24.02.2019, 16:51 Моделирование зависимостей между величинами Реализация математической модели на компьютере (компьютерная математическая модель) требует владения приемами представления зависимостей между величинами.
Cо всякой величиной связаны три основных свойства:
- имя,
- значение,
- тип.
Имя величины может быть смысловым и символическим . Пример смыслового имени - «давление газа», символическое имя для этой же величины - Р.
Если значение величины не изменяется, то она называется постоянной величиной или константой . Пример константы - число Пифагора ¶=3,14259... . Величина, значение которой может меняться, называется переменной . Например, в описании процесса падения тела переменными величинами являются высота Н и время падения t.
Тип определяет множество значений, которые может принимать величина. Основные типы величин : числовой, символьный, логический. Размерности определяют единицы, в которых представляются значения величин. Например, t (с) - время падения; Н (м) - высота падения.
Математические модели
Если зависимость между величинами удается представить в математической форме, то это математическая модель .
Математическая модель - это совокупность количественных характеристик некоторого объекта (процесса) и связей между ними, представленных на языке математики.
Это пример зависимости, представленной в функциональной форме. Эту зависимость называют корневой (время пропорционально квадратному корню высоты).
В более сложных задачах математические модели представляются в виде уравнений или систем уравнений.

Табличные и графические модели
Это другие, не формульные, способы представления зависимостей между величинами. Например, мы решили проверить закон свободного падения тела экспериментальным путем.

Эксперимент организуем следующим образом: будем бросать стальной шарик с 6-метровой высоты, 9-метровой и т. д. (через 3 метра), замеряя высоту начального положения шарика и время падения. По результатам эксперимента составим таблицу и нарисуем график. Если каждую пару значений Н и t из данной таблицы подставить в приведенную ранее формулу зависимости высоты от времени, то формула превратится в равенство (с точностью до погрешности измерений). Значит, модель работает хорошо. Однако если сбрасывать не стальной шарик, а большой легкий мяч, то равенство не будет достигаться, а если надувной шарик, то значения левой и правой частей формулы будут различаться очень сильно. Как вы думаете, почему?

Итак, на этом примере мы рассмотрели три способа моделирования зависимости величин: функциональный (формула), табличный и графический. Однако математической моделью процесса падения тела на землю можно назвать только формулу. Формула более универсальна, она позволяет определить время падения тела с любой высоты, а не только для того экспериментального набора значений Н, который отображен на рисунке. Имея формулу, можно легко создать таблицу и построить график, а наоборот - весьма проблематично.
Точно так же можно отобразить зависимость любого явления физической природы, описываемого известными формулами.
Информационные модели, которые описывают развитие систем во времени, имеют специальное название: динамические модели . В физике динамические информационные модели описывают движение тел, в биологии - развитие организмов или популяций животных, в химии - протекание химических реакций и т. д.

Модели статистического прогнозирования
Статистика - наука о сборе, измерении и анализе массовых количественных данных.
Существуют медицинская статистика, экономическая статистика, социальная статистика и другие. Математический аппарат статистики разрабатывает наука под названием математическая статистика .

Статистические данные всегда являются приближенными, усредненными, они носят оценочный характер, но верно отражают зависимость величин. Для достоверности результатов, полученных путем анализа статистических данных, этих данных должно быть много.

Например, наиболее сильное влияние на бронхиально-легочные заболевания оказывает угарный газ - . Поставив цель определить эту зависимость, специалисты по медицинской статистике проводят сбор данных. Полученные данные можно свести в таблицу, а также представить в виде точечной диаграммы. А как построить математическую модель данного явления? Очевидно, нужно получить формулу, отражающую зависимость количества хронических больных Р от концентрации угарного газа С. На языке математики это называется функцией зависимости Р от С: Р(С). Вид такой функции неизвестен, ее следует искать методом подбора по экспериментальным данным.

График искомой функции должен проходить близко к точкам диаграммы экспериментальных данных. Строить функцию так, чтобы ее график точно проходил через все данные точки, не имеет смысла. Во-первых, математический вид такой функции может оказаться слишком сложным. Во-вторых, экспериментальные значения являются приближенными.
Отсюда следуют основные требования к искомой функции:
она должна быть достаточно простой для использования ее в дальнейших вычислениях;
график этой функции должен проходить вблизи экспериментальных точек так, чтобы отклонения этих точек от графика были минимальны и равномерны. Полученную функцию в статистике принято называть регрессионной моделью .

Метод наименьших квадратов
Получение регрессионной модели происходит в два этапа:
1) подбор вида функции;
2) вычисление параметров функции.
Первая задача не имеет строгого решения.
Чаще всего выбор производится среди следующих функций:
у = ах + b - линейная функция (полином 1-й степени);
у = ах 2 + bх + с - квадратичная функция

(полином 2-й степени) ;
у = а n х n + a (n-1) х n-1 +...+ а 2 х 2 + a 1 х + a 0 - полином n-й степени ;
у = аln (х) + b - логарифмическая функция;
у = ае bх - экспоненциальная функция;
у = ах b - степенная функция.
После выбора одной из предлагаемых функций нужно подобрать параметры (а, b, с и пр.) так, чтобы функция располагалась как можно ближе к экспериментальным точкам, используя метод вычисления параметров. Такой метод был предложен в XVIII веке немецким математиком К. Гауссом. Он называется методом наименьших квадратов (МНК) и очень широко используется в статистической обработке данных и встроен во многие математические пакеты программ. Важно понимать следующее: методом наименьших квадратов по данному набору экспериментальных точек можно построить любую функцию. А вот будет ли она нас удовлетворять, это уже вопрос критерия соответствия. Для нашего примера рассмотрим три функции, построенные методом наименьших квадратов.

Данные рисунки получены с помощью табличного процессора Microsoft Excel. График регрессионной модели называется трендом .
Английское слово «trend» можно перевести как «общее направление», или «тенденция».
График линейной функции - это прямая. По этому графику трудно что-либо сказать о характере этого роста. А вот квадратичный и экспоненциальный тренды правдоподобны.
На графиках присутствует величина, полученная в результате построения трендов. Она обозначена как R 2 . В статистике эта величина называется коэффициентом детерминированности . Именно она определяет, насколько удачной является полученная регрессионная модель. Коэффициент детерминированности всегда заключен в диапазоне от 0 до 1. Чем R 2 ближе к 1, тем удачнее регрессионная модель.
Из трех выбранных моделей значение R 2 наименьшее у линейной. Значит, она самая неудачная. Значения же R 2 у двух других моделей достаточно близки (разница меньше 0,01). Они одинаково удачны.

Прогнозирование по регрессионной модели
Получив регрессионную математическую модель можно прогнозировать процесс путем вычислений, т.е.оценить уровень заболеваемости астмой не только для тех значений, которые были получены путем измерений, но и для других значений.
Если прогноз производится в пределах экспериментальных значений, то это называется восстановлением значения .
Прогнозирование за пределами экспериментальных данных называется экстраполяцией.
Имея регрессионную модель, легко прогнозировать, производя расчеты с помощью электронных таблиц.
В ряде случаев с экстраполяцией надо быть осторожным. Применимость всякой регрессионной модели ограничена, особенно за пределами
экспериментальной области. В нашем примере при экстраполяции не следует далеко уходить от величины 5 мг/м 3 . Что будет вдали от этой области, мы не знаем. Всякая экстраполяция держится на гипотезе: «предположим, что за пределами экспериментальной области закономерность сохраняется». А если не сохраняется?
Например, квадратичная модель в нашем примере при концентрации, близкой к 0, выдаст 150 человек больных, т. е. больше, чем при 5 мг/м 3 . Очевидно, это нелепость. В области малых значений С лучше работает экспоненциальная модель. Кстати, это довольно типичная ситуация: разным областям данных могут лучше соответствовать разные модели.

Моделирование корреляционных зависимостей
Пусть важной характеристикой некоторой сложной системы является фактор А. На него могут оказывать влияние одновременно многие другие факторы: B,C,D и т. д.

Зависимости между величинами, каждая из которых подвергается неконтролируемому полностью разбросу, называются корреляционными зависимостями.
Раздел математической статистики, который исследует такие зависимости, называется корреляционным анализом. Корреляционный анализ изучает усредненный закон поведения каждой из величин в зависимости от значений другой величины, а также меру такой зависимости.
Оценку корреляции величин начинают с высказывания гипотезы о возможном характере зависимости между их значениями. Чаще всего допускают наличие линейной зависимости. В таком случае мерой корреляционной зависимости является величина, которая называется коэффициентом корреляции .
коэффициент корреляции (обычно обозначаемый греческой буквой ρ ) есть число из диапазона от -1 до +1;
если ρ по модулю близко к 1, то имеет место сильная корреляция, если к 0, то слабая;
близость ρ к +1 означает, что возрастанию значений одного набора соответствует возрастание значений другого набора, близость к -1 означает, что возрастанию значений одного набора соответствует убывание значений другого набора;
значение ρ легко найти с помощью Excel, так как в эту программу встроены соответствующие формулы.

В качестве примера сложной системы рассмотрим школу. Пусть хозяйственные расходы школы выражаются количеством рублей, отнесенных к числу учеников в школе (руб./чел.), потраченных за определенный период времени (например, за последние 5 лет). Успеваемость же пусть оценивается средним баллом учеников школы по результатам окончания последнего учебного года. Итоги сбора данных по 20 школам, введенные в электронную таблицу и точечная диаграмма представлены на рисунках. Значения обеих величин: финансовых затрат и успеваемости учеников - имеют значительный разброс и, на первый взгляд, взаимосвязи между ними не видно. Однако она вполне может существовать. В Excel функция вычисления коэффициента корреляции называется КОРРЕЛ и входит в группу статистических функций. Покажем, как ею воспользоваться. На том же листе Excel, где находится таблица, надо установить курсор на любую свободную ячейку и запустить функцию КОРРЕЛ. Она запросит два диапазона значений. Укажем, соответственно, В2:В21 и С2:С21. После их ввода будет выведен ответ: р = 0,500273843. Эта величина говорит о среднем уровне корреляции. Теперь рассмотрим какой параметр из 2-х: оснащённость учебниками или компьютерами является коррелирующим в большей степени, т.е. имеет большее влияние на успеваемость Ниже на рисунке приведены результаты измерения обоих факторов в 11 разных школах. Для обеих зависимостей получены коэффициенты линейной корреляции. Как видно из таблицы, корреляция между обеспеченностью учебниками и успеваемостью сильнее, чем корреляция между компьютерным обеспечением и успеваемостью (хотя и тот, и другой коэффициенты корреляции не очень большие). Отсюда можно сделать вывод, что пока еще книга остается более значительным источником знаний, чем компьютер.

Зависимость одной случайной величины от значений, которые прини- мает другая случайная величина (физическая характеристика), в статистике принято называть регрессией. В случае если этой зависимости придан аналитический вид, то такую форму представления изображают уравнением регрессии.

Процедура поиска предполагаемой зависимости между различными числовыми совокупностями обычно включает следующие этапы:

установление значимости связи между ними;

возможность представления этой зависимости в форме математиче- ского выражения (уравнения регрессии).

Первый этап в указанном статистическом анализе касается выявления так называемой корреляции, или корреляционной зависимости. Корреляция рассматривается как признак, указывающий на взаимосвязь ряда числовых последовательностей. Иначе говоря, корреляция характеризует силу взаимосвязи в данных. В случае если это касается взаимосвязи двух числовых массивов xi и yi, то такую корреляцию называют парной.

При поиске корреляционной зависимости обычно выявляется вероятная связь одной измеренной величины x (для какого-то ограниченного диапазона ее изменения, к примеру от x1 до xn) с другой измеренной величиной y (также изменяющейся в каком-то интервале y1 … yn). В таком случае мы будем иметь дело с двумя числовыми последовательностями, между которыми и надлежит установить наличие статистической (корреляционной) связи. На этом этапе пока не ставится задача определить, является ли одна из этих случайных величин функцией, а другая – аргументом. Отыскание количественной зависимости между ними в форме конкретного аналитического выражения y = f(x) - это задача уже другого анализа, регрессионного.

Τᴀᴋᴎᴍ ᴏϬᴩᴀᴈᴏᴍ, корреляционный анализ позволяет сделать вывод о силе взаимосвязи между парами данных х и у, а регрессионный анализ используется для прогнозирования одной переменной (у) на основании другой (х). Иными словами, в этом случае пытаются выявить причинно-следственную связь между анализируемыми совокупностями.

Строго говоря, принято различать два вида связи между числовыми совокупностями - ϶ᴛᴏ может быть функциональная зависимость или же статистическая (случайная). При наличии функциональной связи каждому значению воздействующего фактора (аргумента) соответствует строго определœенная величина другого показателя (функции), ᴛ.ᴇ. изменение результативного признака всœецело обусловлено действием факторного признака.

Аналитически функциональная зависимость представляется в следую-щем виде: y = f(x).

В случае статистической связи значению одного фактора соответствует какое-то приближенное значение исследуемого параметра, его точная величина является непредсказуемой, непрогнозируемой, в связи с этим получаемые показатели оказываются случайными величинами. Это значит, что изме-нение результативного признака у обусловлено влиянием факторного признака х лишь частично, т.к. возможно воздействие и иных факторов, вклад которых обозначен как є: y = ф(x) + є.

По своему характеру корреляционные связи - ϶ᴛᴏ соотносительные связи. Примером корреляционной связи показателœей коммерческой деятельности является, к примеру, зависимость сумм издержек обращения от объема товарооборота. В этой связи помимо факторного признака х (объема товарооборота) на результативный признак у (сумму издержек обращения) влияют и другие факторы, в том числе и неучтенные, порождающие вклад є.

Для количественной оценки существования связи между изучаемыми совокупностями случайных величин используется специальный статистический показатель – коэффициент корреляции r.

В случае если предполагается, что эту связь можно описать линœейным уравне- нием типа y=a+bx (где a и b - константы), то принято говорить о существовании линœейной корреляции.

Коэффициент r - это безразмерная величина, она может меняться от 0 до ±1. Чем ближе значение коэффициента к единице (неважно, с каким знаком), тем с большей уверенностью можно утверждать, что между двумя рассматриваемыми совокупностями переменных существует линœейная связь. Иными словами, значение какой-то одной из этих случайных величин (y) существенным образом зависит от того, какое значение принимает другая (x).

В случае если окажется, что r = 1 (или -1), то имеет место классический случай чисто функциональной зависимости (ᴛ.ᴇ. реализуется идеальная взаимосвязь).

При анализе двумерной диаграммы рассеяния можно обнаружить различные взаимосвязи. Простейшим вариантом является линœейная взаимосвязь, которая выражается в том, что точки размещаются случайным образом вдоль прямой линии. Диаграмма свидетельствует об отсутствии взаимосвязи, если точки расположены случайно, и при перемещении слева направо невозможно обнаружить какой-либо уклон (ни вверх, ни вниз).

В случае если точки на ней группируются вдоль кривой линии, то диаграмма рассеяния характеризуется нелинœейной взаимосвязью. Такие ситуации вполне возможны

Величинами являются количественные значения предметов, длин отрезков, времени, углов и т.д.

Определение. Величина - результат измерения, представленный числом и наименованием единицы измерения.

Например: 1 км; 5 ч. 60 км/ч; 15 кг; 180 °.

Величины могут быть независимыми или зависимыми одна от другой. Связь величин может быть жестко установлена (как. например, 1 дм = 10 см) или может отражать зависимость между величинами, выраженную формулой для определения конкретного численного значения (так, например, путь зависит от скорости и продолжительности движения; площадь квадрата — от длины его стороны и т. д.).

Основа метрической системы мер длины - метр - была введена в России в начале XIX века, а до этого для измерения длин использовались: аршин (= 71 см), верста (= 1067 м), косая сажень (= 2 м 13 см), маховая сажень (= 1 м 76 см), простая сажень (= 1 м 52 см), четверть (= 18 см), локоть (приблизительно от 35 см до 46 см), пядь (от 18 см до 23 см).

Как видим, было много величин для измерения длины. С вводом метрической системы мер жестко закреплена зависимость величин длины:

• 1 км = 1 000 м; 1 м = 100 см;
• 1 дм = 10 см; 1 см = 10 мм.

В метрической системе мер определены единицы измерения времени, длины, массы, объема, площади и скорости.

Между двумя и более величинами или системами мер тоже можно устанавливать зависимость, она зафиксирована в формулах, а формулы выведены опытным путем.

Определение. Две взаимно зависимые величины называются пропорциональными , если отношение их значений остается неизменным.

Неизменное отношение двух величин называется коэффициентом пропорциональности. Коэффициент пропорциональности показывает, сколько единиц одной величины приходится на единицу другой величины. Если коэффициенты равны. То и отношения равны.

Расстояние есть произведение скорости и времени движения: отсюда вывели основную формулу движении:

где S - путь; V - скорость; t - время.

Основная формула движения — это зависимость расстояния от скорости и времени движения. Такая зависимость называется пряно пропорциональной .

Определение. Две переменные величины прямо пропорциональны, если с увеличением (или уменьшением) в несколько раз одной величины другая величина увеличивается (или уменьшается) во столько же раз; т.е. отношение соответствующих значений таких величин является величиной постоянной.

При неизменном расстоянии скорость и время связаны другой зависимостью, которая называется обратно пропорциональной .

Правило. Две переменные величины обратно пропорциональны, если с увеличением (или уменьшением) одной величины в несколько раз другая величина уменьшается (или увеличивается) во столько же раз; т.е. произведение соответствующих значений таких величин является величиной постоянной.

Из формулы движения можно вывести еще два соотношения, выражающих прямую и обратную зависимости входящих в них величин:

t = S: V - время движения прямо пропорционально пройденному пути и обратно пропорционально скорости движении (для одинаковых отрезков пути чем больше скорость, тем меньше времени требуется для преодоления расстояния).

V = S: t - скорость движения прямо пропорциональна пройденному пути и обратно пропорциональна времени движения (для одинаковых отрезков пути чем больше
времени движется предмет, тем меньшая скорость требуется для преодоления расстояний).

Все три формулы движения равносильны и используются для решения задач.

Предмет: математика
Класс: 4
Тема урока: Зависимости между скоростью, длиной пройденного пути и временем
движения.
Цель: выявить и обосновать зависимости между величинами: скорость, время,
расстояние;
Задачи: способствовать развитию нестандартного мышления, умение делать выводы,
рассуждать; содействовать воспитанию познавательной активности.
Оборудование: индивидуальные карточки разных цветов, критерии оценивания,
карточка для рефлексии, круги двух цветов.
Ход урока.
1. Орг.момент.
Карточка двух цветов: желтая и синяя. Показать с помощью карточки свое настроение
в начале и конце урока.
Заполнение карточки на начало урока (Приложение 1.)
№ Утверждение
Конец урока
Начало урока
Да
Нет
Не знаю Да
Нет Не
знаю
1. Я знаю все формулы
задач на движение
2. Я понимаю решение
задач на движение
3. Я могу сам решать эти
задачи
4. Я умею составлять
схемы к задачам на
движение
5. Я знаю, какие ошибки
допускаю в решении
задач на движение
2. Повторение.
­ Как найти скорость? Время? Расстояние?
­ Назовите единицы измерения величины скорости, расстояние, время.
3. Сообщение темы урока.
­ Чему будем учиться на уроке?
4. Работа в группе.
­ Соединить объекты движения (Приложение 2)
Пешеход 70км/ч
Лыжник 5км/ч

Автомобиль 10км/ч
Реактивный самолет 12км/ч
Поезд 50км/ч
Улитка 900км/ч
Лошадь 90 км\ч
Проверка работ.
5. Математическая головоломка(самостоятельная работа)
­ Во сколько скорость велосипедиста меньше скорости поезда?
­ На сколько км скорость лыжника больше скорости пешехода?
­ Во сколько раз скорость автомобиля меньше скорости реактивного самолета?
­ Найди общую скорость самого скоростного движущегося средства и самого
медленного.
­ Найди общую скорость поезда велосипедиста и лыжника.
6. Самопроверка работ по критериям.
7. Физминутка.
Красный цвет квадрата­ стоим
Зеленый – идем
Желтый – хлопаем 1 раз в ладоши
8. Работа в группе. (Карточка желтого цвета) (метод Джегсо)
Задача.
Две бабы­яги поспорили, что быстроходнее ступа или помело? Одну и ту же
дистанцию в 228км баба­яга в ступе пролетела за 4ч, а баба­яга на помеле за 3ч. Что
больше, скорость ступы или помела?
9. Работа в паре «Эксперимент».
Придумать задачу на движение, используя величины: 18км/ч, 4ч, 24 км, 3ч.
Проверка работ.
10. Тест.
1.Записать формулу нахождения скорости.
2. Записать формулу нахождения времени.
3. Как найти расстояние? Запиши формулу.
4. Запиши 8 км/мин в км/ч
5. Найди время, за которое пройдет пешеход 42 км, двигаясь со скоростью 5км/ч.
6. Какое расстояние пройдет пешеход, двигаясь со скоростью 5км/ч в течение 6 часов?
11. Итог урока.
Заполнить таблицу, с какими результатами мы пришли к концу урока.
Показать карточку, которая соответствует вашему настроению.

Начало урока
Да
Нет
Приложение 1.
Конец урока
Не знаю Да
№ Утверждение
1. Я знаю все формулы
задач на движение
2. Я понимаю решение
задач на движение
3. Я могу сам решать эти
задачи
4. Я умею составлять
схемы к задачам на
движение
5. Я знаю, какие ошибки
допускаю в решении
задач на движение
Соединить объекты движения.
Пешеход 70км/ч
Лыжник 5км/ч
Автомобиль 10км/ч
Реактивный самолет 12км/ч
Поезд 50км/ч
Улитка 900км/ч
Лошадь 90 км\ч
Нет Не
знаю
Приложение 2.