47,1 45,65 20,74 15,5 24 15,93 8,58 6,82
Х10 = 3; Х20 = 30; Х30 = 1,5; Х1/Х10 = 70%, Х2/Х20 = 30%; Х3/Х30 =
u 1 2 3 4 5 6 7 8
Yuk
Yu1 80,23 86,5 82,45 89,5 85,1 95,3 85,6 88,02
51
Yu2 81,93 84,8 82,1 91,9 84,6 89,5 80,9 85,48
Yu3 82,1 85,2 88,5 88,6 86,2 90,5 83,6 84,1
Х10 = 4; Х20 = 1,75; Х30 = 380; Х1/Х10 = 25%, Х2/Х20 = 15%; Х3/Х30 =
Y01 = 0,363; Y02 =0,115; Y03 =0,142; Y04 =0,36.
u 1 2 3 4 5 6 7 8
Yuk
Yu 0,233 0,317 0,0875 0,046 1,265 0,509 0,755 0,1723
Х10 = 3,0; Х20 = 0,5; Х30 = 60; Х1/Х10 = 25%, Х2/Х20 = 80%; Х3/Х30 =
u 1 2 3 4 5 6 7 8
Yuk
Yu1 2630 1380 3650 1200 2310 1965 2908 1045
Yu2 2720 1420 3750 1314 2410 1995 2932 1155
Х10 = 50; Х20 = 100; Х30 = 45; Х1/Х10 = 40%, Х2/Х20 = 20%; Х3/Х30 =
u 1 2 3 4 5 6 7 8
Yuk
Yu1 86,02 75,5 57 68,25 84,62 72,46 60 67.84
Yu2 89,62 74,93 57,46 68,11 84,42 74,72 60,1 67,02
Yu3 88,82 76,76 57,2 68,57 84,2 76,5 60,77 67,1
52
Х10 = 0,032; Х20 = 1,0; Х30 = 15; Х1/Х10 = 15%, Х2/Х20 = 50%; Х3/Х30 =
Y01 = 99,08; Y02 =99,24; Y03 =97,34; Y04 =99,59, Y05 =97,5.
u 1 2 3 4 5 6 7 8
Yuk
Yu 89,32 95,24 98,18 97,36 98,34 92,96 97,88 106,18
Х10 = 90; Х20 = 600; Х30 = 26; Х1/Х10 = 10%, Х2/Х20 = 15%; Х3/Х30 =
u 1 2 3 4 5 6 7 8
Yuk
Yu1 7,65 13,7 16,9 8,8 8,35 16,01 13,12 16,4
Yu2 7,85 14,3 17,6 9,2 8,65 16,49 13,38 16,6
Х10 = 0,5; Х20 = 160; Х30 = 55; Х1/Х10 = 40%, Х2/Х20 = 4%; Х3/Х30 =
u 1 2 3 4 5 6 7 8
Yuk
Yu1 80,5 82,2 74,7 80 77,43 80,5 62,4 73,7
Yu2 75,1 83,6 73,45 80,4 76,8 82,6 62,25 72,8
Yu3 77,4 81,4 74 82,2 76,21 81,1 63,3 72,5
Х10 = 415; Х20 = 25000; Х30 = 1,5; Х1/Х10 = 35%, Х2/Х20 = 70%; Х3/Х30
= 35%. Досліди дублювалися в одній (нульовий) точці плану m0 = 3, тобто в
53
Y01 = 91; Y02 =89,6; Y03 =85,8.
u 1 2 3 4 5 6 7 8
Yuk
Yu 95,7 74,6 100 84 91,1 72,7 100,2 97,6
Х10 = 7; Х20 = 25; Х30 = 5; Х1/Х10 = 15%, Х2/Х20 = 20%; Х3/Х30 = 40%.
Досліди дублювалися рівномірно в кожній точці плану m = 2.
u 1 2 3 4 5 6 7 8
Yuk
Yu1 77,35 98,72 62,84 93,13 53,28 90,66 42,26 87,42
Yu2 94,65 99,83 86,09 98,35 75,31 89,21 51,31 85,42
Х10 = 600; Х20 = 55; Х30 = 56; Х1/Х10 = 15%, Х2/Х20 = 18%; Х3/Х30 =
Y01 = 98,72; Y02 =99,22; Y03 =99,47; Y04 =99,49; Y05 =98,8.
u 1 2 3 4 5 6 7 8
Yuk
Yu 98,67 97,77 97,94 99,06 97,92 99,08 97,42 97,25
Х10 = 3,8; Х20 = 3,57; Х30 = 1,52e-3; Х1/Х10 = 20%, Х2/Х20 = 20%;
Х3/Х30 = 20%. Досліди дублювалися рівномірно в кожній точці плану m = 3.
u 1 2 3 4 5 6 7 8
Yuk
Yu1 0,47 0,72 0,63 1,04 0,46 0,39 0,41 1,08
Yu2 0,45 0,62 0,78 1,06 0,29 0,51 0,49 0,97
Yu3 0,58 0,61 0,69 1,2 0,31 0,43 0,6 0,95
54
Х10 = 0,5; Х20 = 160; Х30 = 55; Х1/Х10 = 40%, Х2/Х20 = 5%; Х3/Х30 =
u 1 2 3 4 5 6 7 8
Yuk
Yu1 74,7 79,5 70,7 79 74,5 80,4 62,38 71,6
Yu2 77,3 85,3 78 82,8 79,12 82,4 62,92 74,4
Х10 = 2,0; Х20 = 100; Х30 = 1,5; Х1/Х10 = 50%, Х2/Х20 = 10%; Х3/Х30 =
u 1 2 3 4 5 6 7 8
Yuk
Yu1 14,9 20,44 29,7 15,7 14,75 29,9 18,2 14,2
Yu2 17,35 23,1 32,8 13,65 18,48 29,3 20,1 14,35
Yu3 18,55 22,06 30,5 12,05 22,57 24,8 24,7 14,95
Х10 = 55; Х20 = 37,5; Х30 = 32,8; Х1/Х10 = 45%, Х2/Х20 = 85%; Х3/Х30 =
Y01 = 61,8; Y02 =54,37; Y03 =58; Y04 =55,31.
u 1 2 3 4 5 6 7 8
Yuk
Yu 86,9 55,7 76,6 70 91 64,4 68,5 67,6
55
Х10 = 65; Х20 = 11,4; Х30 = 105; Х1/Х10 = 45%, Х2/Х20 = 85%; Х3/Х30 =
Y01 = 3100; Y02 = 2950; Y03 = 3010.
u 1 2 3 4 5 6 7 8
Yuk
Yu 1100 2920 1980 2360 1257 3700 1400 2710
Х10 = 65; Х20 = 11,4; Х30 = 105; Х1/Х10 = 25%, Х2/Х20 = 30%; Х3/Х30 =
u 1 2 3 4 5 6 7 8
Yuk
Yu1 0,30 1,6 1,24 3,97 1,73 1,59 2,3 6,53
Yu2 0,354 1,97 2,27 3,46 1,94 1,38 2,285 6,11
Приклади виконання завданя

Приклад 1
Х10 = 3,0; Х20 = 0,5; Х30 = 60; Х1/Х10 = 25%, Х2/Х20 = 80%; Х3/Х30 =
u 1 2 3 4 5 6 7 8
Yuk
Yu1 2630 1380 3650 1200 2310 1965 2908 1045
Yu2 2720 1420 3750 1314 2410 1995 2932 1155
Кількість дослідів N  8
Кількість факторів m  2
Матриця планування Матриця результатів експерименту
56
1 1 1 1 1 1 1 1   2600 2720 
1 1 1 1 1 1 1 1
  1380 1420

   
1 1 1 1 1 1 1 1   3650 3750 
1 1 1 1 1 1 1 1   1200 1314 
X    Y   
1 1 1 1 1 1
1 1
  2310 2410

1 1 1 1 1 1 1 1   1965 1995 
1 1 1 1 1 1 1 1   2908 2932 
   
1 1 1 1 1 1 1 1   1045 1155 
Визначаємо середнє значення змінної стану у паралельних дослідах
Ysr 
 Y Y 
 0  1
m
 2.66  103 
 
 1.4  103 
 
 3.7  103 
 
 1.257  103 
Ysr   
 2.36  103 
 3

 1.98  10 
 3 
 2.92  10 
 3 
 1.1  10 
Розраховуємо коефіцієнти рівняння

регресії
 T 
B  X  X
1
T
 X  Ysr
 2.172  103 
 
 737.875 
 
 72.125 
B
82.125 
 327.875 
 
 187.875 
 152.125 
 32.125 
 
57
Розраховуємо дисперсію відтворюваності для кожного рядка матриці
 

m1  

2

 i
Su    Y  Ysr     7.2  103 
1
 m  1
 800 
i0
 
 5  103 
 3

Su   6.498  10 
 3 
 5  10 
 450 
 
 288

 6.05  103 
 
Виконуємо перевірку однорідності дисперсій.

Табличне значення критерію Кохрена
Gt  0.5157
max( Su )
Розраховуємо значення критерію Gp 
Кохрена Su Gp  0.23
Gt  Gp процес відтворюється
Визначення похибки експерименту
Su So  3.911  10
3
So 
N
Визначаємо дисперсію коефіцієнтів регресії

 900 
Sb 
Su  100 
N  
 625 
 812.25 
Sb   
 625

 56.25 
 36 
 
 756.25 
Розраховуємо кількість ступенів свободи дисперсії відтворюваності
f0  N ( m  1) f0  8
58
Виконуємо перевірку значущості коефіцієнтів рівняння регресії за
критерієм Стьюдента.
Табличне значення критерію Стьюдента
Tt  2.78
Розраховані значення критерію Стьюдента


 72.404 
Tp  
sign ( B)  B   73.787 
  
 Sb 
 2.885 
 2.882 
Tp   
 13.115 
 25.05 
 25.354 
 
 1.168 
Складаємо повне рівняння регресії. До нього входять лише ті коефіцієнти,

що задовольняють нерівності Tp i  Tt . У даному випадку з остаточного
рівняння виключається коефіцієнт з індексом 7.
 1  2  3  4  5  6
Yp  B  B  X  B  X  B  X  B  X  B  X  B  X
0 1 2 3 4 5 6
Кількість членів рівняння регресії, що залишилися після оцінки значущості

коефіцієнтів. L  7
Перевірка адекватності моделі.
Визначаємо кількість ступенів свободи дисперсії адекватності
fag  N  L
fag  1
Розраховуємо дисперсію адекватності
N 1
 Ysrk  Ypk
m 2 4
Sag   Sag  1.651  10
( N  L)
k 0
Табличне значення критерію Фішера Ft  5.3177

Sag
Розрахункове значення критерію Fp  Fp  4.222
So
Фішера
Висновок
59
Fp  Ft - модель адекватна
Переходимо до іменованих значень факторів.
Приклад 2
Х10 = 0,032; Х20 = 1,0; Х30 = 15; Х1/Х10 = 15%, Х2/Х20 = 50%; Х3/Х30 =
Y01 = 99,08; Y02 =99,24; Y03 =97,34; Y04 =99,59, Y05 =97,5.
u 1 2 3 4 5 6 7 8
Yuk
Yu 89,32 95,24 98,18 97,36 98,34 92,96 97,88 106,18
Кількість дослідів N  8
Кількість факторів N0  5
Матриця планування Матриця результатів експерименту

1 1 1 1 1 1 1 1   89.32 
1 1 1 1 1 1 1 1
  95.24 
   
1 1 1 1 1 1 1 1   98.18 
1 1 1 1 1 1 1 1   97.36 
X    Y   
1 1 1 1 1 1
1 1
  98.34 
1 1 1 1 1 1 1 1   92.96 
1 1 1 1 1 1 1 1   97.88 
   
1 1 1 1 1 1 1 1   106.18 
Результати окремих дослідів в центрі плану

 99.08 
 99.24 
 
Y0   97.34 
 99.59 
 
 97.5 
60
Середнє значення змінної стану в центрі плану
Y0 Y0sr  98.55
Y0sr 
N0
Розраховуємо коефіцієнти рівняння регресії
 T 
B  X  X
1
T
X Y
 96.933 
 1.002 
 
 2.968 
 1.907 
B 
 0.868 
 0.272 
 0.223 
 
 2.553 
Визначаємо похибку експерименту
N0 1
 Y0k  Y0sr
1 2
So  
N0  1 So  1.101
k 0
Визначаємо дисперсію коефіцієнтів регресії

So Sb  0.138
Sb 
N
Кількість ступенів свободи дисперсії відтворюваності

f0  N0  1 f0  4
Виконуємо перевірку значущості коефіцієнтів рівняння регресії за

критерієм Стьюдента.
Табличне значення критерію Стьюдента Tt  2.78
 
Tp    sign ( B)  B 

 Sb 
61
 261.253 
 2.702 
 
 7.998 
 5.141 
Tp   
 2.338 
 0.734 
 0.6 
 
 6.88 
Складаємо повне рівняння регресії. До нього входять лише ті коефіцієнти,

що задовольняють нерівності Tp i  Tt . У даному випадку з остаточного
рівняння виключається коефіцієнт з індексами 1, 4, 5 та 6.
 2  3  7
Yp  B  B  X  B  X  B  X
0 2 3 7
Кількість членів рівняння регресії, що залишилися після оцінки значущості

коефіцієнтів L  4
Перевірка адекватності моделі.
Визначаємо кількість ступенів свободи дисперсії адекватності
fag  N  L fag  4
Розраховуємо дисперсію адекватності

N 1
 Yk  Ypk
1 2
Sag   Sag  3.763
( N  L)
k 0
Табличне значення критерію Фішера

Ft  6.3883
Розрахункове значення критерію Фішера
Sag
Fp  Fp  3.417
So
Висновок
Fp  Ft - модель адекватна
Переходимо до іменованих значень факторів.
62
Приклад 3
Input of initial data
63
Determination of regression coefficients
64
Testing the significance of regression coefficients
65
Testing the adequacy of the mathematical model
66
Graphical interpretation of experimental results:
dependence Y3(x1,x2)
67
68
69
Тема «Побудова мматематичної моделі за результатами
багатофакторного експерименту другого порядку»
Мета заняття – отримати практичні навички при плануванні і аналізі

багатофакторного експерименту.
Теорія математичного експерименту включає ряд концепцій, які
забезпечують успішну реалізацію завдань дослідження. До них відносять
концепції рандомізації, послідовного експерименту, математичного
моделювання, оптимального використання факторного простору і деякі
інші.
Принцип рандомізації полягає в тому, що до плану експерименту вводять
елемент імовірності. Для цього план експерименту складають так, щоб ті
систематичні фактори, які складно піддаються контролю, враховувалися
статистично і потім виключалися в дослідженнях як систематичні похибки.
При послідовному проведенні експеримент виконується не одночасно, а
поетапно, для того щоб результати кожного етапу аналізувати та приймати
рішення про доцільність проведення подальших досліджень.
У результаті експерименту одержують рівняння регресії, яке часто
називають математичною моделлю процесу. Для конкретних випадків
математична модель створюється на основі цільової направленості процесу
та завдань дослідження з урахуванням визначеної точності рішення та
достовірності вихідних даних, яка звичайно проводиться за критерієм
Фішера. В зв’язку з тим, що ступінь полінома, який адекватно описує процес,
передбачити неможливо, спочатку намагаються описати явище лінійною
моделлю, а потім, якщо вона неадекватна, підвищують ступінь полінома
тобто проводять експеримент поетапно.
Важливе місце в теорії планування експерименту займають питання
оптимізації процесів, що досліджуються якостей багатокомпонентних
систем або інших об’єктів. Як правило, не можна знайти таке поєднання
значень факторів впливу, при якому одночасно досягається екстремум всіх
функцій відгуку. Тому в більшості випадків за критерій оптимальності
вибирають лише одну зі змінних стану – функцію відгуку, що характеризує
процес, а інші беруть прийнятними для даного випадку.
Модель. Під математичною моделлю розуміють вигляд функції відгуку
y = f (x1, x2, …, xk)... В основі методу моделювання лежить припущення, що
сукупність значень параметра оптимізації y, отримана при різних
сполученнях факторів xi, утворить поверхню відгуку. Для наочності
представлення про поверхню відгуку розглянемо випадок, при якому число
факторів дорівнює двом (x1 і x2).
70
Границі значень факторів утворять на площині x1Ox2 (рис. 1)
прямокутник ABCD, усередині якого лежать точки можливих значень x1 і x2.
Якщо по осі y відкладати значення yi, отримані при різних сполученнях
значень факторів, то точки yi будуть лежати на поверхні відгуку. На цій
поверхні знаходиться точка М, що відповідає оптимальному значенню y.
Рис. 1 Зображення поверхні відгуку
Повний факторний експеримент. Для зручності запису умов

експерименту й обробки експериментальних дані рівні факторів кодують. У
кодованому вигляді верхній рівень позначають +1, нижній - 1, а основний 0.
Кодоване значення фактора xi визначають по залежності
~
xi  ~
xi0
xi  , (1)
i
x i - натуральне значення i-го фактора; ~
де ~ xi0 - натуральне значення основного
рівня i-го фактора;  i - інтервал варіювання i-го фактора.
Для повного факторного експерименту типу 22 рівняння регресії з
урахуванням ефектів взаємодії можна представити залежністю
y=b0 + b1x1 + b2x2 + b12x1x2. (2)
Для цього експерименту матриця планування наведена в табл. 1. У цій
матриці міститься стовпець фіктивної змінної x0. Він уводиться для оцінки
вільного члена b0. Стовпець x1x2 отриманий перемножуванням стовпців x1 і
x2. Він уведений для розрахунку коефіцієнта b12 .
71
Таблиця 1
2
Матриця факторного експерименту 2
Номер x0 x1 x2 x1 x2 yj
експер.
1 + - - + y1
2 + + - - y2
3 + - + - y3
4 + + + + y4
Проведення експерименту й обробка його результатів. Для кожного

рядка матриці планування за результатами n паралельних експериментів
знаходять y j середнє арифметичне значення параметра оптимізації:
1 n
y j   y ju , (3)
n u 1
де u - номер паралельного експерименту; yju - значення параметра оптимізації
в u-му паралельному експерименті j-го рядка матриці.
З метою оцінки відхилень параметра оптимізації від його середнього
значення для кожного рядка матриці планування обчислюють дисперсію s 2j
експерименту за даними n паралельних експериментів. Статистичною
дисперсією називають середнє значення квадрата відхилень випадкової
величини від її середнього значення:
1 n
sj 
2

n  1 u 1
( y ju  y j ) 2 . (4)
Помилка sj експерименту визначається як корінь квадратний з дисперсії

1 n
sj  
n  1 u 1
( y ju  y j ) 2 . (5)
Число паралельних дослідів визначається зі співвідношення
 
ts j
max y j  y ju  , (6)
n
де t – табличне значення критерію Стьюдента при 5% рівні значимості.
Значення t наведені в табл. 2.
Після обчислення по формулі (10.3) дисперсій перевіряють гіпотезу
їхньої однорідності. При рівномірному дублюванні експериментів
однорідність ряду дисперсій перевіряють за допомогою G-критерію Кохрена,
що представляє собою відношення максимальної дисперсії до суми всіх
дисперсій:
72
2 N
s max
Gp   s max
2
/  s 2j . (17)
s12  s 22  ...  s N
2
j 1
Таблиця 2
Значення t - критерію при 5% - ному рівні значимості
Число ступенів волі 1 2 3 4 5 6 7 8
Значення t 12,71 4,30 3,18 2,78 2,57 2,45 2,37 2,30
Значення t 2,26 2,23 2,20 2,18 2,16 2,14 2,13 2,12
Значення t 2,11 2,10 2,09 2,09 2,08 2,07 2,07 2,06
Значення t 2,06 2,06 2,05 2,05 2,05 2,04 2,02 2,00
Дисперсії однорідні, якщо розрахункове значення Gp-критерію не

перевищує табличного значення, наведеного в таблиці 3, де N показує число
порівнюваних дисперсій, а n - число паралельних дослідів. Якщо Gp> Gт, то
дисперсії неоднорідні, а це вказує на те, що досліджувана величина y не
підкоряється нормальному закону. Якщо дисперсії s 2j експериментів
однорідні, то дисперсію s 2y відтворюваності обчислюють по залежності
N
 s 2j ,
1
s 2y  (10.8)
N j 1
де N - число чи експериментів число рядків матриці планування.
Таблиця 3
Значення G-критерію при 5 % - ному рівні значимості
N n-1
1 2 3 4 5 6 7 8 9
4 0,9065 0,7679 0,6841 0,6287 0,5895 0,5598 0,5365 0,5175 0,5017
6 0,7808 0,6161 0,5321 0,4803 0,4447 0,4184 0,3980 0,3817 0,3682
8 0,6798 0,5157 0,4377 0,3910 0,3595 0,3362 0,3185 0,3043 0,2926
10 0,6020 0,4450 0,3733 0,3311 0,3029 0,2823 0,2666 0,2541 0,2439
12 0,5410 0,3924 0,3624 0,2880 0,2624 0,2439 0,2299 0,2187 0,2098
15 0,4709 0,3346 0,2758 0,2419 0,2195 0,2034 0,1911 0,1815 0,1736
20 0,3894 0,2705 0,2205 0,1921 0,1735 0,1602 0,1501 0,1422 0,1357
За результатами експерименту обчислюють коефіцієнти моделі.

Вільний член b0 визначають по формулі
73
N
 y j.
1
b0  (9)
N j 1
Коефіцієнти регресії, що характеризують лінійні ефекти, обчислюють
по залежності
1 N
bi   xij y j . (10)
N j 1
Коефіцієнти регресії, що характеризують ефекти взаємодії, визначають
по формулі
1 N
bil   xij xlj y j , (11)
N j 1
де i, l - номера факторів; xij, xlj - кодовані значення факторів i і l у j-м
експерименті. Формули (9), (10), (11) отримані в результаті використання
методу найменших квадратів.
Обчисливши коефіцієнти моделі, перевіряють їхню значимість.
Перевірку значимості коефіцієнтів можна робити двома способами: 1)
порівнянням абсолютної величини коефіцієнта з довірчим інтервалом; 2) за
допомогою t-критерію Стьюдента.
При перевірці значимості коефіцієнтів першим способом для
визначення довірчого інтервалу обчислюють дисперсії коефіцієнтів регресії.
Дисперсію s2{bi} i-го коефіцієнта визначають по залежності
1 2
s 2 {bi }  sy., (12)
nN
де N - число експериментів у матриці планування, які враховуються при
визначенні коефіцієнта, а n-число паралельних експериментів
Довірчий інтервал bi- знаходять по формулі
bi  t τ s{bi }, (13)
де t - табличне .значення критерію при прийнятому рівні значимості і числі
ступенів волі f, з яким визначалася дисперсія s 2y ; при рівномірному
дублюванні експериментів число ступенів волі знаходиться по залежності f =
(n - 1) N; s{bi} - помилка у визначенні i-го коефіцієнта регресії, що
обчислюється по формулі s{bi }   s 2 {bi }.
Коефіцієнт значимий, якщо його абсолютна величина більше довірчого
інтервалу. При перевірці значимості коефіцієнтів другим способом
обчислюють tр - критерій по залежності
bi
tp  . (14)
s{bi }
74
і порівнюють його з табличним tт. Коефіцієнт значимий, якщо tp>tт для
прийнятого рівня значимості і числа ступенів волі, з яким визначалася
дисперсія s 2y . Критерій Стьюдента t обчислюють для кожного коефіцієнта
регресії. Статистично незначущі коефіцієнти можуть бути виключені з
рівняння. Після розрахунку коефіцієнтів моделі і перевірки їхньої значимості
2
визначають дисперсію sад адекватності. Залишкова дисперсія, чи дисперсія
адекватності, характеризує розсіювання емпіричних значень y щодо

розрахункових y , визначених по знайденому рівнянню регресії. Дисперсію
адекватності визначають по формулі
N N
 
n ( y j  y j ) 2 n ( y j  y j ) 2
j 1 j 1
2
s ад   , (15)
f N  (k  1)
де y j - середнє арифметичне значення параметра оптимізації в j-му

експерименті; y j - значення параметра оптимізації, обчислене по моделі для
умов j-го досліду; f - число ступенів волі, рівне N - (k + 1); k - число факторів.
Останнім етапом обробки результатів експерименту є перевірка
гіпотези адекватності знайденої моделі. Перевірку цієї гіпотези роблять за F-
критерієм Фишера:
2
s ад
Fp  . (16)
2
sy
Якщо значення FP<Fт для прийнятого рівня значимості і відповідних

чисел ступенів волі, то модель вважають адекватної. При FPFт гіпотеза
адекватності відкидається.
Натуральні рівняння регресії утворюються шляхом підстановки кодованих
значень факторів.
Плани другого порядку дозволяють сформувати функцію відгуку у
вигляді повного квадратичного полінома, що містить більше число членів,
чим неповний квадратичний поліном, сформований за планами першого
порядку, і тому вимагають більшого числа виконуваних дослідів. Повний
квадратичний поліном при n =2 містить 6 членів.
y=b0 + b1x1 + b2x2 + b12x1x2 + b11x12+ b22x22. (17)
75
Таблиця 4.
Значення F-критерію Фишера при 5 % - ному рівні значимості
Число ступенів Значення критерію при числі ступенів волі для більшої
волі для меншої дисперсії
дисперсії 1 2 3 4 5 6 12 24 
1 164,4 199,5 215,7 224,6 230,2 234,0 224,9 249,0 254,3
2 18,5 19,2 19,2 19,3 19,3 19,3 19,4 19,4 19,5
3 10,1 9,6 9,3 9,1 9,0 8,9 8,7 8,6 8,5
4 7,7 6,9 6,6 6,4 6,3 6,2 5,9 5,8 5,6
5 6,6 5,8 5,4 5,2 5,1 5,0 4,7 4,5 4,4
6 6,0 5,1 4,8 4,5 4,4 4,3 4,0 3,8 3,7
7 5,5 4,7 4,4 4,1 4,0 3,9 3,6 3,4 3,2
8 5,3 4,5 4,1 3,8 3,7 3,6 3,3 3,1 2,9
9 5,1 4,3 3,9 3,6 3,5 3,4 3,1 2,9 2,7
10 5,0 4,1 3,7 3,5 3,3 3,2 2,9 2,7 2,5
11 4,8 4,0 3,6 3,4 3,2 3,1 2,8 2,6 2,4
12 4,8 3,9 3,5 3,3 3,1 3,0 2,7 2,5 2,3
13 4,7 3,8 3,4 3,2 3,0 2,9 2,6 2,4 2,2
14 4,6 3,7 3,3 3,1 3,0 2,9 2,5 2,3 2,1
15 4,5 3,7 3,3 3,1 2,9 2,8 2,5 2,3 2,1
16 4,5 3,6 3,2 3,0 2,9 2,7 2,4 2,2 2,0
17 4,5 3,6 3,2 3,0 2,8 2,7 2,4 2,2 2,0
18 4,4 3,6 3,2 2,9 2,8 2,7 2,3 2,1 1,9
19 4,4 3,5 3,1 2,9 2,7 2,6 2,3 2,1 1,9
20 4,4 3,5 3,1 2,9 2,7 2,6 2,3 2,1 1,8
22 4,3 3,4 3,1 2,8 2,7 2,6 2,2 2,0 1,8
24 4,3 3,4 3,0 2,8 2,6 2,5 2,2 2,0 1,7
26 4,2 3,4 3,0 2,7 2,6 2,5 2,2 2,0 1,7
28 4,2 3,3 3,0 2,7 2,6 2,4 2,1 1,9 1,7
30 4,2 3,3 2,9 2,7 2,5 2,4 2,1 1,9 1,6
40 4,1 3,2 2,9 2,6 2,5 2,3 2,0 1,8 1,5
60 4,0 3,2 2,8 2,5 2,4 2,3 1,9 1,7 1,4
120 3,9 3,1 2,7 2,5 2,3 2,2 1,8 1,6 1,3
 3,8 3,0 2,6 2,4 2,2 2,1 1,8 1,5 1,0
Часто використовують рототабельні плани, у яких точки плану

розташовуються на колах (сферах, гіперсферах).
В таблиці 5 наведена матриця такого плану.
Коефіцієнти рівняння регресії можна визначити за формулами:
 
N k N
b0  a1   yu .  a 2  xu ,i 2 yu ; (18)
u 1 i 1 u 1
76
N
b1  a 2  x u ,1 yu  ; (19)
u 1
Таблиця 5.
Матриця рототабельного плану факторного експерименту другого
порядку
Номер x1 x2 Середнє значеня y
експер. в паралельних
дослідах y j
1 - - y1
2 + - y2
3 - + y3
4 + + y4
5 -1,41 0 y5
6 +1,41 0 y6
7 0 -1,41 y7
8 0 +1,41 y8
9 0 0 y9
10 0 0 y10
11 0 0 y12
12 0 0 y12
13 0 0 y13
N
b2  a3  x u ,2 yu  ; (20)
u 1
N
b12  a 4  x u ,1 x u ,2 y u  ; (21)
u 1
   
N k N N
b11  a5  xu ,1  y u .  a 6  xu ,i  y u  a 7   y u  ;
2 2
(22)
u 1 i 1 u 1 u 1
   
N k N N
b22  a5  xu ,2 2 yu .  a6   xu ,i 2 yu  a7   yu  . (23)
u 1 i 1 u 1 u 1
У формулах (18) - (23) коефіцієнти приймають значення: a1  0,2 ;
a 2  0,1 ; a3  0,125 ; a 4  0,5 ; a5  0,125 ; a 6  0,187 ; a7  0,1 .
77
ПОРЯДОК ВИКОНАННЯ ЗАНЯТТЯ

5. Прийняти до аналізу результати двохфакторного екперименту,
проведеного за планом Бокса другого порядку, при максимальних і
мінімальних натуральних значеннях факторів відповідно до варіанту
завдання.
№ п/п х1 х2 y1 y2 y3 y4
1 + + 26.576 25.878 25.618 26.236
2 – + 22.506 23.518 23.603 24.432
3 + – 23.927 24.802 24.8592 22.867
4 – – 21.842 22.746 22.831 23.781
5 – 1,414 0 20.509 21.516 21.506 20.504
6 + 1,414 0 26.116 25.818 26.821 25.016
7 0 – 1,414 23.229 24.198 23.191 25.231

8 0 + 1,414 26.206 24.414 24.493 25.209
9 0 0 27.044 26.143 25.056 26.035
10 0 0 27.1443 25.0443 26.0443 26.043
11 0 0 24.043 26.058 28.029 27.063
12 0 0 25.014 26.067 27.103 26.087
13 0 0 27.453 26.018 26.081 26.024
6. Визначити нульові рівні факторів за формулою:

~
x i min  ~
x і max
~
xi 
0
,
2
7. Визначити кроки варіювання факторів за формулою
~
x і max  ~
x i0
i  ,
1,414
8. Отримати рівняння регресії для кодованих факторів у вигляді:
f (x1 , x 2 )  b 0  b1 x1  b 2 x 2  b12 x1 x 2  b11x1  b 221x 2
2 2
9. Отримати рівняння регресії для натуральних факторів шляхом

підстановки значень кодованих факторів
~
xi  ~x i0
xi 
i
10.Побудувати графічні залежності за рівнянням регресії для натуральних
факторів.
78
1.
~
x 1 min ~
x 1 max ~
x 2 min ~
x 2 max
400 500 1 10
2.
~
x 1 min ~
x 1 max ~
x 2 min ~
x 2 max
450 520 3 8
3.
~
x 1 min ~
x 1 max ~
x 2 min ~
x 2 max
420 510 2 9
4.
~
x 1 min ~
x 1 max ~
x 2 min ~
x 2 max
440 505 2 7
5.
~
x 1 min ~
x 1 max ~
x 2 min ~
x 2 max
415 515 1 7
6.
~
x 1 min ~
x 1 max ~
x 2 min ~
x 2 max
430 530 0,1 0,8
7.
~
x 1 min ~
x 1 max ~
x 2 min ~
x 2 max
405 495 0,2 1,5
8.
~
x 1 min ~
x 1 max ~
x 2 min ~
x 2 max
410 290 2 3
9.
~
x 1 min ~
x 1 max ~
x 2 min ~
x 2 max
450 500 1 2
10.
~
x 1 min ~
x 1 max ~
x 2 min ~
x 2 max
460 520 4 10
79
Приклад виконання завданя
Приклад 1
Введення вихідних даних.

Число факторів : k  2 Рівні варіювання: v  ( 1.414 1 0 1 1.414 )
Число повторних дослідів: Np  4 Допустима загальна похибка:   0.05 745

Результати дослідів:
x1  1 x2  1
 26.576 25.878 25.618 26.236 
x1  1 x2  1  22.506 23.518 23.603 24.432

 
x1  1 x2  1  23.927 24.802 24.8592 22.867 
x1  1 x2  1  21.842 22.746 22.831 23.781 
 
x1  1.414 x2  0  20.509 21.516 21.506 20.504 
x1  1.414 x2  0  26.116 25.818 26.821 25.016 

r   23.229 24.198 23.191 25.231 
x1  0 x2  1.414  
x1  0 x2  1.414  26.206 24.414 24.493 25.209 
x1  0 x2  0  27.044 26.143 25.056 26.035 
x1  0 x2  0  27.1443 25.0443 26.0443 26.043

x1  0 x2  0  
 24.043 26.058 28.029 27.063 
x1  0 x2  0  25.014 26.067 27.103 26.087 
x1  0 x2  0  
 27.453 26.018 26.081 26.024 
Визначення необхідного числа повторень дослідів:

T
N  13 r  r
i  1  N
 i
y  r
i
Np
 yit
t 1
Среднє арифметичне значення результатів у кожному досліді: ycp i 
Np
Np
 yit  ycpi
2
t 1
Дисперсія похибок в кожному досліді: s 
i Np  1
Табличне значення критерію Стьюдента: t  3.183
t s
Величина похибки в кожному досліді: y 
Np
80
Результати розрахунків:
 26.077   0.6655   0.1749   25.4115 
 23.5148   1.2554   0.6222   22.2593 
       
 24.1138   1.4869   0.8729   22.6269 
 22.8   1.2612   0.628   21.5388 
       
 21.0087   0.923   0.3364   20.0857 
 25.9427   1.1895    0.5586   24.7533 
ycp   23.9622    s   0.9326  ycp  y   22.4253 
2
y  1.5369
       
 25.0805   1.3228   0.6909   23.7577 
 26.0695   1.2941   0.6611   24.7754 
 26.069   1.3652   0.7359   24.7038 
       
 26.2982   2.714   2.9081   23.5843 
 26.0678   1.3574   0.7275   24.7103 
       
 26.394   1.1245   0.4992   25.2695 
max y   2.714
Порівняння максимальної похибки її з допустимим значенням: g  if  max y     1  0
g1
rez  if ( g 1  ycp  0)
2
max( s )
Перевірка однорідності дисперсій за допомогою критерія Кохрена: G 
N
 s i
2
G  0.281 i1
 v 1  4 v
1 4 

Визначення коефіцієнтів регресії. v v 
 1 2 1 4

ORIGIN  1  v1  4 v
1 2 
 
N  13  v1  2 v
1 2 
 
 v1  1 v
1 3 
s2  ( 0.2 0.1 0.125 0.25 0.125 0.0187 0.1 ) v v 
 1 5 1 3 
x2   v 1  3 v 
1 1 

T
a  s2  v1  3 v
1 5

 
y  rez  v1  3 v
1 3 
 
 v1  3 v
1 3 
x  x2 v v

 1 3 1 3 
v v 
 1 3 1 3 
 v1  3 v 
 1 3 
81
N k N N N
   xu  i yu  
2
b 0  a  y a  b 1  a  y x b 2  a  y x
1 u 2 3 u u 1 3 u u 2
u 1 i1 u 1 u 1 u 1
N

N k N N
  u  1    u  i
b 12  a  x y

x 2 2
4 u 1 u 2 u b 11  a  x y  a  x y  a  y
5 u 6 u 7 u
u 1
u 1 i1 u 1 u 1
N k N N
 xu  2 yu  a6   xu  i yu  a7 
2 2
b 22  a  y
5 u
u 1 i1 u 1 u 1
b 0  26.1855 b 1  1.3566 b 2  0.5324 b 12  0.3121 b 11  1.3439 b 22  0.8212
Перевірка значимості коефіцієнтів регресії.

i  1  N
 i
N Np y  r
  yiu  ycpi
2 i
i1 u 1
s y  Дисперсія експерименту: s y 2  0.796
N
 ( Np  1)
i1
Похибки при визначенні коефіцієнтів регресії. 2  ( 0.2 0.125 0.1438 0.25 )

 0.2 

T 0.125 
  2
 0.1438 
 0.25 
sy  
b 0  2  1 sy sy
Np b 1  2  2 b 2  2  2
Np Np
sy
b 11  2  3 sy sy
Np b 22  2  3 b 12  2  4
Np Np
b 0  0.4224 b 1  0.334 b 2  0.334 b 12  0.4723 b 11  0.3582 b 22  0.3582
Присвоєння значень значимим коефіцієнтам регресії.

b 0  if b 0  b 0  b 0  0  
b 1  if b 1  b 1  b 1  0  
b 2  if b 2  b 2  b 2  0 

b 12  if b 12  b 12  b 12  0  
b 11  if b 11  b 11  b 11  0  
b 22  if b 22  b 22  b 22  0 
b 0  26.1855 b 1  1.3566 b 2  0.5324 b 12  0 b 11  1.3439 b 22  0.8212
82
Рівняння регресії для кодованих значень факторів.
2 2
y ( x1  x2)  26.1855  1.3566 x1  0.5324 x2  1.3439 x1  0.8212 x2
Перевірка адекватності моделі експериментальній залежності.

Значення фунцкії, розраховані за рівнянням регресі і квадрати їх відхилень
від експериментальних даних у точках плану
2
x1  1 x2  1 y ( x1  x2)  25.9094 ( 26.077  25.9094)  0.0281
 26.077 
 23.5148  x1  1 x2  1 y ( x1  x2)  23.1962 ( 23.5148  23.1962)  0.1015
2
  2
 24.1138  x1  1 x2  1 y ( x1  x2)  24.8446 ( 24.1138  24.8446)  0.5341
 22.8  x1  1 x2  1 y ( x1  x2)  22.1314 ( 22.8  22.1314)  0.447
2
  x1  1.414 x2  0 y ( x1  x2)  21.5803 2
 21.0087  ( 21.0087  21.5803)  0.3267
 25.9427  x1  1.414 x2  0 y ( x1  x2)  25.4167
( 25.9427  25.4167)  0.2767
2
 23.9622  x1  0 x2  1.414 y ( x1  x2)  23.7908 2
  ( 23.9622  23.7908)  0.0294
 25.0805  x1  0 x2  1.414 y ( x1  x2)  25.2964
( 25.0805  25.2964)  0.0466
2
 26.0695  x1  0 x2  0 y ( x1  x2)  26.1855 2
 26.069  ( 26.0695  26.1855)  0.0135
  x1  0 x2  0 y ( x1  x2)  26.1855 2
( 26.069  26.1855)  0.0136
 26.2982  x1  0 x2  0 y ( x1  x2)  26.1855 2
 26.0678  ( 26.2982  26.1855)  0.0127
  x1  0 x2  0 y ( x1  x2)  26.1855
( 26.0678  26.1855)  0.0139
2
 26.394 
x1  0 x2  0 y ( x1  x2)  26.1855 2
( 26.394  26.1855)  0.0435
Сума квадратів відхилень значень фунцкії, розрахованих за рівнянням регресії,
і експериментальних даних у точках плану.
C  0.0281  0.1015  0.5341  0.447  0.3267  0.2767  0.0294  0.0466  0.0135  0.0136  0.0127  0.0139  0.0435
C  1.8873
4 1.8873
Дисперсія адекватності:  2.5164
13  6  ( 5  1)
2.5164
Розрахункове значення критерію Фішера:  3.1613
0.796
Перехід до рівняння регресії для натуральних значень факторів.

2 2
z( t1  t2)  26.1855  1.3566 
t1  240 
 0.5324 
t2  45 
 1.3439 
t1  240 
 0.8212 
t2  45 
   
 27   17   27   17 
1.3566 0.5324 1.3439 2 0.8212 2 1.3566 1.3439
26.1855   240   45   240   45  99.2212   2 240  0.9351
27 17 2 2 27 2
27 17 27
0.5324 0.8212 0.8212

  2 45  0.2871 1.3439  0.0028
17 2  0.0018 2
17 2 17
27
83
Рівняння регресії для натуральних значень факторів.
2 2
m( t1  t2)  99.2212  0.9351 t1  0.2871 t2  0.0018 t1  0.0028 t2
Побудова графіків.
t1  200  300 t2  1  100

M  m( t1  t2)
( t1  t2)
84
Приклад 2
Input of initial data and calculation of measurement errors
Testing the reproducibility of experiments

85
Determination of regression coefficients
86
Testing the significance of regression coefficients
87
Testing the adequacy of the mathematical model
88
Graphical interpretation of experimental results
89
90

Практичні КММ

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Практичні КММ

Uploaded by

Copyright:

Available Formats

МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ

КИЇВСЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ

Кафедра комп’ютерної інженерії та електромеханіки

КОМП’ЮТЕРНЕ МАТЕМАТИЧНЕ МОДЕЛЮВАННЯ

для аспірантів денної та заочної форм навчання

Київ КНУТД 2021

Упорядник: Злотенко Б. М., д.т.н., професор.

Відповідальний за випуск завідувач кафедри комп’ютерної інженерії та

Затверджено на засіданні кафедри комп’ютерної інженерії та

Мета роботи: вивчення інтерфейсу користувача MathCad, одержання

Послідовність виконання роботи

  1.2. 5  3 j 3  2 j   0,5  j;

2 f x   4 x  x 2  3 . В одній точці x = -1; y трьох точках х = -12; 0,6; 10;

Приклади виконання завдань

Мета роботи: одержання первинних навичок побудови графіків у декартовій

Послідовність виконання роботи

2. Привласнити функціям х2 і х3 імена й в одному шаблоні побудувати їхні

4. Скласти математичний опис заданого графічно закону зміни вхідного

Приклад виконання завдання

Мета роботи: отримати практичні навички при побудові лінійної регресійної

Рішення даної системи рівнянь у явній формі для K експериментальних

Отримані значення коефіцієнтів використовуються в рівнянні регресії y(х) =

Рис. 1. Графіки лінійної регресії з меншим (а) і більшим (б) ступенем

Коефіцієнт кореляції є мірою лінійного зв'язку між залежними випадковими

Порядок виконання роботи

Приклад виконання завдання

Мета роботи: отримати практичні навички при побудові поліноміальної

Рис.1. Графік функції y = а + bx + сх2.

Диференціюючи це співвідношення по а, b, с одержуємо систему нормальних

З цієї системи визначаються параметри а, b, с.

Порядок виконання роботи

Приклад виконання завдання

fit( x)  interp ( S  X  Y  x) coeffs  submatrix( S  3  length ( S)  1  0  0)

Мета роботи: отримати практичні навички при використанні типових

Рис. 2. Графіки функції y(x) = a·exp(b·x)+c.

Рис. 3. Графіки функції y(x) = a/(1+c·exp(b·x).

Функція pwrfit(X,Y,S) – повертає вектор, що містить коефіцієнти a, b і c для

Рис. 4. Графіки функції y(x) = a·xb+c.

Рис. 5. Графіки функції y(x)=a·ln(x+b)+c.

Функція medfit(X,Y) – повертає вектор, що містить коефіцієнти a і b для

Порядок виконання роботи

Приклад виконання завдання

2  3.5  1

Мета роботи: отримати практичні навички при лінеаризації вихідної функцій

Рис. 1. Графіки функції y(x)  ae bx .

В результаті логарифмування вихідного рівняння отримаємо лінійну

При виконанні регресії в системі Mathcad за лінеаризованою функцією

Мета роботи: отримати практичні навички при побудові нелінійної регресії

Порядок виконання роботи

Мета роботи: отримати практичні навички при побудові узагальненої

f(x, Kn) = K1·f1(x) + K2·f2(x) + … + KN·fN(x),

Порядок виконання роботи

Приклад виконання завдання

Мета роботи: отримати практичні навички при побудові математичних

7. Проводиться експеримент з паралельними дослідами і результати Yk

Алгоритм розрахунку і аналізу ММ за планом ПФЕ типу 23

№ досліду Планування Результати

Тут введені нові змінні, необхідні для розрахунку: x0 - для визначення

Перевіряється виконання умови GР<GТ(q,f1,f2).

Обробка результатів ПФЕ типу 2n з паралельними дослідами в одній

де y0k - значення змінної стану в центрі плану;

Значення критерію Кохрена GT (0,05, f1, f2)

Значення критерію Фішера FT(0,05, fag, f0);